• صفحه اصلی
  • ارزیابی قابلیت طبقه‌بندی نظارت شده تصاویر ماهواره‌ای لندست-8 و سنتینل-A2 در تعیین محدوده و سطح زیر کشت ارقام پسته

اشتراک گذاری

آدرس مقاله


کد مقاله : GIRS-1912-1793 (R1) بازدید : 210 صفحه: 84 - 103

10.30495/girs.2020.672378

http://dorl.net/dor/20.1001.1.26767082.1399.11.1.5.9

نوع مقاله: پژوهشی

ارزیابی قابلیت طبقه‌بندی نظارت شده تصاویر ماهواره‌ای لندست-8 و سنتینل-A2 در تعیین محدوده و سطح زیر کشت ارقام پسته

محورهای موضوعی : کشاورزی، مرتع داری، آبخیزداری و جنگلداری

هادی زارع خورمیزی 1 (دانشجوی دکتری علوم و مهندسی مرتع، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران)
حمیدرضا غفاریان مالمیری 2 (استادیار گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، ایران)
مراد مرتاض 3 (دانش آموخته کارشناسی ارشد باغبانی و زراعت، دانشکده علوم گیاهی، دانشگاه کالیفرنیا، دیویس، کالیفرنیا)

تاریخ دریافت : 1398/09/30 تاریخ پذیرش : 1398/12/17 تاریخ انتشار : 1399/01/01

کلید واژه: ارقام پسته, سنجش از دور, ضریب کاپا, طبقه‌بندی نظارت شده, طبقه بندی الگوریتم حداکثر تشابه,

چکیده مقاله :

فن آوری سنجش از دور یکی از ابزارهای کارآمد برای پایش، مطالعه و تعیین سطح زیر کشت محصولات کشاورزی و باغی بویژه در سطوح وسیع می باشد. برنامه ریزان، مجریان و کشاورزان با آگاهی از نوع رقم و سطح زیر کشت محصولات کشاورزی می توانند سیاست های مدیریتی و اجرایی مناسبی اتخاذ نمایند. هدف از پژوهش حاضر ارزیابی قابلیت طبقه بندی نظارت شده تصاویر ماهواره ای چند باندی لندست-8 و سنتینل-A2 در تعیین محدوده، سطح زیر کشت و نوع رقم چهار نوع پسته اکبری، کله قوچی، احمد آقایی و فندوقی در یک مزرعه مطالعاتی در استان یزد می باشد. دقت چهار الگوریتم طبقه بندی متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و بیشترین تشابه و همچنین بهترین زمان در تفکیک ارقام پسته مورد بررسی قرار گرفت. بر اساس نتایج، الگوریتم حداکثر تشابه در طبقه بندی تصویری در تاریخ 22 خرداد 1397 ماهواره لندست-8 با دقت نهایی و ضریب کاپای به ترتیب 76.8 درصد و 0.67 از بالاترین دقت و الگوریتم طبقه بندی متوازی السطوح به ترتیب با دقت نهایی و ضریب کاپای 7/64 و 47/0 از کمترین دقت برخوردار بود. همچنین بر اساس نتایج، بهترین زمان برای تفکیک ارقام پسته مورد بررسی اواخر خرداد می باشد. به طوری که ضریب کاپای طبقه بندی با الگوریتم حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست، 0.67 و به ترتیب در تاریخ های 23 تیر، 24 مرداد و 25 شهریور 0.64، 0.63 و 0.63 بدست آمد. دقت نهایی و ضریب کاپای طبقه بندی با استفاده از الگوریتم حداکثر تشابه در تصویر تاریخ 24 خرداد 1397 ماهواره سنتینل-A2 به ترتیب 80 درصد و 0.71 بدست آمد. با انجام عمل فیلتر میانه با اندازه پنجره سه در سه بر روی تصویر طبقه بندی شده سنتیل-A2 میزان دقت نهایی و ضریب کاپا به ترتیب به 82.6 و 0.75 افزایش یافت. دقت نهایی و ضریب کاپای طبقه بندی و تفکیک ارقام پسته در تصاویر سنتینل-A2 نسبت به تصاویر لندست 8 بالاتر بود. در مجموع بر اساس نتایج، تکینک های طبقه بندی سنجش از دور و نیز تصاویر ماهواره ای چند باندی، از قابلیت مناسبی برای نقشه برداری کشاورزی و باغی برخوردار می باشند.

چکیده انگلیسی:

Remote sensing technique is one of the most effective tools for monitoring, studying and determining the cultivation area of agricultural and horticultural crops, especially on a large scale. Planners, managers, and farmers, with knowledge of the type and extent of crop cultivation, can adopt appropriate management and enforcement policies. The purpose of the present study was to evaluate the supervised classification ability to classify Landsat 8 and Sentinel-2A multi-band satellite imagery in determining the cultivated area and type of four varieties of Pistachio namely such as; Akbari, Kalle Ghuchi, Ahmad Aghaei and Fandooki in an orchard in the Yazd province. In the present study, the accuracy of four classification algorithms, namely: Parallelepiped classification, Minimum distance, Mahalanobis distance and Maximum likelihood, as well as the optimum time in the separation of pistachio cultivars, were investigated. According to the classification results of a Landsat-8 image, on June 12, 2018, the Maximum likelihood algorithm with a final accuracy and Kappa coefficient of 76.8% and 0.67% and Parallelepiped classification algorithm with the final and Kappa coefficients of 64.7 and 0.47, were of highest and lowest accuracy among others, respectively. Also, according to the results, the best time for the separation of Pistachio cultivars was in late June. The Kappa coefficient of maximum likelihood classification algorithm on June 22, July 23, August 24 and September 25 of 2018 were 0.67, 0.64, 0.63 and 0.63, respectively. The final accuracy and Kappa coefficient of maximum likelihood classification algorithm on the Sentinel-2A Satellite images on 12 June  2018, were 80% and 0.71, respectively. By applying the median filter with a 3×3 dimensional kernel window size on the classified image, the final accuracy and Kappa coefficient was increased to 82.6% and 0.75, respectively. The final accuracy and Kappa coefficient of classification and separation of Pistachio cultivars in Sentinel-2A images were higher than in Landsat-8 images. Overall, based on our results, the remote sensing classification techniques, as well as multi-spectral satellite imagery, are suitable for agricultural and horticultural mapping.

منابع و مأخذ:
_||_
متن کامل:


ارزیابی قابلیت طبقه­بندی نظارت شده تصاویر ماهواره­ای لندست 8 و سنتینل A2 در تعیین محدوده و سطح زیر کشت ارقام پسته

چکیده

فن­­آوري سنجش از دور یکی از ابزارهاي کارآمد براي پایش، مطالعه و تعیین سطح زیر کشت محصولات کشاورزي و باغی بویژه در سطوح وسیع­ می­باشد. برنامه­ریزان، مجریان و کشاورزان با آگاهی از نوع رقم و سطح زیر کشت محصولات کشاورزی می­توانند سیاست­هاي مدیریتی و اجرایی مناسبی اتخاذ نمایند. تعیین نوع رقم در محصولات کشاورزی معمولا با استفاده از تصاویر ماهواره­ای ابر طیفی صورت می­گیرد. هدف از پژوهش حاضر ارزیابی قابلیت طبقه­بندی نظارت شده تصاویر ماهواره­ای چند باندی لندست 8 و سنتینل A2 در تعیین محدوده، سطح زیر کشت و نوع رقم چهار نوع پسته اکبری، کله قوچی، احمد آقایی و فندوقی در یک مزرعه مطالعاتی در استان یزد می­­باشد. در پژوهش حاضر دقت چهار الگوریتم طبقه بندی متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و بیشترین تشابه و همچنین بهترین زمان در تفکیک ارقام پسته مورد بررسی قرار گرفت. بر اساس نتایج، الگوریتم حداکثر تشابه در طبقه­بندی تصویری در تاریخ 22 خرداد 1397 ماهواره لندست 8 با دقت نهایی و ضریب کاپای به ترتیب 8/76 درصد و 67/0 از بالاترین دقت و الگوریتم طبقه­بندی متوازی السطوح به ترتیب با دقت نهایی و ضریب کاپای 7/64 و 47/0 از کمترین دقت برخوردار بود. همچنین بر اساس نتایج، بهترین زمان برای تفکیک ارقام پسته مورد بررسی اواخر خرداد می­باشد. به طوری که ضریب کاپای طبقه­بندی با الگوریتم حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست، 67/0 و به ترتیب در تاریخ­های 23 تیر، 24 مرداد و 25 شهریور 64/0، 63/0 و 63/0 بدست آمد. دقت نهایی و ضریب کاپای طبقه­بندی با استفاده از الگوریتم حداکثر تشابه در تصویر تاریخ 24 خرداد 1397 ماهواره سنتینل A2­ به ترتیب 80 درصد و 71/0 بدست آمد. با انجام عمل فیلتر میانه با اندازه پنجره سه در سه بر روی تصویر طبقه­بندی شده سنتیل A2 میزان دقت نهایی و ضریب کاپا به ترتیب به 6/82 و 75/0 افزایش یافت. دقت نهایی و ضریب کاپای طبقه­بندی و تفکیک ارقام پسته در تصاویر سنتینل A2 نسبت به تصاویر لندست 8 بالاتر بود. در مجموع بر اساس نتایج، تکینک­های طبقه­بندی سنجش از دور و نیز تصاویر ماهواره­ای چند باندی، از قابلیت مناسبی برای نقشه­برداری کشاورزی و باغی برخوردار می­باشند.

