آرشیو

آرشیو شماره ها:
۶۲

چکیده

امروزه کاربردهای تصاویر ماهواره ای، در پایش و مدیریت زمین های کشاورزی، رو به گسترش است. با توجه به قدرت تفکیک مکانی، طیفی و زمانی بالای تصاویر سنتینل 2، در این مطالعه، در کشاورزی دقیق در شهرستان قروه از این تصاویر استفاده شده است. ابتدا با توجه به تقویم زراعی محصولات متفاوت آن منطقه، تصاویر سری زمانی جمع آوری شد. در روش پیشنهادی، نخست، فضای ویژگی طیفی براساس بازتاب طیفی باندها و همچنین شاخص های گیاهی، ایجاد شد. ابعاد فضای ویژگی طیفی، با استفاده از روش آنالیز مؤلفه های اصلی، کاهش یافت. سپس چهار طبقه بندی کننده قدرتمند ماشین های بردار پشتیبان، شبکه عصبی پرسپترون چندلایه، نزدیک ترین k همسایه و جنگل های تصادفی نقشه طبقه بندی از اطلاعات طیفی تولید کردند. در ادامه، مکانی با هدف تعیین مرز مزارع، اطلاعات استخراج شد. برای این منظور، از شناسایی لبه ها در سری زمانی تصاویر سنتینل 2 استفاده شد. در نهایت، نقشه طبقه بندی نهایی، با تلفیق اطلاعات مکانی و ادغام نتایج طبقه بندی کننده ها ایجاد شد. نتایج به دست آمده نشان داد که دقت طبقه بندی کننده های نزدیک ترین k همسایه، ماشین های بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و جنگل های تصادفی روی فضای ویژگی طیفی اولیه، به ترتیب 78/77%، 16/79%، 41/76% و 89/76% است. با استفاده از روش پیشنهادی، دقت طبقه بندی به 72/94% افزایش پیدا کرد که حاکی از توانایی آن در منطقه مورد مطالعه است.

Fusion of spectral and spatial information for agricultural crop classification in multi-temporal Sentinel images (Case Study: Qorveh County)

Nowaday, there are wide applications for satellite images in agriculture monitoring and management. According to high spatial, spectral and temporal resolution of Sentinel-2 images, we used them for precise agriculture in Qorveh country. Proposed methd consist of five step: firstly, multi-temporal images are collected based on agriculture calender of crops. Then feature space is generated based on spectral reflectance and vegetation indices which consists of 70 features. According to high dimensionality of feature space, principle component analysis is applied to reduce its dimension. Four power classifiers include support vector machine, k-nearest neighbour, multi-layer perceptron and random forests classify the reduced spectral feature space. On the other hand, spatial information are extracted from multi-temporal multispectral images. For this pupose, strandard deviation (STD) maps are generated for red, NIR and SWIR bands of each epoch. Then, by averaging the STD maps, final STD map is obtained. Edge detection is performed on STD map and it improves by removing small lines, smoothing, thining, etc. Finally, crop mapping is done by fusion of four classification maps and agriculture farm boundaries. The obtained results show that classification accuracy of k-nearest neighbour, support vector machine, multi-layer perceptron and random forest classifiers are 77.78%, 79,16%, 76.41% and 76.89%, respectively. The overall accuracy of the proposed method improve up to 94.72% which proves high potential of the proposed method.

تبلیغات