این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
سنجش از دور و Gis ایران، جلد ۱۷، شماره ۱، صفحات ۱-۲۲
عنوان فارسی شناسایی مزارع سیب‌زمینی برمبنای شاخص فنولوژی و الگوریتم ماشین بردار پشتیبان با استفاده از سامانۀ رایانش ابری Google Earth Engine
چکیده فارسی مقاله سابقه و هدف: سیب‌زمینی چهارمین محصول کشت‌شده در جهان است. با توجه به اهمیت استراتژیک این محصول در تأمین امنیت غذایی، تهیۀ نقشه‌های دقیق از سطوح زیرکشت آن اطلاعات ضروری برای تخمین و پیش‌بینی میزان عملکرد محصول در مقیاس‌های متفاوت را فراهم می‌کند. اگرچه تا کنون رویکردهای متفاوت سنجش از دور، مبتنی‌بر سنجنده‌های اپتیکی یا مایکروویو، به‌طور گسترده برای پایش مزارع گوناگون (شامل سطح زیرکشت محصولات، شرایط و پیش‌بینی عملکرد آنها) به کار رفته، با استفاده از داده‌های سنجش از دور و یادگیری ماشین کمتر برای شناسایی مزارع سیب‌زمینی اقدام شده‌ است. در این راستا، پژوهش حاضر به شناسایی و نگاشت محصول سیب‌زمینی در قطب تولید آن در کشور پرداخته است و سعی در مهیا‌سازی اطلاعات دقیق سطوح زیرکشت این محصول، برای حوزۀ مدیریت کلان کشاورزی را دارد. مواد و روش‌ها: ازآنجاکه بیشتر محصولات کشاورزی، در طول دورۀ کشت، ویژگی‌های طیفی‌ـ‌ زمانی منحصربه‌فردی دارند، این پژوهش با استفاده از تصاویر سری زمانی و بدون آستانه‌گذاری صریح، روشی را برای تمایز دادن مزارع سیب‌زمینی از سایر محصولات مطرح کرده است. طبق این روش، با استفاده از لایه‌های مبتنی‌بر فنولوژی محصول سیب‌زمینی و نیز یادگیری ماشین، به شناسایی این محصول روی آورده شد. به‌منظور بهینه‌سازی پارامترهای داخلی الگوریتم، براساس داده‌های زمینی نوع محصول در سایت مورد مطالعه که مجموعاً شامل 1648 نمونه از مزارع سیب‌زمینی و سایر محصولات می‌شود، آموزش و ارزیابی مدل انجام شد. این داده‌ها با استفاده از گیرندۀ GPS دستی نمونه‌برداری شد. در این پژوهش، نگاشت مزارع سیب‌زمینی با استفاده از تصاویر ماهوارۀ سنتینل‌ـ 2 و الگوریتم ماشین‌ بردار‌ پشتیبان انجام شد. با تهیۀ لایه‌های ورودی مناسب که شامل شاخص فنولوژیکی محصول سیب‌زمینی و شاخص آماری میانۀ‌ NDVI (سری زمانی تصاویر ماهوارۀ سنتینل‌ـ 2) در بازه‌های مشخص می‌شود، مزارع سیب‌زمینی با دقت شناسایی شد. دراِدامه، این لایه‌ها به‌منزلۀ ورودی‌های ماشین‌ بردار ‌پشتیبان به کار رفت. به‌منظور آموزش مدل بهینه برای ماشین‌ بردار ‌پشتیبان با استفاده از کرنل RBF، مقادیر gamma و C با روش 5-fold cross validation بهینه‌سازی شد. سپس این مقادیر، در فرایند اجرای الگوریتم، با استفاده از سامانۀ رایانش ابری گوگل ارث انجین به کار رفت. کارآیی روش پیشنهادی در شهرستان‌های همدان و بهار که بیشترین میزان کشت این محصول را در ایران دارند، ارزیابی شد. نتایج و بحث: براساس نتایج، مقادیر بهینه برای پارامترهای داخلی مدل C=70 و γ=0.3 محاسبه شد. این مقادیر در تابع RBF، به‌منظور شناسایی سطوح زیرکشت محصول سیب‌زمینی، در نظر گرفته شد. با اجرای الگوریتم طبقه‌بندی و سپس اعمال فیلتر Majority، نقشۀ سطوح زیرکشت سیب‌زمینی برای منطقۀ مورد مطالعه تهیه شد. این نقشه بیشترین تراکم کشت محصول سیب‌زمینی را در محدودۀ مرزی دو شهرستان (شمال‌غرب شهرستان همدان و شرق شهرستان بهار) نشان داد. سطح زیرکشت سیب‌زمینی برای سال زراعی 1399-1400، در شهرستان همدان، برابر 1/4527 هکتار و در شهرستان بهار، برابر 3/6088 هکتار به دست آمد. در ارزیابی نتایج، صحت کلی و ضریب کاپا به‌ترتیب برای همدان، 9/90% و 82/0 و برای بهار، 3/93% و 87/0 براساس ماتریس خطا برآورد شد. نتایج پژوهش حاضر به کارآیی الگوریتم ماشین ‌بردار‌ پشتیبان در شناسایی سطوح زیرکشت محصول سیب‌زمینی اشاره دارد و همچنین نشان داده است که شاخص‌های منطبق‌بر فنولوژی سیب‌زمینی را می‌توان، به‌منزلۀ ویژگی‌های متمایزکننده در شناسایی بهتر مزارع این محصول، استفاده کرد. نتیجه‌گیری: شناسایی مزارع سیب‌زمینی، با استفاده از لایه‌های ورودی شاخص‌های منطبق‌بر فنولوژی محصول در الگوریتم ماشین‌ بردار‌ پشتیبان، نشان داد این روش می‌تواند صحت شناسایی سطوح زیرکشت این محصول را در سطح پایلوت بهبود ببخشد. ازاین‌رو می‌توان، برای شناسایی سایر محصولات مهم کشاورزی و نیز در دیگر مناطق، رویکردی مشابه را پیش گرفت و نتایج را ارزیابی کرد. همچنین پیشنهاد می‌شود کارآیی داده‌های مایکروویو و سایر الگوریتم‌های یادگیری ماشین در پژوهش‌های آینده مورد توجه قرار گیرد.
کلیدواژه‌های فارسی مقاله شناسایی محصول،سیب‌زمینی،سری زمانی تصاویر ماهوارۀ سنتینل‌ـ 2،سامانۀ گوگل ارث انجین،ماشین‌ بردار پشتیبان،
عنوان انگلیسی Potato Fields Mapping Based on the Phenology Feature and Support Vector Machine Utilizing Google Earth Engine Platform
