تفکیک محصولات زراعی با استفاده از ترکیب تصاویر سنتینل-1 و 2 در استان اردبیل (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: شناسایی و نقشه کردن محصولات زراعی اطلاعات مهمی برای مدیریت زمین های کشاورزی و برآورد سطح زیر کشت محصولات زراعی فراهم می کند. تصاویر اپتیک و راداری، منابع ارزشمندی برای طبقه بندی زمین های کشاورزی است. ویژگی های مستخرج از تصاویر اپتیک حاوی اطلاعاتی در مورد امضای بازتابی محصولات مختلف است. در مقابل، یک تصویر راداری فراهم کننده اطلاعاتی در مورد خصوصیات ساختاری و سازوکارهای پراکنش محصولات است. ترکیب این دو منبع قادر به ایجاد یک مجموعه داده مکمل با تعداد چشمگیری از ویژگی های زمانی طیفی، بافت و قطبیده برای طبقه بندی زمین های کشاورزی است. مواد و روش ها: این پژوهش به بررسی اهمیت باندهای لبه قرمز برای تفکیک محصولات زراعی شامل گندم، جو، یونجه، لوبیا، باقلا، کتان، ذرت، چغندر قند و سیب زمینی با استفاده از روش جنگل تصادفی و ماشین بردار پشتیبان می پردازد. بدین منظور سری زمانی تصاویر سنتینل-1 و 2 در سال 2019 از شمال غرب شهر اردبیل در پلتفرم ارت انجین فراخوانی شد. ترکیب های متفاوت باندها برای بررسی تأثیرات اطلاعات طیفی و زمانی، شاخص های گیاهی و اطلاعات بازپراکنش برای طبقه بندی محصولات بررسی شد. با استفاده از روش انتخاب ویژگی جنگل تصادفی ویژگی های مهم شناسایی و به عنوان ورودی الگوریتم جنگل تصادفی و ماشین بردار پشتیبان معرفی شدند. نتایج و بحث : جنگل تصادفی برای تمامی سناریوها بهترین نتیجه را به دست آورد. نتایج نشان داد افزودن طول موج های لبه قرمز و شاخص های مشتق شده از آن باعث شد محصولاتی همچون جو، لوبیا، باقلا و کتان نسبت به سایر محصولات با صحت بالاتری تفکیک شود. بهترین نتیجه در میان ترکیبات مختلف ویژگی ها مربوط به تلفیق سری زمانی ویژگی های طیفی تصاویر سنتینل-2 با سری زمانی تصاویر سنتینل-1 بود. صحت کلی 67/84 درصد و ضریب کاپا 31/ 82 درصد به دست آمد. نتایج نشان داد باندهای لبه قرمز و شاخص های پوشش گیاهی مبتنی بر آن به تنهایی قابلیت جداسازی محصولات زراعی را از همدیگر دارند. نتیجه گیری: پیشنهاد می شود برای دستیابی به صحت بالاتر در تفکیک محصولات زراعی انتخاب باندهای طیفی هدفمند مورد توجه قرار گیرد. ترکیبی از تصاویر راداری و اپتیک همیشه از روش طبقه بندی براساس تک سنجنده بهتر عمل می کند و به افزایش اطلاعات طبقه بندی منجر می شود.Crop mapping using a combination of Sentinel-1 and 2 images in Ardabil province
Introduction: Identifying and mapping crops provides important information to agricultural lands management and cultivation area estimation of crops. Optical and radar images are valuable resources for classifiying agricultural land. Features deriverd from optical images contain information about the reflectance signatures of various products, while radar images provides information about the structural characteristics and distribution mechanisms of products. The combination of these two sources can create a complementary dataset with a significant number of spectral, texture and polarized temporal features for the classification of agricultural land
Material and methods: This study aims to explore the significance of red edge bands for the segregation of crops such aswheat, barley, alfalfa, beans, broad beans, flax, corn, sugar beet and potatoes using the random forest method and support vector machine. To conduct the analysis, a time series of Sentinel-1 and 2 images 2019 in the northwest region of Ardabil was retrieved from the Google Earth Engine (GEE) platform. The study evaluates the effectiveness of spectral and temporal information, plant indices and backscatter information on the crop mapping by examining different combinations of bands. Through the random forest feature selection method, essential features are identified and utilized as inputs for both the random forest and support vector machine classifiers.
Results and discussion: The random forest provided the most favorable outcomes across all scenarios. The results revealed that incorporating red edge wavelengths and red edge-based vegetation indices proved more beneficial than other bands and vegetation indices for differentiating between barley, beans, broad beans, and flax. The most optimal outcome among various feature combinations was associated with the time series of spectral features from Sentinel-2 images combined with the time series of Sentinel-1 images, resulting in an overall accuracy of 84.67% and a kappa coefficient of 82.31%. Furthermore, the results demonstrated that red edge bands and red edge-based vegetation indices effectively distinguish between different types of crops
Conclusion: It is recommended to carefully consider the selection of specific spectral bands to achieve higher accuracy in separation of crops. It is important to highlight that combining radar and optical images consistently yields superior results compared to classification methods based on a single sensor, leading to increased classification information.
تبلیغات
