آمار

تعداد نشریات278
تعداد نشریات سازمان77
تعداد شماره‌ها2,178
تعداد مقالات25,255
تعداد مشاهده مقاله13,650,087
تعداد دریافت فایل اصل مقاله10,961,560
نویدی, میر ناصر, چترنور, منصور, جمشیدی, محمد, اخیانی, احمد. (1400). برآورد سطح کشت چند محصول انتخابی با استفاده از تصاویر چند زمانه سنتینل-2 در دشت بسطام. سامانه مدیریت نشریات علمی, 35(1), 41-58. doi: 10.22092/ijsr.2021.353903.592
میر ناصر نویدی; منصور چترنور; محمد جمشیدی; احمد اخیانی. "برآورد سطح کشت چند محصول انتخابی با استفاده از تصاویر چند زمانه سنتینل-2 در دشت بسطام". سامانه مدیریت نشریات علمی, 35, 1, 1400, 41-58. doi: 10.22092/ijsr.2021.353903.592
نویدی, میر ناصر, چترنور, منصور, جمشیدی, محمد, اخیانی, احمد. (1400). 'برآورد سطح کشت چند محصول انتخابی با استفاده از تصاویر چند زمانه سنتینل-2 در دشت بسطام', سامانه مدیریت نشریات علمی, 35(1), pp. 41-58. doi: 10.22092/ijsr.2021.353903.592
نویدی, میر ناصر, چترنور, منصور, جمشیدی, محمد, اخیانی, احمد. برآورد سطح کشت چند محصول انتخابی با استفاده از تصاویر چند زمانه سنتینل-2 در دشت بسطام. سامانه مدیریت نشریات علمی, 1400; 35(1): 41-58. doi: 10.22092/ijsr.2021.353903.592

برآورد سطح کشت چند محصول انتخابی با استفاده از تصاویر چند زمانه سنتینل-2 در دشت بسطام

پژوهش های خاک
مقاله 5، دوره 35، شماره 1، بهار 1400، صفحه 41-58  XML اصل مقاله (1.69 MB)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/ijsr.2021.353903.592
نویسندگان
میر ناصر نویدی email 1؛ منصور چترنور2؛ محمد جمشیدی1؛ احمد اخیانی3
1استادیار پژوهش، مؤسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
2دانش‌آموخته دکتری، گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران؛ m.chatrenor@gmail.com استادیار پژوهش، مؤسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
3استادیار پژوهش، ﻣﺮﮐﺰ ﺗﺤﻘﯿﻘﺎت ﮐﺸﺎورزی و ﻣﻨﺎﺑﻊ ﻃﺒﯿﻌﯽ اﺳﺘﺎن ﺳﻤﻨﺎن؛ ﺳﺎزﻣﺎن ﺗحقیقات، آﻣﻮزش و ﺗﺮوﯾﺞ ﮐﺸﺎورزی، ﺳﻤﻨﺎن، اﯾﺮان
چکیده
هدف از این پژوهش استفاده از تصاویر چند زمانه سنتینل-2 در تفکیک و تعیین سطح زیر کشت اراضی کشاورزی منطقه بسطام با کمک دوره فنولوژیکی است. برای این منظور، ابتدا محصولات کشت شده منطقه و دوره فنولوژیکی آن‌ها شامل باغات زردآلو، انگور، گندم و ذرت علوفه‌ای شناسایی گردید. در ادامه با بهره‌گیری از نقاط برداشت زمینی و استفاده از روش‌های ماشین بردار پشتیبان، و مدل های حداکثر تشابه و حداقل فاصله از میانگین، طبقه‌بندی انجام گرفت. سپس نقشه محدوده اراضی کشاورزی در منطقه به‌دست آمد. مقایسه دقت مدل‌ها نشان داد که مدل ماشین بردار پشتیبان بهترین عملکرد را با دقت کلی[1] و ضریب کاپای[2] به ترتیب 86/0 و 82/0 و مدل حداقل فاصله از میانگین، کمترین عملکرد طبقه‌بندی را با دقت کلی و ضریب کاپای به ترتیب 69/0 و 61/0 داشتند. بر اساس مدل ماشین بردار پشتیبان برای گندم بیش‌ترین مساحت (3423 هکتار) و برای ذرت علوفه‌ای کمترین مساحت (738 هکتار) به‌دست آمد. نتایج حاصله نشان داد که استفاده از تصاویر ماهواره‌ای چند زمانه و شاخص فنولوژیکی، توانایی قابل قبولی را در تفکیک محصولات زراعی و تعیین مساحت و تهیه نقشه اراضی کشاورزی داشت.
 