چکیده انگلیسی مقاله Introduction: Potato is the fourth most cultivated crop worldwide. In terms of its strategic role in food security, accurate potato mapping provides essential information for national crop censuses and potato yield estimation and prediction at any scale. Although remote sensing (RS) approaches based on optical and/or microwave sensors have been widely employed to monitor cultivated lands (including crop area, conditions, and yield forecasting), the identification of potato planting areas using RS data and machine learning has not been much addressed. As a result, the present research addresses the literature gap by suggesting an effective potato mapping approach in Iran's main production center and tries to provide accurate information on the cultivated areas of this crop for the field of agricultural management. Material and Methods: Since most crops have specific spectral and temporal characteristics during their cultivation period, this research has presented a method to discriminate potato fields from other crops using time series images without explicit thresholding. Is. This method identified this product by using layers based on potato phenology and machine learning. We employed the ground truth data of the crop types from the studied site, which included a total of 1648 samples of potato fields and other crops, to optimize the internal parameters of the algorithm, train, and evaluate the model. A handheld GPS receiver was used to collect this data. This research employed Sentinel-2 satellite images and the Support Vector Machine (SVM) algorithm to map potato fields. To accurately identify potato fields, we prepared appropriate input layers, including the phenological index of the potato crop and the median statistical index of NDVI (time series of Sentinel-2 satellite images) at specific intervals. We used these layers as inputs to the SVM. We optimized the gamma and C values using the 5-fold cross-validation method to train the optimal model for SVM using the RBF kernel. We then used these values in the algorithm implementation process under the Google Earth Engine cloud computing platform. We assessed the efficacy of the suggested approach in the Iranian cities of Hamedan and Bahar, key sites for the cultivation of this particular crop. Results and Discussion: Based on the results, the optimal values for the internal parameters of the model (C = 70 and γ = 0.3) were calculated. We included these values in the RBF function to identify the cultivated areas of the potato crop. By implementing the classification algorithm and then applying the majority filter, a map of the areas under potato cultivation was prepared for the study area. This map showed the highest density of potato cultivation in the border area of two cities (northwest of Hamedan city and east of Bahar city). The calculated total area for potato farming was 4527.1 hectares in Hamedan city and 6088.3 hectares in Bahar city. The estimated overall accuracy and Kappa coefficient are 90.9% and 0.82 for Hamedan and 93.3% and 0.87 for Bahar, respectively. The present research's results demonstrate the effectiveness of the SVM algorithm in detecting potato cultivation areas, highlighting the potential of using indicators corresponding to potato phenology as distinguishing features for improved identification. Conclusion: By employing the SVM method, we effectively identified potato fields by utilizing layers of indicators that correspond to crop phenology. At the trial stage, it was demonstrated that this method can improve the potato acreage mapping process. Therefore, a similar approach can be evaluated for identifying other important crops in other regions. It is also suggested that the efficiency of microwave data and other machine learning algorithms be considered in future research.
کلیدواژه‌های انگلیسی مقاله شناسایی محصول,سیب‌زمینی,سری زمانی تصاویر ماهوارۀ سنتینل‌ـ 2,سامانۀ گوگل ارث انجین,ماشین‌ بردار پشتیبان
نویسندگان مقاله سلمان گودرزدشتی |
مرکز مطالعات سنجش از دور و GIS، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

محمد سیفی |
مرکز مطالعات سنجش از دور و GIS، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

مهشید کهندل |
مرکز مطالعات سنجش از دور و GIS، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

داود عاشورلو |
مرکز مطالعات سنجش از دور و GIS، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

حسین عقیقی |
مرکز مطالعات سنجش از دور و GIS، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

نشانی اینترنتی https://gisj.sbu.ac.ir/article_103148_1e8fc0fc4416e57c6c956d728af5dcce.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات