تعیین سطح زیر کشت گیاه زعفران با استفاده از تصاویر لندست (مطالعۀ موردی: شهرستان تربت‌ حیدریه)

محورهای موضوعی : توسعه سیستم های مکانی

مجید رحیم‌زادگان ¹ , مصطفی پورغلام ²

1 - استادیار دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیر الدین طوسی
2 - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، واحد لارستان، دانشگاه آزاد اسلامی، لارستان، ایران

تاریخ دریافت : 1395/06/06 تاریخ پذیرش : 1395/10/28 تاریخ انتشار : 1395/12/01

کلید واژه: سطح زیر کشت زعفران, اوج سبزینگی, شاخص‌های گیاهی, تربت حیدریه, روش‌های طبقه‌بندی,

چکیده مقاله :

هدف این تحقیق، شناسایی سطح زیر کشت محصول زعفران در شهرستان تربت حیدریه با استفاده از تصاویر ماهواره‌ای 8-Landsat با استفاده از روش‌های طبقه‌بندی شبکه عصبی مصنوعی، ماشین‌های بردار پشتیبان، فاصله‌ ماهالانوبیس، حداقل فاصله، حداکثر احتمال، متوازی‌السطوح برای تهیه نقشة‌ پوشش و استفاده از شاخص‌های گیاهی نرمال شده تفاضل پوشش گیاهی (NDVI) و شاخص پوشش گیاهی با انعکاس خاک (SAVI) در دوره اوج سبزینگی زعفران با بررسی تقویم زراعی آن است. برای تهیه داده‌های میدانی، مختصات و کلاس پوششی 2587 نقطه (1463 نمونه آموزشی و بقیه آزمایشی)، از مناطق با شعا‌ع حداقل 30 متر پوشش یکسان، در تاریخ‌های 5 بهمن ماه 1393 و 19 اردیبهشت‌ماه 1394 توسط GPS ثبت گردید. همچنین، آمارهای وزارت جهاد کشاورزی در سال زراعی 93-92 جهت ارزیابی نتایج استفاده شد. دو معیار ضریب کاپا و صحت کلی، برای ارزیابی نتایج استفاده گردید. سطح زیر کشت زعفران در طبقه‌بندی ماشین‌های بردار پشتیبان با صحت کلی 95٪ و ضریب کاپای 90٪ به‌عنوان بهترین روش رویکرد اول، در مقایسه با آمارهای جهاد کشاورزی خطایی حدود 18٪ داشت. اما استفاده از NDVI به‌عنوان بهترین روش برآورد سطح زیر کشت زعفران در رویکرد دوم، نشان‌دهنده سطح 7118 هکتار بود که در مقایسه با آمار جهاد کشاورزی (7550 هکتار)، خطای 7/5 درصدی را‌ نشان می‌داد. بنابراین نتایج این تحقیق نشان‌دهنده کارایی مناسب‌ شاخص‌های گیاهی زمانمند در برآورد سطح زیر کشت زعفران با توجه به فنولوژی آن بود.

چکیده انگلیسی:

The aim of this research is the identification of Saffron fields with Landsat-8 Satellite images in Torbat Heydarieh. In this regard, two approaches were utilized. The first approach was dealing with implementation of neural network, support vector machine, Mahalanobis distance, the minimum distance, maximum likelihood and parallelepiped classification methods to achieve land cover map. The second approach was to use  normalized difference vegetation index (NDVI) and soil adjusted vegetation index (SAVI) in the greenness peak time range of saffron. To prepare field data, coordinate and land cover class of 2587 points (1463 as training sample and others as tested) in a region with at least 30 m same land cover on January 25th, 2015 and May 9th, 2015 were recorded using a GPS receiver. Furthermore, statistics presented by ministry of Agriculture Jihad in the 2014-2015 crop year was used for evaluation. Two measures, including Kappa coefficient and overall accuracy were used for evaluation of the results. Support vector machine classification with overall accuracy of 95% and a Kappa coefficient of 90%, was the best method of the first approach. It shows a difference of about 18% in saffron area comparing with Jihad statistics. On the other hand, NDVI as the best method of second approach shows an area of 7118 hectares which comparing with Jihad statistics (7550 hectares), shows the error of 5.7%. Hence, the results indicate the performance of temporal vegetation indices in identification of saffron fields according to its phenology.