داود عاشورلو

یکی از اهداف مهم در کشاورزی پایدار، حفظ اکوسیستم های سالم با تاکید بر مدیریت منابع زمینی، آبی و طبیعی به منظور تحقق امنیت غذایی در سطوح محلی تا جهانی است. داده های سری زمانی سنجش از دور به عنوان منبعی وسیع و ارزشمند از اطلاعات طیفی و زمانی، توانسته محققان را در پیشبرد اهداف مدیریت مزرعه کمک کند. مدیریت مزرعه همیشه با چالش هایی همراه بوده و عدم دسترسی به اطلاعات کمی و کیفی محصولات زراعی از مشکلات این حوزه به شمار می رود. هدف از این تحقیق، توسعه و کاربرد شاخص های وضعیت محصول و مزرعه با استفاده از داده های سری زمانی NDVI ماهواره Sentinel-2)) و نقشه نوع محصول مزارع شرکت کشت و صنعت مغان در سال 1396-1395 و شرکت کشت و صنعت شهید رجایی دزفول در سال 1396-1397 است تا به وسیله آن، مناطقی که توسط عواملی همچون بیماری، هجوم آفات و علف های هرز و همچنین مشکلات خاک و عدم توزیع نامناسب آب آبیاری در مزرعه، دچار تغییر فنولوژیکی در طول زمان شده اند، شناسایی شوند. برای این منظور، داده های سری زمانی شاخص NDVI برای 4 نوع محصول (گندم، ذرت، یونجه و چغندرقند) و در مزارع مختلف محاسبه شد و برای نشان دادن وضعیت مزرعه و محصول در هر مزرعه و مزارع نسبت به هم، دو شاخص وضعیت مزرعه و محصول توسعه داده شد. ارزیابی نتایج این شاخص ها با مشاهدات زمینی، حاکی از آن است که محصول یونجه در کشت و صنعت مغان و گندم در کشت و صنعت شهید رجایی دزفول به ترتیب 88/88 و 11/94 درصد، بالاترین دقت (صحت کلی) را در بین محصولات منطقه داشتند.

مشخصه های استخراج شده از تصاویر ماهواره ای تک زمانه نمی تواند در طبقه بندی محصولات کشاورزی به صحت بالای طبقه بندی منتج شود؛ بدین سبب، استفاده از تصاویر چندزمانه و اطلاعات بافت این تصاویر در پژوهش حاضر بررسی شده است. این تحقیق تفکیک چهار محصول یونجه، گندم، سیب زمینی و خیار را در شهرستان قروه، با استفاده از تصویر تک زمانه و چندزمانه (ASTER & SPOT5)، بررسی می کند. این تحقیق هفت تصویر مربوط به هفت زمان متفاوت را بررسی کرده و با استفاده از جدول تفکیک پذیری، به این نتیجه رسیده که تصویر 11 تیر بهترین تصویر تک زمانه و ترکیب 11 تیر و 21 مهر بهترین تصویر دوزمانه است. در تحقیق حاضر، از روشGLCM برای استخراج بافت استفاده شده است. برای استخراج شاخص های بافت از این روش، اندازة تقریبی پنجره با استفاده از واریوگرام تعیین شد و سپس شاخص های به دست آمده با باندهای طیفی تصویر تک زمانه و دوزمانه ترکیب شدند. سپس طبقه بندی با استفاده از انواع ترکیبات تصویر تک زمانه و دوزمانه و شاخص های گوناگون اجرا شد. در طبقه بندی طیفی بهترین تصویر تک زمانه (11 تیر)، صحت کلی طبقه بندی حدود 24% بیشتر از کمترین صحت طبقه بندی مربوط به تصویر 10 مرداد (76.02% در برابر 52.28%) به دست آمد. صحت طبقه بندی با استفاده از تصویر دوزمانه به حداکثر می رسد و با اضافه کردن تصاویر بعدی، افزایشی ندارد. در تصویر پنج زمانه، صحت طبقه بندی از تصویر دوزمانه بیشتر می شود اما، با اضافه کردن شاخص های بافت، حدود 5% از صحت طبقه بندی دوزمانه با شاخص های بافت کاسته شد. بدین ترتیب مشخص می شود که بافت می تواند نقشی بیشتر از چند تصویر داشته باشد. بهترین طبقه بندی در بهترین ترکیب دوزمانه (11 تیر و 21 مهر) به دست آمد (97.48%). در تصاویر تک زمانه، تصویر 11 تیر بالاترین صحت طبقه بندی (95.2%) را به دست آورد. نتایج نشان داد که استفاده از تصاویر چندزمانه به همراه شاخص های بافت، درمقایسه با روش های مرسوم (بدون استفاده از شاخص های بافت یا تصاویر چندزمانه)، دقت بسیار بالاتری دارد.