کشاورزی دقیق
مهدی سعدیخانی؛ محمد مهدی مهارلویی؛ محمدعلی رستمی؛ محسن عدالت
چکیده
سنجش از دور فنّ بهدستآوردن اطلاعات درباره یک شئ، عارضه و یا پدیدههای مربوط به یک منطقه جغرافیایی خاص بدون تماس فیزیکی با آنها است. دستیابی به دقت بالا در طبقهبندی عوارض سطح زمین به کمک تصاویر چندطیفی همواره مد نظر پژوهشگران بوده است. یکی از عوامل کاهش دقت نقشه طبقهبندی، ناهموار بودن سطح زمین است. وجود نقاط مرتفع موجب میشود ...
بیشتر
سنجش از دور فنّ بهدستآوردن اطلاعات درباره یک شئ، عارضه و یا پدیدههای مربوط به یک منطقه جغرافیایی خاص بدون تماس فیزیکی با آنها است. دستیابی به دقت بالا در طبقهبندی عوارض سطح زمین به کمک تصاویر چندطیفی همواره مد نظر پژوهشگران بوده است. یکی از عوامل کاهش دقت نقشه طبقهبندی، ناهموار بودن سطح زمین است. وجود نقاط مرتفع موجب میشود که سنجنده در دریافت دقیق اطلاعات بازتابی از سطح پدیدهها با مشکل روبهرو شود. تصاویر رادار با ارائه مدل رقومی ارتفاع (DEM) در شناسایی و تعیین ارتفاع پدیدههای سطح زمین موثر است. استفاده از خصوصیات تصاویر دو سنجنده کاملاً متفاوت بهمنظور بهرهگیری از قابلیتهای مثبت آنها با کمک روش ادغام تصاویر ممکن میشود. در این پژوهش بهمنظور برآورد سطح زیر کشت و طبقهبندی محصولات زراعی و سایر پدیدههای موجود در منطقه مورد مطالعه، از تصاویر چندطیفی ماهواره سنتینل2 مربوط به منطقه باجگاه واقع در استان فارس استفاده شد. بدین منظور سری زمانی NDVI متشکل از 13 تصویر ایجاد و با تصویر راداری سنجنده PALSAR در سطح پیکسل، با هدف حذف نقاط مرتفع، تلفیق شد. نتایج این پژوهش نشان داد طبقهبندی تصاویر برای شناسایی مزارع زیر کشت محصولات مختلف با دقت بالایی انجام شده است و سطح زیر کشت با دقت 97درصد در گندم، 99.5درصد در جو و 96.5 درصد در کلزا نسبت به مقادیر اندازهگیریشده در مزرعه تخمین زده شده است. تصاویر ادغامشده دارای دقت کلی 98.1 درصد و ضریب کاپا 0.97 بود که دقت کلی را نسبت به تصاویر مجزا 7.5 درصد بهبود بخشید.
سحر رهنما؛ محمد مهدی مهارلویی؛ محمدعلی رستمی؛ حسین مقصودی
چکیده
محصول خرما یکی از ارزشمندترین محصولات باغبانی در ایران بهشمار میآید که 16% کل صادرات جهانی را شامل میشود. استان کرمان دومین رتبه در سطح زیر کشت خرما در ایران را دارا است. به همین منظور تعیین سطح زیر کشت خرما اهمیت پیدا کرده است. برخی از سازمانها برای تعیین سطح زیر کشت از سرشماری استفاده میکنند که معایب آن هزینه بالا و اتلاف وقت ...
بیشتر
محصول خرما یکی از ارزشمندترین محصولات باغبانی در ایران بهشمار میآید که 16% کل صادرات جهانی را شامل میشود. استان کرمان دومین رتبه در سطح زیر کشت خرما در ایران را دارا است. به همین منظور تعیین سطح زیر کشت خرما اهمیت پیدا کرده است. برخی از سازمانها برای تعیین سطح زیر کشت از سرشماری استفاده میکنند که معایب آن هزینه بالا و اتلاف وقت و نیاز به نیروی انسانی زیاد برای پوششدهی کل کشور است. هدف از این تحقیق سنجش توانایی ماهواره لندست 8 با سنجده OLI در شناسایی و تعیین سطح زیر کشت نخلستانها است. برای پی بردن به بهترین روش برای شناسایی نخلستانها چهار روش طبقهبندی نظارتشده Maximum Likelihood Classifier (MLC), Support Vector Machines (SVM), Neural Network (NN), Mahalanobis Distance Classifier (MDC) و یک روش طبقهبندی نظارتنشده (K-Means) مورد ارزیابی قرار گرفت. نتایج طبقهبندیها نشان داد که دقت کلی طبقهبندی10/99 % (ضریب کاپا 98/0) با استفاده از NN، 77/98 % (ضریب کاپا 975/0) با استفاده از MLC، 66/98 % (ضریب کاپا 973/0) با استفاده از SVM، 52/98 % (ضریب کاپا 97/0) با استفاده از MDC و 52/66 % ( ضریب کاپا 31/0) با استفاده از K-Means است. خطای تخمین مساحت نخیلات با استفاده از ( RMSE) در روش NN (0)، در روش MLC (2/0)، در روش MDC (06/0)، در روش SVM (0) و در روش K-Means (0) محاسبه شد. پس از تحلیلدادهها بهترین روش طبقهبندی برای شناسایی نخلستانها روش NN شناخته شد. در پژوهش حاضر، با بررسی انجامشده بر رویدادهها در ماتریس آشفتگی مشخص شد که SVM قدرت بالاتری برای شناسایی نخلستان با تشخیص 100% سامانه (تولیدکننده) نسبت به MLC را داشت و همچنین K-Means نیز میتواند نخلستان خرما را شناسایی کند اما مناطقی که به رنگ قهوهای تیره هستند را نیز بهعنوان نخلستان شناسایی کرده است. در مجموع میتوان گفت هر چهار روش طبقهبندی نظارتشده با دقت قابل قبولی میتوانند نخلستان را شناسایی کنند.