[1]. Overall Accuracy
[2]. Kappa Coefficient
کلیدواژه‌ها
ماشین بردار پشتیبان؛ مدل حداکثر تشابه؛ مدل حداقل فاصله؛ دوره فنولوژیکی
عنوان مقاله [English]
Estimating Cultivation Area of Some Selected Crops in Bastam Plain by Using Multi-Temporal Sentinel-2 Images
نویسندگان [English]
M. Navidi1؛ Mansour Chatrenour2؛ mohammad jamshidi1؛ ahmad akhyani3
1Assistant Professor, Soil and Water Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran
2PhD Graduate, Department of Soil Science and Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, IranDepartment of Soil Science and Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran
3Assistant Professor, Semnan Center for Agricultural and Natural Resources Research, Agricultural Research, Education and Extension OrganizationAgricultural Research, Education and Extension Organization (AREEO)
چکیده [English]
The purpose of this study was to use the Multi-Temporal Sentinel-2 images and phenological index in separating and determining the cultivated area of the agricultural land in the Bastam region. To this end, the agricultural crops of the region were identified according to their types and phenological periods comprising apricot, grape, wheat, and forage corn. Three classifiers including support vector machine, maximum likelihood, and minimum distance models and field observations (points and boundaries provided by GPS) were used in order to compile a land use prediction map. Comparison of the accuracy of the three models showed that the support vector machine had the best performance, with overall accuracy and kappa coefficient of 0.86 and 0.82, respectively. The minimum distance model had the lowest classification performance with overall accuracy and kappa coefficient of 0.69 and 0.61, respectively. According to the model of support vector machine, the highest area (3423 hectares) was obtained for wheat, and the lowest was predicted for forage corn (738 hectares). Finally, the results showed that multi-temporal images and the phenological index had an acceptable capability for separation of the crops, prediction of their areas, and making suitable agricultural land use maps for the study area.
کلیدواژه‌ها [English]
Support vector machine, Maximum likelihood model, Minimum distance model, Phenological index
مراجع
  1. تراهی، ع. ا.، فیروزی‌نژاد، م.، و عبدالخانی، ع. (1396). ارزیابی عملکرد الگوریتم‌های ماشین بردار پشتیبان و حداکثر احتمال در تهیة نقشة کاربری اراضی جنگل‌های رودخانه‌ای با استفاده از سنجندة (OLI) منطقة مورد مطالعه: جنگل‌های رودخانه‌ای مارون بهبهان). سنجش از دور و GIS ایران، 9(1)، 49-62.
  2. چترنور، م.، لندی، ا.، فرخیان فیروزی، ا.، نوروزی، ع. ا.، و بهرامی، ح. ع. (1399). کاربرد طیف‌سنجی مرئی- مادون‌قرمز در کمی سازی میزان گچ خاک در کانون‌های مستعد تولید ریزگرد استان خوزستان. تحقیقات کاربردی خاک، 8(3)، 1-13.
  3. خلفی، ج.، و داورپناه، غ. (1387). تخمین سطح و تهیه نقشه اراضی زیر کشت گندم دیم با استفاده از GIS و سنجش از دور در حوزه آبخیز زنجانرود. Paper presented at the همایش ژئوماتیک 87 و چهارمین همایش یکسان سازی نامهای جغرافیایی. https://civilica.com/doc/37099
  4. رحیم زادگان، م.، و پورغلام، م. (1395). تعیین سطح زیر کشت گیاه زعفران با استفاده از تصاویر لندست (مطالعه موردی: شهرستان تربت حیدریه). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی (کاربرد سنجش از دور و GIS در علوم منابع طبیعی)، 7(4)، ۱۱۵-۹۷.
  5. رضایی مقدم، م.، ولی‍زاده کامران، خ.، اندریانی، ص.، و الماس پور، ف. (1395). مقایسه روش های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی چای). نشریه علمی جغرافیا و برنامه ریزی، 19(52)، 163-183.
  6. سفیانیان، ع.، و خداکرمی، ل. (1390). تهیه نقشه کاربری اراضی با استفاده از روش طبقه‌بندی فازی (مطالعه موردی سه زیر حوزه آبخیز کبودر آهنگ، رزن- قهاوند و خونجین- تلخاب در استان همدان). آمایش سرزمین، 3(4)، ۱۱۴-۹۵.
  7. سفیانیان، ع.، محمدی توفیق، ا.، خداکرمی، ل.، و امیری، ف. (1390). تهیه نقشه کاربری اراضی با استفاده از روش شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز کبودرآهنگ، رزن و خونجین - تلخاب در استان همدان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی (کاربرد سنجش از دور و GIS در علوم منابع طبیعی)، ۲(۱)، ۱۲-۱.
  8. کامکار، ب.، دشتی مرویلی، م.، و کاظمی، ح. (1398). تفکیک اراضی زیر کشت برنج و سویا با استفاده از تصاویر ماهواره‌ای سنتینل-2 در الگوهای کاشت تابستانه جهت تحلیل تغییرات سطح زیر کشت دو محصول در چهار حوضه آبخیز استان گلستان. مجله پژوهش‌های حفاظت آب و خاک، 26(1)، 151-167.
    doi: 10.22069/jwsc.2019.15246.3044
  9. علیپور، ف.، آق خانی، م.، عباسپور فرد، م.، و سپهر، ع. (1393). تفکیک محدوده و تخمین سطح زیر کشت محصولات کشاورزی به کمک تصاویر ماهواره­ای. ماشین­های کشاورزی، 4(2)، 244-254. doi: 10.22067/jam.v4i2.34827
  10. Adamchuk, V. I., Perk, R. L., & Schepers, J. S. (2003). EC03-702 Precision Agriculture: Applications of Remote Sensing in Site-Specific Management.
  11. Barrett, E. C., & Curtis, L. F. (1999). Introduction to environmental remote sensing: Psychology Press.
  12. Chubey, M. S., Franklin, S. E., & Wulder, M. A. (2006). Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters. Photogrammetric Engineering & Remote Sensing, 72(4), 383-394.
  13. Barrett, E. C., & Curtis, L. F. (1999). Introduction to environmental remote sensing: Psychology Press.
  14. Chubey, M. S., Franklin, S. E., & Wulder, M. A. (2006). Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters. Photogrammetric Engineering & Remote Sensing, 72(4), 383-394.
  15. Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote sensing and image interpretation: John Wiley & Sons.
  16. Liu, J., Zhu, W., Atzberger, C., Zhao, A., Pan, Y., & Huang, X. (2018). A phenology-based method to map cropping patterns under a wheat-maize rotation using remotely sensed time-series data. Remote Sensing, 10(8), 1203.
  17. McHugh, M. L. (2012). Interrater reliability: the kappa statistic. Biochemia medica, 22(3), 276-282.
  18. Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247-259.
  19. Karlson, M., Ostwald, M., Bayala, J., Bazié, H. R., Ouedraogo, A. S., Soro, B., Reese, H. (2020). The Potential of Sentinel-2 for Crop Production Estimation in a Smallholder Agroforestry Landscape, Burkina Faso. Frontiers in Environmental Science, 8, 85.
  20. Khaliq, A., Peroni, L., & Chiaberge, M. (2018). Land cover and crop classification using multitemporal sentinel-2 images based on crops phenological cycle. Paper presented at the 2018 IEEE Workshop on Environmental, Energy, and Structural Monitoring Systems (EESMS).
  21. Richards, J. A., & Richards, J. (1999). Remote sensing digital image analysis (Vol. 3): Springer.
  22. Rossi, R. J. (2018). Mathematical statistics: an introduction to likelihood based inference: John Wiley & Sons.
  23. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and computing, 14(3), 199-222.
  24. Tso, B., & Mather, P. (2009). M." Classification Methods for Remotely Sensed Data", Chapter 2-3: Taylor and Francis Group, America.
  25. Vuolo, F., Neuwirth, M., Immitzer, M., Atzberger, C., & Ng, W.-T. (2018). How much does multi-temporal Sentinel-2 data improve crop type classification? International Journal of Applied Earth Observation and Geoinformation, 72, 122-130.
  26. Xu, M., Watanachaturaporn, P., Varshney, P. K., & Arora, M. K. (2005). Decision tree regression for soft classification of remote sensing data. Remote Sensing of Environment, 97(3), 322-336.
  27. Yang, C.-C., Prasher, S. O., Enright, P., Madramootoo, C., Burgess, M., Goel, P. K., & Callum, I. (2003). Application of decision tree technology for image classification using remote sensing data. Agricultural Systems, 76(3), 1101-1117.
  28. Yi, Z., Jia, L., & Chen, Q. (2020). Crop Classification Using Multi-Temporal Sentinel-2 Data in the Shiyang River Basin of China. Remote Sensing, 12(24), 4052.
  29. Zeaiean, P., Rabiei, H. R., & Alimohamadi, A. (2005). Detection of Land Use/Cover Changes of Isfahan by Agricultural Lands around Urban Area Using Remote Sensing and GIS Technologies. The Journal of Spatial Planning, 9(4), 41-54.
آمار
تعداد مشاهده مقاله: 207
تعداد دریافت فایل اصل مقاله: 191


Contact Us | Help & Support | Site Map
counter

Journal Management System. Designed by sinaweb.