تهیه نقشه اراضی کشاورزی با استفاده از تلفیق روش های قطعه بندی و طبقه بندی در گوگل ارث انجین (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تهیه نقشه اراضی کشاورزی یکی از لایه های اطلاعاتی مورد نیاز در مدیریت این زمین ها محسوب می شود. چنین نقشه هایی امکان پایش مستمر زمین های کشاورزی را در طول دوره کشت، فراهم می کنند. در این مطالعه، راهکاری به منظور تولید نقشه اراضی کشاورزی شهرستان شهرکرد، در دو کلاس زراعی و غیرزراعی، با استفاده از سری زمانی شاخص های مستخرج از تصاویر سنتینل 2 داده شده است. ازآن جا که استفاده از منابع داده حجیم یکی از موانع بهبود روش های مبتنی بر سری زمانی تصاویر ماهواره ای به شمار می رود، در این پژوهش از بستر پردازشی گوگل ارث انجین استفاده شده است. روش مطرح شده برمبنای تلفیق نتایج طبقه بندی نظارت شده پیکسل مبنا با نتایج قطعه بندی عمل می کند؛ به نحوی که ابتدا داده های آموزشی طبقه بندی نظارت شده، طی یک فرایند پالایشی سخت گیرانه، بدون نیاز به عملیات میدانی فراهم می شوند. سپس با محاسبه تفکیک پذیری دو کلاس هدف در سری زمانی هر شاخص، شاخص های بهینه انتخاب می شود. در نهایت، با تلفیق نتایج روش های قطعه بندی و طبقه بندی براساس آرای به دست آمده از نتایج طبقه بندی، به هر قطعه تصویری کلاس زراعی یا غیرزراعی نسبت داده می شود. این اقدام، علاوه بر دخالت دادن اطلاعات مکانی اعم از لبه ها و مجاورت های مکانی، توانسته است نویز و نتایج متخلخل طبقه بندی پیکسل مبنا را بهبود بخشد و دقت کلی نقشه نهایی را از 7/90 به 05/96 افزایش دهد. همچنین دقت کاربر دو کلاس زراعی و غیرزراعی به ترتیب 27/3 و 97/7% بهبود را نشان می دهند.Cropland Mapping through Integration of Segmentation and Classification Techniques in Google Earth Engine
Map of croplands is one of the information layers required in the efficient management of these lands. Having such maps makes it possible to monitor agricultural fields during the growing season continuously. In this study, a solution to produce map of Shahrekord’s agricultural lands in two agricultural and non-agricultural classes is presented using the time series of different extracted indices from Sentinel-2 images. Since the use of large data sources is one of the obstacles to the development of methods based on the time series of satellite images, the Google Earth engine processing platform has been used in this study. The proposed method is based on integrating supervised pixel-based classification results with segmentation results. First, training data of supervised classification is provided in a rigorous refining process without the need of collected data from field surveys or interpretation of high-resolution satellite images. Then, by calculating the separability of the two target classes in the time series of each index, the optimal indices are selected. Finally, by combining the results of segmentation and classification methods based on the votes obtained from the classification results, agricultural or non-agricultural class is assigned to each of the image segments. In addition to incorporating spatial information including edges and spatial proximity, this method has been able to improve the noise and porous results of pixel-based classification and has increased the overall accuracy of the final map from 90.7% to 96.05%. Also, user accuracy of both agricultural and non-agricultural classes show an improvement of 3.27 and 7.97%, respectively.
تبلیغات
