ارائه روشی دانش مبنا برای تمییز محصولات زراعی و برآورد سطح زیر کشت (مطالعه موردی: دشت مغان) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه: نظارت و اطلاع از آمار دقیق و بهنگام سطح زیر کشت محصولات کشاورزی و برآورد میزان تولیدات کشاورزی نقش مهمی در برنامه ریزی های صحیح اقتصادی، واردات و صادرات دارد. امروزه به دلیل هزینه ی پایین و سرعت بالای روش های سنجش ازدوری، میزان استفاده از این علم برای تولید آمار به هنگام سطح زیر کشت محصولات زراعی در حال گسترش می باشد.هدف: هدف اصلی پژوهش حاضر توسعه ی روشی دانش مبنا مبتنی بر مفاهیم شی ءگرایی با لحاظ نمودن شروط مکانی و زمانی به منظور بهبود دقت تمییز محصولات زراعی و همچنین کاهش تعداد نمونه برداری های زمینی می باشد.روش شناسی: تحقیق حاضر در سه مرحله اصلی انجام می شود: مرحله ی اول شامل ایجاد ساختار شی ءگرایی (استخراج ویژگی های هر مزرعه و ذخیره آن)، مرحله ی دوم ایجاد پایگاه دانش بر اساس استخراج امضای طیفی محصولات زراعی مختلف و شروط مکانی-زمانی و مرحله ی سوم شامل تمییز و تعیین نوع محصولات کاشته شده در هر مزرعه بر روی تصاویر ماهواره ای جدید (مجهول) با استفاده از دانش و اطلاعات ذخیره شده در هر مزرعه (شی ء) می باشد.قلمرو جغرافیایی پژوهش: روش پیشنهادی به دلیل اهمیت و تنوع محصولات دشت مغان با استفاده از اطلاعات (مکانی و طیفی) سال زراعی 1399-۱۳۹8 در این دشت پیاده سازی شد. همچنین به منظور بررسی قابلیت روش از پایگاه دانش ایجاد شده برای سال زراعی 1400-۱۳۹9 و بدون نمونه برداری های زمینی، استفاده شد.یافته ها و بحث: روش پیشنهادی در سه تاریخ مختلف (اواخر فروردین، اواخر اردیبهشت ماه و اواسط خردادماه) از یک سال زراعی پیاده سازی شد. دقت کلی روش برای تمییز محصولات در تاریخ های بیان شده به ترتیب 66/94، 5/91 و 12/95 درصد محاسبه شد که نسبت به روش طبقه بندی بیشترین شباهت بهبودی بیش از 10 درصد را نشان می دهد. دقت کلی تمییز محصولات در سال 1400-1399 نیز در شرایط بدون استفاده از داده های زمینی به منظور به روز رسانی و تغییر پایگاه دانش روش، برای تاریخ های اول و دوم به ترتیب 3/92 و 6/90 درصد بود.نتیجه گیری: نتایج نشان داد استفاده از شروط پایگاه دانش که با استفاده از شرایط مکانی-زمانی و رفتار طیفی محصولات زراعی تعیین و تدوین می شوند، موجب افزایش دقت تمییز محصولات زراعی در مقایسه با روش های عادی مانند طبقه بندی بیشترین شباهت می شود. همچنین طبق نتایج تا زمانی که قیود پایگاه دانش ایجاد شده سازگار باشد، می توان بدون نیاز به نمونه برداری زمینی در سال های زراعی بعدی به منظور به روز رسانی پایگاه دانش، از آن برای تمییز محصولات زراعی استفاده نمود.Providing a knowledge-based method for distinguishing crops and estimating a cultivation area (Case study: The Moghan Plain)
Introduction: Monitoring and knowing accurate and update statistics of a cultivation area and estimating agricultural production is essential in proper economic planning, import, and export.Purpose: A primary purpose of the research is to develop a knowledge-based method based on the concepts of objectivism in terms of spatial and temporal conditions. This method seems to improve the accuracy of crop discrimination and reduce the number of ground samplings.Methodology: The present study is carried out in three main stages. The first stage includes creating an object-oriented structure (extracting the characteristics of each farm and storing them). The second stage is building a knowledge base according to spectral signatures of crops and spatial-temporal conditions. The third stage includes discriminating crops in satellite images using the proposed method.Study area: Due to the importance and diversity of Moghan plain and its products, the proposed method was implemented using information (spatial and spectral) of the 2019-2020 cultivation season there. Results and Discussion: The overall accuracy of the proposed method for discriminating crops at three different dates (stages of crop growth), including April (beginning of a wheat’s green growth), May, and mid-June (before a wheat’s harvest), were 94.66, 91.5, and 95.12 percent, respectively. That shows an improvement of more than 10% compared to the Maximum-likelihood Classification. Results: The results showed that using Spatio-temporal conditions and spectral behavior of crops from their planting to harvest time can increase crop discrimination accuracy compared to the maximum likelihood classification method.
تبلیغات