 

کلمات کلیدی: طبقه­بندی نظارت شده، حداکثر تشابه، ارقام پسته، ضریب کاپا، سنجش از دور

 

مقدمه

تکنیک­های سنجش از دور و پردازش تصاویر ماهواره­ای، یکی از روش­های بسیار کارآمد در مطالعات مربوط به کشاورزی دقیق، مانند تعیین نوع ارقام و سطح زیر کشت محصولات کشاورزي و باغی بویژه در سطوح وسیع­ می­باشد. مدیران در سطوح مختلف با آگاهی از سطح زیر کشت محصولات کشاورزی، قادر خواهند بود تا تصمیم­گیری­های صحیح­تری اعمال نمایند (10، 23 و 24). امروزه استفاده از تکنولوژی سنجش از دور به طور گسترده به منظور نقشه­برداری کشاورزی، باغی و برنامه­های کاربردی کشاورزی نظیر شناسایی محصول گسترش یافته است. این مهم بدلیل قابلیت پوشش وسیع­تر، ارزان­تر و سریع­تر بودن سنجش از دور نسبت به روش­های سنتی نقشه­برداری و اندازه­گیری میدانی است (21، 28 و 32). با این حال در زمینه طبقه­بندی و تفکیک محصولات کشاورزی و باغی مختلف چندین محدودیت وجود دارد (33 و 36). اولین مشکل شباهت منحنی رفتار طیفی، شکل و بافت بین محصولات مختلف بویژه بین ارقام و گونه­های مختلف یک جنس در تصاویر چند طیفی، دوم کاهش دقت طبقه­بندی­های صورت گرفته به علت وجود کلاس­های ناهمگون در بین بافت همگن (بافت فلفل نمکی ایجاد شده: Salt and pepper pattern) و سومین محدودیت وجود پیکسل های ناخالص (Mixed pixel) بدلیل قدرت تفکیک مکانی کم در پیسکل­های تصویر می­باشد که در این حالت بازتاب طیفی یک پیکسل مجموعی از بازتاب عناصر آن پیکسل می­باشد.

بیشتر سنجنده­های چند طیفی دارای 3 تا 10 باند طیفی در محدوده مرئی و مادون قرمز طیف الکترومغناطیس هستند (31). این سنجندها امکان تفکیک و تبعیض انواع مختلف پوشش گیاهی، سنگ­ها، خاک، آب روشن و کثیف و مواد ساخته شده بشری را می­دهند (31). بر همین اساس، از جمله كاربردهاي وسیع در طبقه­بندی داده­هاي سنجش از دور تهيه نقشه­هاي كاربري و پوششي اراضی است (29). در این زمینه پژوهش­های زیادی به طور موفقیت آمیز داده­های سنجنده­های چند طیفی را در تهیه نقشه پوشش و کابری اراضی و همچنین بررسی تغییرات آن­ها مورد استفاده قرار داده­اند (4، 7، 8، 13 و 14). همچنین تکنیک­های طبقه­بندی تصاویر ماهواره­ای در تعیین سطح زیر کشت محصولات مختلف کشاورزی مورد استفاده قرار گرفته است. در پژوهشی قابلیت تصاوير ماهواره­اي لندست 8 در تخمين سطح زير كشت زعفران در شهرستان تربت حیدریه بررسی شد. در این پژوهش نشان داده شد تصاویر ماهواره­ای لندست 8 از قابلیت بالایی برای تفکیک سریع اراضی زعفران برخوردار هستند، به طوری که ضریب کاپا و دقت کلی به ترتیب 88 و 98 درصد محاسبه شد (12). در مطالعه­ای دیگر از تصاویر ماهواره­ای ETM+ برای تعیین سطح زیر کشت محصولات مختلف نیز گندم، جو، گوجه فرنگی، ذرت علوفه­ای، یونجه­های یکساله و چند ساله و خربزه استفاده شد. در این مطالعه ضریب کاپا و دقت کلی براي روش حداکثر احتمال به ترتیب 82 و 85 و برای شبکه عصبی مصنوعی 84 و 87 درصد برآورد شد (10). در پژوهشی دیگر نیز نشان داده شد روش ماشین بردار پشتیبان (Support Vector Machine) با ضریب کاپای 8/0 نسبت به شبکه عصبی مصنوعی برای برآورد تغییرات سطح زیرکشت گندم و سویا در غرب استان گلستان موفق­تر است (9). 

تیپ­های گیاهی مختلف جنگلی و مرتعی نیز با توجه به حضور گونه­های گیاهی مختلف با ترکیب­های متفاوت، دارای بازتاب­های طیفی منحصر به منفرد می­باشند. قابلیت تصاویر چند طیفی سنجندهای مختلف در زمینه تفکیک و تهیه نقشه تیپ­های پوشش گیاهی در پژوهش­هایی مورد بررسی قرار گرفته اند. در مطالعه­ای داده­های ETM+ و LISS III برای تهیه نقشه تیپ در جنگل­های زاگرس مورد استفاده قرار گرفت. نتایج این مطالعه کارایی بهتر الگوریتم حداکثر تشابه نسبت به الگوریتم متوازی السطوح (Parallelepiped) و کمترین فاصله از میانگین را نشان داد (3). در مطالعه­ای دیگر روش­هاي طبقه­بندي پيكسل پايه، شئ پايه و درخت تصميم­گیری در تهيه نقشه تيپ­هاي جنگل آستارا با استفاده از تصاویر SPOT5 مورد بررسی قرار گرفت. در این روش بالاترین میزان دقت کلی و ضریب کاپا به ترتیب با میزان 5/76 درصد و 7/0 با استفاده از روش درخت تصمیم­گیری بدست آمد (11). در پژوهشی دیگر نیز ميزان كارآيي سه روش رايج طبقه­بندي نظارت­شده ماهواره­اي در تشخيص گروه­هاي گياهي منطقه حفاظت شده گلول و سراني استان خراسان شمالي مورد بررسی قرار گرفت. نتایج این مطالعه کارایی بهتر الگوریتم حداکثر تشابه در طبقه­بندی داده­های ماهواره­ای ETM+ و LISS III نسبت به الگوریتم متوازی سطوح و کمترین فاصله از میانگین را نشان داد (1).

سنجنده­های چند طیفی اطلاعات را در تعداد کمتر از 20 باند طیفی در محدوده­های مرئی، مادون قرمز نزدیک، مادون قرمز طول موج کوتاه و مادون قرمز حرارتی که اغلب هم به طور پیوسته نیست، ثبت می­کنند. بنابراین این سنجنده­ها قادر به تفکیک و تشخیص خیلی دقیق مواد مشابه از لحاظ طیفی نیستند (31). یک ماده ممکن است خواص طیفی متمایز را در محدوده­های خاص و باریکی از طول موج بطور مجزا نشان دهد و آن را از مواد دیگر تنها در تصاویر ثبت شده در آن دامنه طول موج قابل تشخیص کند. بنابراین یک اسکنر چند طیفی ممکن است این محدوده طیفی را پوشش ندهد (31). در مقابل سنجنده­های ابر طیفی قادر به ثبت اطلاعات بازتابی در تعداد بسیار زیاد باند­های باریک و پیوسته در محدوده­های مرئی، مادون قرمز نزدیک و مادون طول موج کوتاه طیف الکترومغناطیس هستند (30). بنابراین به طور کلی سنجنده­های ابر طیفی قادر به تفکیک دقیق­تر پدیده­ها در الگوریتم­های طبقه­بندی هستند (32) و در زمینه تفکیک ارقام یک گونه در مطالعات از آنها استفاده شده است. با این حال این سنجنده­ها مانند سنجنده ابر طیفی هایپریون (Hyperion) اغلب دارای پوشش جهانی نیستند و دسترسی به داده­های آنها و یا تهیه داده­های ابر طیفی عموما نسبت به داده­های سنجنده­های چند طیفی هزینه بر است. در پژوهشی با استفاده از تصاویر ابر طیفی سنجنده هایپریون پنج رقم مختلف برنج در میان 16 کلاس پوشش زمین با استفاده از روش طبقه­بندی نظارت شده نقشه بردار زاویه طیفی (Spectral Angle Mapper) با دقت نهایی 96/86 درصد تفکیک و طبقه­بندی شد (32). در پژوهشی دیگر پنج رقم سویا با استفاده از تصاویر ابر طیفی سنجنده هایپریون و شبیه­سازی محدوده­های طیفی هفت سنجنده چند طیفی با استفاده از اطلاعات سنجنده هایپریون طبقه­بندی شد. بر اساس نتایج این مطالعه، الگوریتم حداکثر تشابه با دقت نهایی 80/89 درصد نسبت به الگوریتم­های نقشه­بردار زاویه طیفی، ماشین بردار پشتیبان و واگرایی اطلاعات طیفی (Spectral Information Divergence) دارای عملکرد بهتری می­باشد. همچنین با کاربرد الگوریتم حداکثر تشابه بر داده­های شبیه­سازی شده، سنجنده­های MODIS و ETM+ به ترتیب دقت نهایی 7/86 و 9/85 درصد را نشان دادند و سنجنده AVHRR کمترین دقت را نشان داد (15). در پژوهشی دیگر با استفاده از داده­های ابر طیفی هایپریون سه رقم متفاوت از هر کدام از گونه­های برنج، نیشکر، فلفل و پنبه طبقه­بندی شد. در این مطالعه دقت نهایی طبقه­بندی با استفاده از داده­های سنجنده هایپریون 8/88 درصد بدست آمد (27). 

ايران به همراه كشورهاي حوزه درياي مديترانه به عنوان يكي از زيستگاه­هاي اصلي پسته (Pistacia vera L.) در دنيا شناخته شده است (6). این گیاه نقش مهمی در اقتصاد کشورهای خشک و نیمه خشک همچون ایران، ترکیه و سوریه دارد (25). طوری که ایران همواره به عنوان بزرگترین صادر کننده محصول پسته در جهان مطرح می­باشد (17). پسته دارای ارقام بسیار متعددی ­(بیش از 70 رقم) می­باشد که همراه تعیین سطح زیر کشت هر کدام از ارقام و تهیه نقشه­های ارزان قابل اعتماد این گیاه با ارزش از اهمیت خاصی برخوردار است و می­تواند در برنامه­های مدیریتی دارای نقش مهمی باشد.

هدف از پژوهش حاضر ارزیابی قابلیت طبقه­بندی نظارت شده تصاویر ماهواره­ای چند طیفی لندست 8 و سنتینل A2 در تعیین محدوده و سطح زیر کشت ارقام پسته در سطح یک مزرعه مطالعاتی می­باشد. نتایج پژوهش حاضر می­تواند در سطوح کوچک در تهیه نقشه­های ارقام مختلف پسته و سیاست­های مدیریتی در سطوح کوچک نظیر مزرعه یا یک منطقه مفید باشد و همچنین در سطوح کلان نظیر استان یا کشور نیز می­تواند با واسطه تخمین سطح زیر کشت پسته و حتی ارقام مختلف پسته در برنامه­ریزی­ها و سیاست­های مدیریتی کاربرد داشته باشد.

 

مواد و روش­ها

معرفی منطقه مورد مطالعه

مزرعه مطالعاتی در پژوهش حاضر در استان یزد و در 20 کیلومتری جنوب دهستان دهشیر واقع شده است. این مزرعه در عرض جغرافیایی ˝15´15°31 و طول جغرافیایی ˝23´43°53 از نصف النهار مبدا قرار گرفته است. وسعت کل مزرعه مورد مطالعه 5/477 هکتار می­­باشد. 4 رقم پسته شامل ارقام کله قوچی، احمد­آقایی، فندوقی و اکبری در مزرعه مورد تحقیق وجود دارند. شکل 1 موقعیت منطقه مورد مطالعه را در سطح ایران و استان یزد، به همراه یک تصویر رنگی کاذب نشان می­دهد.

 

 

شکل 1- موقعیت منطقه مورد مطالعه در سطح ایران و استان یزد

 

 

داده­های ماهواره­ای

در پژوهش حاضر از داده­های ماهواره لندست 8 و سنتیل A­2 به منظور طبقه­بندی ارقام مختلف پسته استفاده شد. لندست 8 دو سنجنده به نام­های OLI (Operational Land Imager) و TIRS (Thermal Infrared Sensor) را حمل می­کند. سنجنده OLI با قدرت تفکیک مکانی 30 متر دارای 8 باند در محدوده­های طیفی مرئی، مادون قرمز نزدیک، مادون قرمز طول موج کوتاه و یک باند پانکروماتیک با قدرت تفکیک مکانی 15 متر است. سنجنده TIRS به کمک دو باند در پنجره­های جوی 6/10 تا 2/11 میکرومتر برای باند 10 و 5/11 تا 5/12 میکرومتر برای باند 11 قادر به ثبت تابش­های مادون قرمز حرارتی با قدرت تفکیک مکانی 100 متر می­باشد (18 و 35). در پژوهش حاضر از باند­های 1 تا 7 ماهواره لندست 8 پس از انجام تصحیحات هندسی، اتمسفری و رادیومتری استفاده شد. به دلیل تشابه طیفی بین ارقام مختلف پسته نمی­توان از تصویر یک تاریخ براي تفکیک ارقام مختلف پسته استفاده کرد. بنابراین برای تعیین بهترین زمان برای تفکیک ارقام پسته تصاویر چهار تاریخ 22 خرداد، 23 تیر، 24 مرداد و 25 شهریور سال 1397 مورد استفاده قرار گرفت.

سنتینل 2 از جدیدترین ماهواره­های تصویر­برداری چند طیفی به شمار می­رود. بر روی این ماهواره سنجنده MSI (Multi Spectral Instrument) قرار گرفته است که اطلاعات را در 13 باند طیفی در محدوده‌های مرئی، مادون قرمز نزدیک و مادون قرمز طول موج کوتاه با قدرت تفکیک مکانی 10، 20 و 60 متر و قدرت تفکیک زمانی 5 روز برداشت می­کند (26). تصحیحات اتمسفری بر روی تصاویر سنتینل A2 در محیط نرم افزار SNAP انجام شد. به جز باندهای شماره 1، 9 و 10 از سایر باندهای سنجنده سنتینل A2 به منظور طبقه ارقام پسته استفاده شد و اندازه پیکسل­های 20 متری به 10 متری تقلیل یافت. در پژوهش حاضر در ابتدا بهترین زمان و الگوریتم برای طبقه بندی ارقام پسته با استفاده از تصاویر ماهواره لندست 8 مشخص شد و در مرحله بعد با توجه به بهترین زمان و الگوریتم طبقه بندی، ارقام پسته با استفاده از تصویر ماهواره سنتینل A2 طبقه بندی شدند.

 

تهیه نقشه واقعیت زمینی

برای تعیین دقت و صحت نتایج طبقه­بندی به نقشه واقعیت زمینی نیاز است. در پژوهش حاضر در ابتدا با استفاده از نرم افزار گوگل ارث نقشه قطعات مختلف کشت درختان پسته تهیه شده و سپس با توجه به اینکه در هر کدام از قطعات کشت تنها یک یا دو رقم پسته حضور داشت با استفاده از نمونه­برداری میدانی و GPS نوع رقم پسته در هر کدام هر از قطعات کشت تعیین شد و در نهایت نقشه واقعیت زمینی ارقام پسته در مزرعه مورد مطالعه تهیه شد. شکل 2 نقشه قطعات کشت و نوع رقم پسته در هر کدام از قطعات را نشان می­دهد.

 

img0 

شکل 2 - نقشه قطعات کشت و نوع رقم پسته در هر کدام از قطعات

روش­های طبقه بندی تصاویر

در پژوهش حاضر به منظور تفکیک ارقام مختلف پسته از طبقه­بندی نظارت شده با استفاده از چهار روش متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس (Mahalanobis Distance) و حداکثر تشابه استفاده شد. در ادامه به طور مختصر الگوریتم­های طبقه­بندی مورد استفاده معرفی می­شوند.

 1- روش متوازي السطوح

در این روش ابتدا با توجه به دامنه طیفی طبقات نمونه که بر روي تصویر انتخاب شده است واریانس ارزش­هاي طیفی محاسبه می­شود و سپس با استفاده از حداقل و حداکثر ارزش طیفی طبقات نمونه در باندهاي مختلف چهار ضلعی­هایی ایجاد می­گردد که به آن­ها اصطلاحاً شبکه­هاي موازي گفته می­شود. پس از ایجاد شبکه­هاي موازي پیکسل­ها­ي تصویر بسته به اینکه در کدام یک از چهار ضلعی­ها قرار گیرند طبقه­بندي و به گروه­هاي منطبق با مناطق نمونه تفکیک می­شوند (1).

2- روش کمترین فاصله

در این روش پیکسل مجهول به کلاسی واگذار می­شود که بردار میانگین آن به کلاس مورد نظر نزدیکترین فاصله اقلیدوسی را داشته باشد (2). 

3- روش فاصله ماهالانوبیس

فاصله ماهالانوبیس طبقه­بندی دیگری نظیر روش کمترین فاصله می­باشد. در این روش، اساس باز هم شبیه روش کمترین فاصله می­باشد اما نه کمترین فاصله اقلیدوسی بلکه از کمترین فاصله ماهالانوبیس استفاده می­کند (2). 

4-روش حداکثر تشابه

در این روش که از سایر روش­هاي موجود براي طبقه­­بندي دقیق­تر است میزان کمی واریانس و همبستگی ارزش­هاي طیفی باندهاي مختلف براي مناطق نمونه محاسبه می­شود و از همین خاصیت براي ارتباط یک پیکسل طبقه­بندي نشده به یکی از گروه­ها یا نمونه­هاي طیفی نیز استفاده می­شود. به بیان دیگر براي بررسی نحوه توزیع ارزش­هاي طیفی و احتمال آماري ارتباط یک پیکسل با یکی از گروه­هاي نمونه از ماتریکس واریانس و بردار میانگین که خود واریانس و همبستگی ارزش­هاي طیفی را تعریف می­کنند، استفاده می­شود. با استفاده از عامل شدت احتمال، هر یک از پیکسل­هاي تصویر پس از آزمون آماري و محاسبه احتمال تعلق آن­ها به گروه­هاي طیفی نمونه، به گروه مربوطه تعلق می­گیرد (1).

جدول 1 مشخصات نمونه­های تعلیمی مورد استفاده برای تفکیک ارقام مختلف پسته را نشان می­دهد. نمونه­های تعلیمی با توجه به نقشه واقعیت زمینی (شکل ۲) و با مد نظر قرار دادن میزان پراکنش مکانی مناسب در سطح مزرعه در نظر گرفته شدند. در مجموع با استفاده از 114 نمونه تعلیمی با مساحت کل 8/4 هکتار اقدام به طبقه­بندی نظارت شده با روش­های مختلف نام برده شد. به عنوان مثال در نمونه­های تعلیمی برای رقم کله قوچی از 24 نقطه یا ناحیه با پراکنش مناسب در قطعات کشت رقم کله قوچی استفاده شد که در مجموع کل این نقاط 100 پیکسل تصویر را شامل می­شود (در هر نقطه چهار پیکسل انتخاب شد). با توجه به سطح مزرعه تنها یک درصد مساحت آن به نام نمونه تعلیمی انتخاب شده است. پس از ایجاد نمونه­های تعلیمی در ابتدا بر روی تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8 بهترین الگوریتم طبقه­بندی از میان چهار روش متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و حداکثر تشابه انتخاب شد. سپس با توجه به بهترین الگوریتم طبقه­بندی بدست آمده در مرحله اول، بهترین زمان برای تفکیک ارقام پسته با استفاده از تصاویر تاریخ­های 23 تیر، 24 مرداد، 25 شهریور علاوه بر تاریخ 22 خرداد سال 1397 که در مرحله اول مشخص شده بود، بدست آمد. در مرحله بعد همان طور که گفته شد، با توجه به بهترین زمان و الگوریتم طبقه بندی، ارقام پسته با استفاده از تصویر ماهواره سنتینل A2 طبقه بندی شدند. پس از طبقه بندی ارقام پسته، با توجه به اینکه الگوی کشت در قطعات کشت منظم است به منظور حذف بافت فلفل نمکی ایجاد شده، از فیلتر میانه 3 در 3 برای بهبود کیفیت نقشه­­های تهیه شده استفاده شد.

 

جدول 1 - مشخصات نمونه­های تعلیمی به منظور تفکیک ارقام مختلف پسته

نام نمونه تعلیمی

تعداد پیکسل با اندازه 10 ×10 متر

تعداد ناحیه

میزان مساحت (هکتار)

کله قوچی

100

24

1

اکبری

200

50

2

فندوقی

47

12

47/0

احمد آقایی

36

9

36/0

کله قوچی و فندوقی

28

7

28/0

بدون پوشش و جاده

75

12

75/0

جمع

486

114

86/4

 

اعتبار سنجی و ارزیابی صحت

برای ارزیابی دقت و صحت نقشه­های طبقه­بندی شده به روش­های مختلف، از ماتریس خطا استفاده شد. پارامترهای دقت کلی (Overall Accuracy)، ضریب کاپا (Kappa coeffcient)، دقت تولید کننده (Produser Accuracy)، دقت کاربر (User Accuracy)، خطای اضافه (Commission) و خطای حذف (Omission) به منظور ازریابی نتایج مورد استفاده قرار گرفت. دقت کلی از نسبت تعداد پیکسل­هاي درست طبقه­بندي شده­ به کل پیکسل­هاي طبقه­بندي شده در تمامی طبقات بدست می آید. دقت کلی با توجه به رابطه 1 قابل محاسبه می­باشد.

]1[                                                                      img0

در این رابطه OA دقت کل، Ʃ Pii جمع عناصر قطر اصلی ماتریس خطا و N تعداد کل پیکسل­های آموزشی است. به دلیل ایرادات وارده بر دقت کلی در کارهای اجرایی، از ضریب کاپا هم به منظور تعیین دقت طبقه­بندی استفاده می­شود. زیرا در این شاخص پیکسل­­های نادرست طبقه­بندی شده نیز در نظر گرفته می­شود. ضریب کاپا با توجه به رابطه 2 محاسبه می­شود. 

]2[                                                                 img0

در این رابطه، po درستی مشاهده و pc توافق مورد انتظار است.

دقت تولید کننده احتمال اینکه تولید کننده پیکسلی را به کلاس خاص نسبت داده باشد درصورتی که کلاس واقعی آن مشخص باشد را بیان می­کند و در ماتریس خطا نسبت پیکسل­هاي صحیح به مجموع پیکسل­هاي یک ستون است. دقت کاربر احتمال طبقه­بندي یک کلاس خاص در نقشه مطابق با همان کلاس در زمین است و در ماتریس خطا نسبت پیکسل­هاي صحیح به مجموع پیکسل­هاي یک سطر است. خطای اضافه درصدي از پیکسل­ها که متعلق به کلاس مورد نظر نیستند ولی در آن کلاس قرار گرفته­اند و خطای حذف درصدي از پیکسل­ها که در واقعیت متعلق به کلاس مورد نظر هستند ولی به اشتباه در کلاس دیگر قرار گرفته­اند (22).

 

نتایج

بهترین الگوریتم برای تفکیک ارقام پسته

نتایج طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از چهار روش متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8 در شکل 3 نشان داده شده است. با توجه به شکل 3 و همچنین نقشه واقعیت زمینی (شکل 2) روش حداکثر تشابه نسبت به سایر روش­ها دارای عملکرد مطلوب­تری می­باشد. جدول 2 ماتریس خطای روش­های مختلف طبقه­بندی نظارت شده ارقام پسته در تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8 را نشان می­دهد. با توجه به جدول 2 روش متوازی السطوح با ضریب کاپای 46/0 و دقت کلی 7/64 درصد دارای کمترین دقت و روش حداکثر تشابه با ضریب کاپای 67/0 و دقت کلی 8/76 درصد از بالاترین دقت برای تفکیک ارقام مختلف پسته در مزرعه مورد مطالعه برخوردار بود. در روش حداکثر تشابه نیز ارقام پسته کله قوچی و اکبری نسبت به سایر ارقام از دقت تولید و دقت کاربر بالاتری برخوردار بودند.

 

img0img0 

img0img0 

شکل 3- نتایج طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از چهار روش متوازی السطوح، کمترین فاصله، فاصله مالاهانوبیس و حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8

 

جدول 2- ماتریس خطای روش­های مختلف طبقه­بندی نظارت شده ارقام پسته در تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8

 

الگوریتم

نام رقم

دقت تولید (درصد)

دقت کاربر (درصد)

خطای اضافه (درصد)

خطای حذف (درصد)

دقت نهایی (درصد)

ضریب کاپا

 

 

متوازی السطوح

احمد آقایی

26/15

89/6

11/93

74/84

 

 

7/64

 

 

 

47/0

 

کله قوچی

15/1

5/62

5/37

85/98

اکبری

92/23

39/45

61/54

08/76

فندوقی

88/3

78/14

22/85

12/96

کله قوچی و فندوقی

39/18

32/28

68/71

61/81

مسیر و بدون پوشش

18/72

37/49

63/50

82/27

 

 

کمترین فاصله

احمد آقایی

86/67

27/11

73/88

14/32

 

 

0/65

 

 

52/0

کله قوچی

99/20

17/54

83/45

01/79

اکبری

99/9

76/40

24/59

01/90

فندوقی

92/21

91/11

09/88

08/78

کله قوچی و فندوقی

95/41

22/20

78/79

05/58

مسیر و بدون پوشش

52/62

41/70

59/29

48/37

 

 

فاصله ماهالانوبیس

احمد آقایی

51/68

69/18

31/81

49/31

 

 

5/70

 

 

58/0

کله قوچی

95/31

85/35

15/61

05/68

اکبری

6/39

68/55

32/44

4/69

فندوقی

97/23

25/14

75/85

03/76

کله قوچی و فندوقی

22/44

52/28

48/71

75/55

مسیر و بدون پوشش

43/56

44/83

56/16

57/43

 

 

حداکثر تشابه

احمد آقایی

25

28/26

72/73

75

 

 

8/76

 

 

 

67/0

کله قوچی

98/59

29/50

71/49

02/40

اکبری

11/61

29/60

71/39

89/38

فندوقی

81/38

48/28

52/71

19/61

کله قوچی و فندوقی

86/25

18/40

82/59

14/74

مسیر و بدون پوشش

2/63

63/75

37/24

80/36

 

بهترین زمان برای تفکیک ارقام پسته

نتایج طبقه­بندی تصویر تاریخ 22 خرداد 1397نشان داد، روش طبقه­بندی حداکثر تشابه نسبت به سایر روش­ها از دقت بالاتری برخوردار بود. در این مرحله تصاویر تاریخ­های 23 تیر، 24 مرداد و 25 شهریور سال 1397 ماهواره لندست 8 نیز با روش حداکثر تشابه طبقه­بندی شدند تا بهترین زمان برای تفکیک و طبقه­بندی ارقام پسته بدست آید. شکل 4 نتایج طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه و همچنین ماتریس خطا طبقه­بندی نظارت شده (جدول 3) هر کدام از تصاویر را نشان می­دهند. با توجه به شکل 4 و جدول 3 دقت و صحت طبقه­بندی در تاریخ های 23 تیر، 24 مرداد و 25 شهریور نسبت به تاریخ 22 خرداد سال 1397 کاهش یافته است. به طوری که با توجه به جدول 2 ضریب کاپای طبقه­بندی با روش حداکثر تشابه در تاریخ 22 خرداد، 67/0 بدست آمد و در صورتی که با توجه به جدول 3 در تاریخ­های 23 تیر، 24 مرداد و 25 شهریور میزان ضریب کاپای طبقه­بندی با روش حداکثر تشابه به ترتیب 64/0، 63/0 و 63/0 بدست آمد.

img0img0img0 

شکل 4- نتایج طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصاویر تاریخ­های 23 تیر، 24 مرداد و 25 شهریور سال 1397 ماهواره لندست 8

 

جدول 3- ماتریس خطای طبقه­بندی نظارت شده ارقام پسته با استفاده از روش حداکثر تشابه در تصاویر تاریخ­های 22 خرداد، 23 تیر، 24 مرداد و 25 شهریور سال 1397 ماهواره لندست 8

تاریخ تصویر

نام رقم

دقت تولید (درصد)

دقت کاربر (درصد)

خطای اضافه (درصد)

خطای حذف (درصد)

دقت نهایی (درصد)

ضریب کاپا

 

 

23/4/ 1397

احمد آقایی

44/33

92/36

08/63

56/66

 

 

7/74

 

 

64/0

کله قوچی

37/46

61/36

39/63

63/53

اکبری

93/55

7/54

3/45

07/44

فندوقی

94/26

73/30

27/69

06/73

کله قوچی و فندوقی

43/49

67/28

33/71

57/50

مسیر و بدون پوشش

85/61

31/76

69/23

15/38

 

 

24/5/ 1397

احمد آقایی

04/36

68/48

32/51

96/63

 

 

6/74

 

 

63/0

کله قوچی

87/47

62/29

38/70

13/52

اکبری

49/55

79/56

21/43

51/44

فندوقی

78/20

38/31

62/68

22/79

کله قوچی و فندوقی

06/35

5/41

5/58

94/64

مسیر و بدون پوشش

57/63

05/74

95/25

43/36

 

 

25/6/ 1397

احمد آقایی

31/38

69/38

31/61

69/61

 

 

3/74

 

 

63/0

کله قوچی

75/44

41/35

86/64

25/55

اکبری

85/53

87/52

13/47

15/46

فندوقی

14/30

24/25

76/74

86/69

کله قوچی و فندوقی

63/35

69/47

31/52

37/64

مسیر و بدون پوشش

28/62

49/76

51/23

72/37

 

با توجه به نتایج بهترین دقت و زمان طبقه­بندی ارقام پسته با استفاده از تصاویر لندست 8 از طریق الگوریتم حداکثر تشابه و در تاریخ 22 خرداد سال 1397 بدست آمد. اما با توجه به وجود پیکسل­های مخلوط شده طیفی و خطاهای ناشی از آنها در نتایج حاصله تعدادی از پیکسل­ها به درستی انتخاب نشده اند. به منظور ارتقای کیفیت نقشه طبقه­بندی شده، از فیلتر میانه با پنجره 3 × 3 استفاده شد. زیرا با توجه به الگوی کشت منظم در مزرعه، پیکسل­هایی که مابین سایر پیکسل­ها به اشتباه طبقه­بندی شده­اند را می­توان حذف نمود و به کلاس صحیح مرتبط نمود. شکل 5 نتایج نهایی طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخ های 22 خرداد سال 1397 ماهواره لندست 8 بدون فیلتر و با فیلتر میانه 3 × 3 را نشان می­دهد. با توجه به جدول 4 با استفاده از فیلتر میانه 3 × 3 ضریب کاپا و دقت نهایی به ترتیب 71/0 و 6/79 درصد بدست آمد که نسبت به شرایط بدون فیلتر ضریب کاپا و دقت نهایی به ترتیب 04/0 و 8/2 درصد افزایش یافت.

img0img0 

        شکل 5- نتایج طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخ­های 22 خرداد سال 1397 ماهواره لندست 8 بدون فیلتر و با فیلتر میانه 3 در 3 

 

جدول 4- ماتریس خطای طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخ­های 22 خرداد سال 1397 ماهواره لندست 8 با فیلتر میانه 3 × 3

فیلتر

نام رقم

دقت تولید (درصد)

دقت کاربر (درصد)

خطای اضافه (درصد)

خطای حذف (درصد)

دقت نهایی (درصد)

ضریب کاپا

 

 

فیلتر میانه

 3 ×3

احمد آقایی

16/19

46/46

54/53

84/80

 

 

6/79

 

 

71/0

کله قوچی

94/61

79/66

21/33

06/38

اکبری

22/74

41/57

59/42

78/25

فندوقی

46/50

35/36

65/63

54/49

کله قوچی و فندوقی

16/28

04/51

96/48

84/71

مسیر و بدون پوشش

22/62

01/81

99/18

78/37

 

همان­طور که ذکر شد بهترین دقت طبقه­بندی ارقام پسته با استفاده از تصاویر لندست 8 از طریق الگوریتم حداکثر تشابه و در تاریخ 22 خرداد سال 1397 بدست آمد. بنابراین به منظور طبقه­بندی ارقام پسته با استفاده از تصاویر ماهواره سنتینل A2 از تصویر تاریخ 24 خرداد و الگوریتم حداکثر تشابه استفاده شد. شکل 6 نتایج طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخ­ 24 خرداد سال 1397 ماهواره سنتینل A2 بدون فیلتر و با فیلتر میانه 3 در 3 را نشان می­دهد. با توجه به ماتریس خطا، ضریب کاپا و دقت نهایی تصویر طبقه­بندی شده بدون فیلتر به ترتیب 71/0 و 80 درصد بدست آمد (جدول 5). با استفاده از فیلتر میانه 3 در 3 ضریب کاپا و دقت نهایی به ترتیب به میزان 75/0 و 6/82 درصد افزایش یافت.

img0img0 

شکل 6- نتایج طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخ­های 24 خرداد سال 1397 ماهواره سنتینل A2 بدون فیلتر و با فیلتر میانه 3 در 3

 

جدول 5- ماتریس خطای طبقه­بندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخ­های 24 خرداد سال 1397 ماهواره سنتینل A2 بدون فیلتر و با فیلتر میانه 3 در 3

فیلتر

نام رقم

دقت تولید (درصد)

دقت کاربر (درصد)

خطای اضافه (درصد)

خطای حذف (درصد)

دقت نهایی (درصد)

ضریب کاپا

 

 

بدون فیلتر

احمد آقایی

35/41

99/38

01/61

65/58

 

 

0/80

 

 

71/0

کله قوچی

22/51

44/53

56/46

78/48

اکبری

57/71

14/60

86/39

43/28

فندوقی

25/47

92/37

08/62

75/52

کله قوچی و فندوقی

5/36

97/70

03/29

5/63

مسیر و بدون پوشش

87/67

45/86

55/13

13/32

 

 

فیلتر میانه 3 در3

احمد آقایی

31/41

31/64

69/35

69/58

 

 

6/82

 

 

75/0

کله قوچی

13/52

67/70

33/29

87/47

اکبری

94/82

08/61

92/38

06/17

فندوقی

43/59

43

57

57/40

کله قوچی و فندوقی

03/41

03/75

97/24

97/58

مسیر و بدون پوشش

54/66

34/88

66/11

46/33

 

درصد مساحت واقعی هر کدام از ارقام پسته با توجه با نقشه واقعیت زمینی و مساحت تخمین زده شده با روش طبقه­بندی حداکثر تشابه تصاویر ماهواره لندست 8 و سنتینل A2 در جدول 6 نشان داده شده است. شکل 7 میزان همبستگی و خطای RMSE مقادیر مساحت واقعی و تخمین زده شده ارقام پسته با استفاده از طبقه­بندی تصاویر لندست و سنتینل A2 را نشان می­دهد. با توجه به شکل میزان همبستگی و خطای RMSE بین مساحت واقعی و تخمین­زده شده با استفاده از طبقه­بندی تصویر 22 خرداد لندست 8 به ترتیب 87/0 و 8/25 هکتار و برای طبقه تصویر 24 خرداد ماهواره سنتینل A2 به ترتیب 83/0 و 8/30 هکتار می­باشد. میزان خطای RMSE، 8/25 و 8/30 هکتار به ترتیب برای ماهواره لندست و سنتینل A2 نشان دهنده خطای 4/5 و 4/6 درصد نسبت به مساحت کل مزرعه می­باشد. با توجه به جدول 6 و شکل 7 باید توجه داشت که هرچند میزان همبستگی و خطای RMSE بین مساحت واقعی و تخمین­زده شده با استفاده از تصاویر لندست 8 نسبت به سنتینل A2 بالاتر است اما با توجه به اینکه خطای حذف و اضافه در طبقه تصاویر سنتینل A2 کمتر است؛ در مجموع دقت طبقه­بندی سنتیل A2 بهتر است. زیرا علاوه بر اینکه مساحت هر کدام از ارقام با دقت بالا تخمین­زده شده، مکان و موقعیت هر کدام از ارقام در نقشه طبقه­بندی شده صحیح تفکیک شده است.

 

جدول 6- میزان و درصد مساحت واقعی ارقام پسته و تخمین زده شده طبقه­بندی تصاویر لندست 8 و سنتینل A2

 

نام

مساحت واقعی

مساحت تخمین زده شده با ماهواره لندست (با فیلتر 3 در 3)

مساحت تخمین زده شده با ماهواره سنتینل A2 (با فیلتر 3 در 3)

مساحت (هکتار)

درصد مساحت

مساحت (هکتار)

درصد مساحت

مساحت (هکتار)

درصد مساحت

احمد آقایی

6/27

7/5

3/11

4/2

7/17

7/3

کله قوچی

3/78

4/16

8/71

0/15

8/57

1/12

اکبری

5/164

4/34

7/212

5/44

0/224

0/50

فندوقی

5/39

2/8

5/54

4/11

6/54

2/12

کله قوچی و فندوقی

6/15

3/3

7/8

8/1

6/8

8/1

مسیر، بدون کشت

8/151

7/31

5/118

8/24

8/114

5/25

 

 

شکل 7- میزان همسبتگی و خطای RMSE بین مقادیر مساحت واقعی و تخمین زده شده ارقام پسته با استفاده از طبقه­بندی تصاویر لندست و سنتینل A2

 

بحث و نتیجه گیری

در پژوهش حاضر قابلیت طبقه­بندی نظارت شده تصاویر ماهواره­ای لندست 8 و سنتینل A2 در تعیین محدوده و سطح زیر کشت چهار رقم پسته اکبری، احمد اقایی، کله قوچی و فندوقی در یک مزرعه مطالعاتی مورد بررسی قرار گرفت. دقت چهار الگوریتم طبقه بندی متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و بیشترین تشابه در تفکیک ارقام پسته مورد بررسی قرار گرفت. بر اساس نتایج الگوریتم حداکثر تشابه نسبت به سایر الگوریتم­های طبقه­بندی دارای بالاترین دقت بود. بطوری که دقت نهایی و ضریب کاپا در طبقه­بندی تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8 بدون فیلتر به ترتیب 8/76 درصد و 67/0 و با انجام فیلتر میانه سه در سه، 6/79 و 71/0 بدست آمد و کمترین دقت طبقه­بندی با استفاده از الگوریتم طبقه­بندی متوازی السطوح بدست آمد. در تهیه نقش تیپ­های جنگل­های زاگرس و همچنین تهیه نقشه تیپ­های گیاهی منطقه حفاظت شده گلول و سراني استان خراسان شمالي با استفاده از داده­های ETM+ و LISS III کارایی بهتر الگوریتم حداکثر تشابه در طبقه­بندی داده­های ماهواره­ای ETM+ و LISS III نسبت به الگوریتم متوازی سطوح و کمترین فاصله از میانگین نشان داده شد (1 و 3). در تهیه نقشه پوشش اراضی اصفهان نیز روش حداکثر تشابه نسبت به روش حداقل فاصله از میانگین دارای دقت بالاتری بود (5). در تفکیک و طبقه­بندی پنج رقم سویا با استفاده از تصاویر ابر طیفی سنجنده هایپریون نیز نتایج نشان داد الگوریتم حداکثر تشابه با دقت نهایی 80/89 درصد نسبت به الگوریتم­های نقشه­بردار زاویه طیفی، ماشین بردار پشتیبان و واگرایی اطلاعات طیفی دارای عملکرد بهتری می­باشد (15). بر اساس نتایج بهترین زمان برای تفکیک ارقام پسته مورد بررسی اواخر خرداد می­باشد. به طوری ضریب کاپای طبقه­بندی با الگوریتم حداکثر تشابه در تاریخ 22 خرداد 67/0 و به ترتیب در تاریخ­های 23 تیر، 24 مرداد و 25 شهریور 64/0، 63/0 و 63/0 بدست آمد. دقت نهایی و ضریب کاپای طبقه­بندی با استفاده از الگوریتم حداکثر تشابه در تصویر تاریخ 24 خرداد 1397 ماهواره سنتینل A2­ به ترتیب 80 درصد و 71/0 بدست آمد. با انجام عمل فیلتر میانه با اندازه پنجره سه در سه بر روی تصویر طبقه­بندی شده سنتیل A2 میزان دقت نهایی و ضریب کاپا به ترتیب به 6/82 و 75/0 افزایش یافت. میزان ضریب کاپای 71/0 در طبقه­بندی تصاویر لندست 8 و 75/0 در طبقه­بندی تصاویر سنتینل A2 برای تفکیک ارقام پسته با توجه سنجندهای چند طیفی این ماهواره­ها فوق­العاده مناسب است. زیرا چنانچه دقت کلی در نقشه­هاي تولیدشده بیش از 70 درصد باشد صحت نقشه­هاي تولیدي قابل اعتماد است (16). دقت نهایی و ضریب کاپای طبقه­بندی و تفکیک ارقام پسته در تصاویر سنتینل A2 نسبن به تصاویر لندست 8 بالاتر بود. علت این دقت بالاتر ناشی از تعداد باندهای بیشتر و همچنین قدرت تفکیک مکانی بالاتر این سنجنده می­باشد. از انجایی ارقام پسته ممکن است خواص طیفی متمایز را در محدوده­های خاصی و باریکی از طول موج بطور مجزا نشان دهد تعداد باند بیشتر با محدوده­های باریک­تر در طیف الکترومغناطیس دقت طبقه­بندی را بالاتر می­برد (31). در سنجنده MSI ماهواره سنتینل A2 تعداد سه باند لبه قرمز وجود دارد در صورتی در سنجنده OLI ماهواره لندست 8 باند لبه قرمز وجود ندارد. در این زمینه به عنوان نمونه در پژوهشی نشان داده شد محدوده­های سبز، لبه قرمز، مادون قرمز نزدیک و مادون قرمز طول موج کوتاه در تفکیک ارقام سویا دارای اهمیت بالایی هستند (15).

همان­طور که در مقدمه اشاره شد تکنیک­های طبقه­بندی تصاویر ماهواره­ای به طور گسترده در تهیه نقشه کاربری اراضی، پوشش زمین و بررسی تغییرات آنها و تعیین سطح زیر کشت محصولات کشاورزی و تعیین تیپ­های گیاهی به طور موفقیت آمیز مورد استفاده قرار گرفته است (4، 7، 8، 9، 10، 11، 12، 13 و 14). با این حال از روش­های تفکیک و طبقه­بندی تصاویر ماهواره بویژه با استفاده از داده­های سنجنده­های چند طیفی به منظور تفکیک و طبقه­بندی ارقام یک گونه با توجه به بازتاب­های طیفی مشابه کمتر استفاده شده است. در این زمینه از تصاویر ابر طیفی سنجنده هایپریون برای تفکیک و طبقه­بندی پنج رقم مختلف برنج (32)، پنج رقم سویا (15)، سه رقم متفاوت از هر کدام از گونه­های برنج، نیشکر، فلفل و پنبه (27) استفاده شد که در تمام این پژوهش­ها دقت نهایی بالاتر از 85 درصد بدست آمد. در پژوهشی نیز ارقام مختلف چای با استفاده از دوربین ابر طیفی نصب شده بر روی پهپاد با دقت نهایی بالای 95 درصد طبقه­بندی شد (34). همچنین از سنجندهای ابر طیفی هوایی نیز برای تفکیک ارقام انگور (20)، ارقام برنج (36) و نقشه­برداری گونه­های گیاهی مانگرو (19) به طور موثر استفاده شد. در پژوهشی نتایج طبقه­بندی پنج رقم سویا با استفاده از تصاویر ابر طیفی سنجنده هایپریون و شبیه­سازی محدوده­های طیفی هفت سنجنده چند طیفی نشان داده شد، دقت نهایی طبقه­بندی با روش حداکثر تشابه برای داده­های سنجنده ابر طیفی هایپریون 80/89 و برای داده­های شبیه­سازی شده سنجنده­های MODIS و ETM+ به ترتیب دقت نهایی 7/86 و 9/85 درصد می­باشد (15). نتایج این مطالعه نشان می­دهد سنجنده­های چند طیفی نیز می­توانند دارای دقت طبقه­بندی مناسب در تفکیک ارقام باشند. با این حال عوامل متعددی نظیر شباهت امضا طیفی، بازتاب خاک زمینه، فنولوژی ارقام مختلف و ... می­تواند در به بدست آوردن دقت مناسب نقش داشته باشد. بنابراین نمی­توان ذکر کرد همواره تصاویر چند طیفی و حتی ابر طیفی در طبقه­بندی ارقام یگ گونه موفق عمل می­نماید.

به طور کلی نتایج این تحقیق نشان داد به منظور طبقه­بندی 4 رقم پسته الگوریتم طبقه­بندی حداکثر تشابه دارای نتایج مطلوبی می­باشد و بهترین زمان برای تفکیک و طبقه­بندی ارقام پسته مورد مطالعه اواخر خرداد می­باشد. نتایج طبقه­بندی ارقام پسته با استفاده از تصاویر لندست و سنتینل A2 با توجه به چند طیفی بودن سنجندهای این ماهواره مناسب می­باشد. در مجموع بر اساس نتایج تکینک­های طبقه­بندی سنجش از دور دارای قابلیت بالایی به منظور نقشه­برداری کشاورزی و باغی بویژه در سطوح وسیع می­باشند.

 

منابع

1.       احمدپور، ا.، سلیمانی، ک.، شکری، م. و قربانی، ج. (1393). مقایسة میزان کارآیی سه روش رایج طبقه­بندی نظارت شده داده­های ماهواره­ای در مطالعة پوشش گیاهی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5 (3): 89-77.

2.       اخباری، م.، رنجبر، ا. و فاطمی، س. م. ب. (1385). بررسى روش­هاى طبقه­‏بندى تصاویر ماهواره­‏اى. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی (سپهر)، 15 (59): 64-61.

3.       پرما، ر.، شتایی جویباری، ش.، خداکرمی، ی. و حبشی، ه. (1388). ارزیابی داده‌های ماهواره‌ای ETM+ و LISS III برای تهیه نقشه تیپ در جنگل‌های زاگرس (مطالعه موردی: جنگل‌های قلاجه استان کرمانشاه). تحقیقات جنگل و صنوبر ایران، 17 (4): 606-594.

4.       رضایی مقدم، م. ح.، اندریانی، ص.، ولیزاده کامران، خ. و الماس پور، ف. (1395) تعیین بهترین الگوریتم استخراج کاربری - پوشش اراضی و کشف تغییرات از تصاویر ماهواره ای لندست (مطالعه موردی:حوضه صوفی چای مراغه). فضای جغرافیایی، ۱۶ (۵۵) :۶۵-85.

5.       سفیانیان، ع. و م. مدنیان. 1390. مقایسه روش‌های طبقه‌بندی‌کننده حداکثر مشابهت و حداقل فاصله از میانگین در تهیه نقشه پوشش اراضی (مطالعه موردی: استان اصفهان). مجله علوم آب و خاک، ۱۵ (۵۷): 264-253.

6.       شرافتی، ع.، ک. ارزانی و م. رمضانی‌ مقدم. 1392. ارزیابی گلدهی و میوه‌دهی دوازده رقم پسته (Pistacia vera L.) در شرایط آب و هوایی خراسان. به نژادی نهال و بذر، 29 (2): 256-243.

7.       ظفریان، ا.، ع. ابراهیمی و ر. امیدی پور. 1397. بررسی کارائی روش‎های طبقه‎بندی تصاویر ماهواره‏ای در پایش تغییرات پوشش اراضی(مطالعة موردی: حوضۀ آبخیز شهرکرد، چهارمحال و بختیاری). مرتع آبخیزداری، 71 (3): 714-699.

8.       علی خواه اصل، م. و ا. فروتن. 1392. استفاده از روش طبقه بندی فازی برای تهیه نقشه کاربری اراضی (مطالعه موردی زیر حوزه آبخیز حبله رود). انسان و محیط زیست، 1 (24-35): 47-41.

9.       علی زاده، پ.، ب. کامکار، ش. شتایی و ح. کاظمی. 1397. برآورد تغییرات سطح زیرکشت گندم و سویا با استفاده از طبقه‌بندی تصاویر ماهواره‌ای در غرب استان گلستان. پژوهش های کاربردی زراعی، 31 (3): 61-41.

10.       علیپور، ف.، م. ح. آق خانی، م. ح. عباسپور فرد و ع. سپهر. ۱۳۹۳. تفکیک محدوده و تخمین سطح زیر کشت محصولات کشاورزی به کمک تصاویر ماهواره­ای ETM+ (مطالعه موردی: مزرعه نمونه آستان قدس رضوی). ماشین‌های کشاورزی، 4 (2): 244-254.

11.       علی­محمدی، ع.، ع. متکان، پ. ضیائیان و ه. طباطبایی. 1388. مقایسه روش‏های طبقه‏ بندی پیکسل‏ پایه، شئ‏ پایه و درخت تصمیم در تهیه نقشه تیپ‏­های جنگل با استفاده از داده‏­های سنجش از دور (مطالعه موردی: جنگل آستارا). نشریه تحقیقات کاربردی علوم جغرافیایی، 9 (۸): 26-7.

12.       فرزادمهر، ج. و ک. تباکی بجستانی. 1397. تعیین قابلیت تصاویر ماهواره­ای لندست 8 در تخمین سطح زیر کشت زعفران (نمونه موردی: شهرستان تربت حیدریه). علمی پژوهشی زراعت و فناوری زعفران، 6 (1): 60-49.

13.       کاکه ممی، آ. و ا. قربانی. 1396. مقایسه سه روش تفسیر چشمی، طبقه‌بندی شیءگرا و طبقه‌بندی نظارت شده در تهیه نقشه کاربری/پوشش اراضی حوزه آبخیز ملا احمد اردبیل. اکوسیستم­های طبیعی ایران، 8 (4): 43-29.

14.       میرزایی زاده، و.، م. نیک نژاد و ج. اولادی قادیکلایی. 1394. ارزیابی الگوریتم­های طبقه بندی نظارت شده غیرپارامتریک در تهیة نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6 (3): 29-44.

15.       Breunig FM, Galvao LS, Formaggio AR, Epiphanio JC. 2011. Classification of soybean varieties using different techniques: case study with Hyperion and sensor spectral resolution simulations. Journal of Applied Remote Sensing, 5(1): 053533.

16.       Chuang CW, Lin CY, Chienn CH, Chou WC. 2011. Application of Markov-chain model for vegetation restoration assessment at landslide areas caused by a catastrophic earthquake in Central Taiwan. Ecological Modelling, 222(3): 835-845.

17.       FAO 2010 .The FAO statistical database, Food and Agriculture Organization of the United Nations available at:http://faostat.fao.org.

18.       Irons JR, Dwyer JL, Barsi JA. 2012. The next Landsat satellite: The Landsat data continuity mission. Remote Sensing of Environment, 122: 11-21.

19.       Kamal M, Phinn S. 2011. Hyperspectral data for mangrove species mapping: A comparison of pixel-based and object-based approach. Remote Sensing, 3(10): 2222-2242.

20.       Lacar FM, Lewis MM, Grierson IT. 2001. Use of hyperspectral imagery for mapping grape varieties in the Barossa Valley, South Australia. In IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium, 6: 2875-2877.

21.       Landgrebe D. 2002. Hyperspectral Image Data Analysis. IEEE Signal Processing, 19(1): 17-28.

22.       Lillesand TM, Kiefer RW & Chipman JW. 2004. Remote Sensing and Image Interpretation, fifth ed., J. Wiley & Sons, Inc., New York.

23.       Löw F, Michel U, Dech S, Conrad C. 2013. Impact of feature selection on the accuracy and spatial uncertainty of per-field crop classification using support vector machines. ISPRS journal of photogrammetry and remote sensing, 85: 102-119.

24.       Murmu S, & Biswas S. 2015. Application of fuzzy logic and neural network in crop classification: A review. Aquatic Procedia, 4: 1203-1210.

25.       Ozden-Tokatli Y, Akdemir H, Tilkat E, Onay A. 2010. Current status and conservation of Pistacia germplasm. Biotechnology Advances, 28: 130-141.

26.       Pahlevan N, Sarkar S, Franz B. A, Balasubramanian S. V, He J. (2017). Sentinel-2 MultiSpectral Instrument (MSI) data processing for aquatic science applications: Demonstrations and validations. Remote sensing of environment, 201: 47-56.

27.       Rao NR, Garg PK, Ghosh SK. (2007). Development of an agricultural crops spectral library and classification of crops at cultivar level using hyperspectral data. Precision Agriculture, 8(4-5): 173-185.

28.       Richards JA, Jia X. 1999. Remote Sensing Digital Image Analysis. 3rd Edition Springer-Verlag, Berlin.

29.       Richards JA, Jia X. 2006. Remote Sensing Digital Image Analysis an Introduction, 4th Edition, Chapter 1, Springer, Germany, Berlin, Heidelberg.

30.       Schweizer SM, Moura JM. 2001. Efficient detection in hyperspectral imagery. IEEE Transactions on image processing, 10(4): 584-597.

31.       Shwetank JK, Bhatia KJ. 2010. Review of rice crop identification and classification using hyper-spectral image processing system. International Journal of Computer Science & Communication, 1(1): 253-258.

32.       Shwetank S, Jain K, Bhatia K. 2012. Development of digital spectral library and supervised classification of rice crop varieties using hyperspectral image processing. Asian Journal of Geoinformatics, 11(3).

33.       Tatsumi K, Yamashiki Y, Torres MAC, Taipe CLR. 2015. Crop classification of upland fields using Random forest of time-series Landsat 7 ETM+ data. Computers and Electronics in Agriculture, 115: 171-179.

34.       Tu Y, Bian M, Wan Y, Fei T. 2018. Tea cultivar classification and biochemical parameter estimation from hyperspectral imagery obtained by UAV. PeerJ, 6, e4858.

35.       Wang F, Qin Z, Song C, Tu L, Karnieli A, Zhao S. 2015. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data. Remote Sensing, 7(4): 4268-4289.

36.       Zhang X, Sun Y, Shang K, Zhang L, & Wang S. 2016. Crop classification based on feature band set construction and object-oriented approach using hyperspectral images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(9): 4117-4128.

 

 

 

Evaluation of Supervised Classification Capability of Landsat 8 and Sentinel 2A Satellite Images in Determining Type and Area of Pistachio Cultivars

 

ABSTRACT

Remote sensing technique is one of the most effective tools for monitoring, studying and determining the cultivation area of agricultural and horticultural crops, especially on a large scale. Planners, managers, and farmers, with knowledge of the type and extent of crop cultivation, can adopt appropriate management and enforcement policies. Types of cultivars in crops are usually determined using hyperspectral satellite imagery. The purpose of the present study was to evaluate the supervised classification ability to classify Landsat 8 and Sentinel 2A multi-band satellite imagery in determining the cultivated area and type of four varieties of pistachio namely such as: Akbari, Kalle Ghuchi, Ahmad Aghaei and Fandooki in an orchard in the Yazd province. In the present study, the accuracy of four classification algorithms, namely: Parallelepiped classification, Minimum distance, Mahalanubis distance and Maximum likelihood as well as the optimum time in separation of pistachio cultivars were investigated. According to the classification results of a Landsat 8 image, on June 12, 2018, the Maximum likelihood algorithm with a final accuracy and kappa coefficient of 76.8% and 0.67% and Parallelepiped classification algorithm with the final and kappa coefficients of 64.7 and 0.47, were of highest and lowest accuracy among others, respectively. Also, according to the results, the best time for separation of pistachio cultivars was in late June. The kappa coefficient of maximum likelihood classification algorithm on June 22, July 23, August 24 and September 25 of 2018 were 0.67, 0.64, 0.63 and 0.63, respectively. The final accuracy and kappa coefficient of maximum likelihood classification algorithm on the Sentinel A2 Satellite Images on June 12, 2018 were 80% and 0.71, respectively. By applying the median filter with a 3 ×3 dimensional kernel window size on the classified image, the final accuracy and kappa coefficient was increased to 82.6% and 0.75, respectively. The final accuracy and kappa coefficient of classification and separation of pistachio cultivars in Sentinel A2 images were higher than in Landsat 8 images. Overall, based on ourresults, the remote sensing classification techniques as well as multi-spectral satellite imagery are suitable for agricultural and horticultural mapping.

 

Keywords: Supervised classification, Maximum likelihood classification algorithm, Pistachio cultivars, Kappa coefficient, Remote sensing

 


سکوی نشر دانش

سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد

پیوندهای سایت

مراکز مرتبط

پشتیبانی

صفحات رسمی

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]