ارائه‌ی روشی دانش مبنا برای تمییز محصولات زراعی و برآورد سطح زیر کشت (مطالعه موردی: دشت مغان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد مهندسی GIS، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

2 استادیار گروه مهندسی نقشه‌برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران

10.22034/jget.2023.160267

چکیده

مقدمه:  نظارت و اطلاع از آمار دقیق و بهنگام سطح زیر کشت محصولات کشاورزی و برآورد میزان تولیدات کشاورزی نقش مهمی در برنامه­ریزی­های صحیح اقتصادی، واردات و صادرات دارد. امروزه به دلیل هزینه­ی پایین و سرعت بالای روش‌های سنجش‌ازدوری، میزان استفاده از این علم برای تولید آمار به هنگام سطح زیر کشت محصولات زراعی در حال گسترش می­باشد.
هدف:  هدف اصلی پژوهش حاضر توسعه­ی روشی دانش­مبنا مبتنی بر مفاهیم شی‌ءگرایی با لحاظ نمودن شروط مکانی و زمانی به منظور بهبود دقت تمییز محصولات زراعی و همچنین کاهش تعداد نمونه‌برداری‌های زمینی می­باشد.
روش شناسی: تحقیق حاضر در سه مرحله اصلی انجام ­می­شود: مرحله­ی اول شامل ایجاد ساختار شی‌ءگرایی (استخراج ویژگی­های هر مزرعه و ذخیره آن)، مرحله­ی دوم ایجاد پایگاه دانش بر اساس استخراج امضای طیفی محصولات زراعی مختلف و شروط مکانی-زمانی و مرحله­ی سوم شامل تمییز و تعیین نوع محصولات کاشته شده در هر مزرعه بر روی تصاویر ماهواره ای جدید (مجهول) با استفاده از دانش و اطلاعات ذخیره‌شده در هر مزرعه (شی‌ء) می­باشد.
قلمرو جغرافیایی پژوهش:  روش پیشنهادی به دلیل اهمیت و تنوع محصولات دشت مغان با استفاده از اطلاعات (مکانی و طیفی) سال زراعی 1399-۱۳۹8 در  این دشت پیاده‌سازی شد. همچنین به منظور بررسی قابلیت روش از پایگاه دانش ایجاد شده برای سال­ زراعی 1400-۱۳۹9 و بدون نمونه‌برداری‌های زمینی، استفاده شد.
یافته­ ها و بحث: روش پیشنهادی در سه تاریخ مختلف (اواخر فروردین،‌ اواخر اردیبهشت‌ماه و اواسط خردادماه) از یک سال زراعی پیاده سازی شد. دقت کلی روش برای تمییز محصولات در تاریخ­های بیان شده به ترتیب 66/94، 5/91 و 12/95 درصد محاسبه شد که نسبت به روش طبقه­بندی بیشترین شباهت بهبودی بیش از 10 درصد را نشان می­دهد. دقت کلی تمییز محصولات در سال 1400-1399 نیز در شرایط بدون استفاده از داده‌های زمینی به منظور به روز رسانی و تغییر پایگاه دانش روش، برای تاریخ های اول و دوم به ترتیب 3/92 و 6/90 درصد بود.
نتیجه­ گیری:  نتایج نشان داد استفاده از شروط پایگاه دانش که با استفاده از شرایط مکانی-زمانی و رفتار طیفی محصولات زراعی تعیین و تدوین می­شوند، موجب افزایش دقت تمییز محصولات زراعی در مقایسه با روش­های عادی مانند طبقه­بندی بیشترین شباهت می­شود. همچنین طبق نتایج تا زمانی که قیود پایگاه دانش ایجاد شده سازگار باشد، می­توان بدون نیاز به نمونه‌برداری زمینی در سال­های زراعی بعدی به منظور به روز رسانی پایگاه دانش، از آن برای تمییز محصولات زراعی استفاده نمود. 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Providing a knowledge-based method for distinguishing crops and estimating a cultivation area (Case study: The Moghan Plain)

نویسندگان [English]

  • Saeid Mehri 1
  • Navid Hooshangi 2
  • Mir Reza Ghaffari Razin 2
1 Department of Geospatial Information Systems, Faculty of Geodesy and Geomatics Engineering, K. N. Toosi University of Technology, Tehran, Iran
2 Department of Surveying Engineering, College of Earth Sciences Engineering, Arak University of Technology, Arak, Iran
چکیده [English]

Introduction: Monitoring and knowing accurate and update statistics of a cultivation area and estimating agricultural production is essential in proper economic planning, import, and export.

Purpose: A primary purpose of the research is to develop a knowledge-based method based on the concepts of objectivism in terms of spatial and temporal conditions. This method seems to improve the accuracy of crop discrimination and reduce the number of ground samplings.

Methodology: The present study is carried out in three main stages. The first stage includes creating an object-oriented structure (extracting the characteristics of each farm and storing them). The second stage is building a knowledge base according to spectral signatures of crops and spatial-temporal conditions. The third stage includes discriminating crops in satellite images using the proposed method.

Study area: Due to the importance and diversity of Moghan plain and its products, the proposed method was implemented using information (spatial and spectral) of the 2019-2020 cultivation season there.

Results and Discussion: The overall accuracy of the proposed method for discriminating crops at three different dates (stages of crop growth), including April (beginning of a wheat’s green growth), May, and mid-June (before a wheat’s harvest), were 94.66, 91.5, and 95.12 percent, respectively. That shows an improvement of more than 10% compared to the Maximum-likelihood Classification.

Results: The results showed that using Spatio-temporal conditions and spectral behavior of crops from their planting to harvest time can increase crop discrimination accuracy compared to the maximum likelihood classification method.

کلیدواژه‌ها [English]

  • Knowledge-Based Method
  • Remote Sensing
  • Crop detection
  • Crop Statistics
  • Spatio-Temporal Analysis

مراجع

احمدپور، امیر؛ سلیمانی، کریم؛ شکری، مریم و قربانی، جمشید. (1393). مقایسه میزان کارآیی سه روش رایج طبقه بندی نظارت شده داده های ماهواره ای در مطالعة پوشش گیاهی. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 5(3), 77-89.
رحیم زادگان، مجید و پورغلام، مصطفی. (1395). تعیین سطح زیر کشت گیاه زعفران با استفاده از تصاویر لندست (مطالعه موردی: شهرستان تربت حیدریه). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی (کاربرد سنجش از دور و  GISدر علوم منابع طبیعی). 7(4)، 97-115.
ضیائیان فیروزآبادی، پرویز؛ صیاد بیدهندی، لیلا و اسکندری نوده، محمد. (1388). تهیة نقشه و تخمین سطح زیرکشت برنج در شهرستان ساری با استفاده از تصاویر ماهواره ای رادارست. پژوهش های جغرافیای طبیعی. 68، 45-58.
عباس زاده تهرانی، نادیا؛ بهشتی فر، محمدرضا و مربی، محمد. (1390). برآورد سطح زیر کشت محصول در استان قزوین با به کارگیری IRS-LISS III تصاویر چند زمانه. پژوهش های محیط زیست. 2(3)، 87-96.
علی زاده، پریسا؛ کامکار، بهنام؛ شتایی، شعبان و کاظمی، حسین. (1397). برآورد تغییرات سطح زیرکشت گندم و سویا با استفاده از طبقه‌بندی تصاویر ماهواره‌ای در غرب استان گلستان. پژوهش های کاربردی زراعی. 31(3)، 41-61.
علیپور، فریده؛ آق خانی، محمدحسین؛ عباس پورفرد، محمدحسین و سپهر، عادل. (1393). تفکیک محدوده و تخمین سطح زیر کشت محصولات کشاورزی به کمک تصاویر ماهواره ای. ماشین های کشاورزی. 4(2), 244-254.
فرزادمهر، جلیل و تباکی بجستانی، کاظم. (1397). تعیین قابلیت تصاویر ماهواره ای لندست 8 در تخمین سطح زیر کشت زعفران (نمونه موردی: شهرستان تربت حیدریه). علمی پژوهشی زراعت و فناوری زعفران. 6(1), 49-60.
فروغی منش، فروغی و عبدالهیان نوقابی، محمد. (1393). تعیین سطح زیر کشت و تراکم بوته مزارع چغندرقند با پردازش داده های ماهواره ای. مجله چغندرقند. 30(2), 207-222.
حاتمی، فرشاد؛ رفیعی، مریم؛ کاظمیان، آرزو؛  احمدی، کریم؛ قلی‌زاده، حشمت‌اله؛ فضلی، بهروز؛ حسین‌پور، ربابه و عبادزاده، حمیدرضا. (1393). آمارنامه محصولات زراعی سال زراعی 1392-93. وزارت جهادکشاورزی، معاونت برنامهریزی و اقتصادی، مرکز فناوری اطلاعات و ارتباطات.
ریاحی، وحید؛ ضیاییان فیروزآبادی، پرویز؛ فرهاد، عزیزپور و پرستو، دارویی. (1398). تعیین و بررسی سطح زیرکشت محصولات زراعی در ناحیه لنجانات با استفاده از تصاویر ماهواره ای. فصلنامه تحقیقات کاربردی علوم جغرافیایی. 19(52), 147-169.
یونسی، بیژن؛ احمدی ثانی، ناصر و شرفی، سوران. (1398). ارزیابی تصاویر IRS-P6 برای برآورد سطح زیر کشت باغات. سنجش از دور و GIS ایران. 11، 115- 128.
Abd El-Kawy, O. R., Rød, J. K., Ismail, H. A., & Suliman, A. S. (2011). Land use and land cover change detection in the western Nile delta of Egypt using remote sensing data. Applied Geography, 31(2), 483-494.
Ahmad, I., Singh, A., Fahad, M., & Waqas, M. M. (2020). Remote sensing-based framework to predict and assess the interannual variability of maize yields in Pakistan using Landsat imagery. Computers and Electronics in Agriculture, 178, 105732.
Akerkar, R., & Sajja, P. (2010). Knowledge-based systems, Jones & Bartlett Publishers.
Chandna, P.K. & Mondal, S. (2020). Analyzing multi-year rice-fallow dynamics in Odisha using multi-temporal Landsat-8 OLI and Sentinel-1 Data. GIScience & Remote Sensing, 57(4), 431-449
Chen, X., An, P., Laakso, K., Arturo Sanchez-Azofeifa, G., Wang, F., Zhang, G. & Pan, Z. (2021). Satellite-based observations of the green depressing cropping system in a farming-pastoral ecotone of northern China. International Journal of Applied Earth Observation and Geoinformation, 98, 102312.
Chen, S., J. Useya, & Mugiyo, H. (2020). Decision-level fusion of Sentinel-1 SAR and Landsat 8 OLI texture features for crop discrimination and classification: case of Masvingo, Zimbabwe. Heliyon, 6(11).
De Freitas, D. M., & Tagliani, P. R. A. (2009). The use of GIS for the integration of traditional and scientific knowledge in supporting artisanal fisheries management in southern Brazil. Journal of Environmental Management, 90(6), 2071-2080.
Deng, J. S., Wang, K., Deng, Y. H., & Qi, G. J. (2008). PCA‐based land‐use change detection and analysis using multitemporal and multisensor satellite data. International Journal of Remote Sensing, 29(16), 4823-4838.
Hussain, M., Chen, D., Cheng, A., Wei, H., & Stanley, D. (2013). Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80, 91-106.
Jafari Jozani, H., Thiel, M., Abdel-Rahman, E. M., Richard, K., Landmann, T., Subramanian, S., & Hahn, M. (2020). Investigation of Maize Lethal Necrosis (MLN) severity and cropping systems mapping in agro-ecological maize systems in Bomet, Kenya utilizing RapidEye and Landsat-8 Imagery. Geology, Ecology, and Landscapes, 1-16.
Lu, D., Mausel, P., Brondízio, E., & Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25(12), 2365-2401.
Lu, X., Shaoqing, Z., Zongyi, H., & Yan, G. (2009). The comparative study of three methods of remote sensing image change detection. 17th International Conference on Geoinformatics.
Lunetta, R. S., Knight, J. F., Ediriwickrema, J., Lyon, J. G., & Worthy, L. D. (2006). Land-cover change detection using multi-temporal MODIS NDVI data. Remote Sensing of Environment, 105(2), 142-154.
Mehri, S., A.A. Alesheikh, & Helali, H. (2015). Developing a Spatial Knowledge-Based Approach to Detect Changes of Cultivation Fields. Journal of Geomatics Science and Technology, 5(2), 109-118.
Michener, W. K., & Houhoulis, P. F. (1997). Detection of vegetation changes associated with extensive flooding in a forested ecosystem. Photogrammetric Engineering and Remote Sensing, 63(12), 1363-1374.
Nguyen, T. T., Hoang, T. D., Pham, M. T., Vu, T. T., Nguyen, T. H., Huynh, Q.-T., & Jo, J. (2020). Monitoring agriculture areas with satellite images and deep learning. Applied Soft Computing, 95, 106565.
Rodriguez-Bachiller, A., & Glasson, J. (2003). Expert systems and geographic information systems for impact assessment. CRC press taylor & francis group.
Soffianian, A. R., & Khodakarami, L. (2011). Land Use Mapping Using Fuzzy Classification: Case Study in Three Catchment Areas in Hamedan Province. Town And Country Planning, 3(4), 95-114.
Song, C., Woodcock, C. E., Seto, K. C., Lenney, M. P., & Macomber, S. A. (2001). Classification and Change Detection Using Landsat TM Data: When and How to Correct Atmospheric Effects? Remote Sensing of Environment, 75(2), 230-244.
Sonmez, N. K., & Sari, M. (2007). Monitoring land use change in the West Mediterranean region of Turkey: A case study on Antalya-Turkey coast. Fresenius Environmental Bulletin, 16, 1325-1330.
Yu, G., Yan, M., Zen, L., Zhou, H., Zhang, Q., Li, S., & Liu, H. (1996). Agricultural Land Investigation and Change Detection by Incorporating GIS and Satellite Remote Sensing Case Studies in Sichuan Province, China. International Archives of Photogrammetry and Remote Sensing, 31, 811-815.
Yusoff, N., Muharam, F. M., & Bejo, S. (2017). Towards the use of remote-sensing data for monitoring of abandoned oil palm lands in Malaysia: a semi-automatic approach. International Journal of Remote Sensing, 38, 432-449.
Zhu, A. X., Wang, R., Qiao, J., Qin, C.-Z., Chen, Y., Liu, J., . . . Zhu, T. (2014). An expert knowledge-based approach to landslide susceptibility mapping using GIS and fuzzy logic. Geomorphology, 214(0), 128-138.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 13 شهریور 1400
  • تاریخ بازنگری: 01 آذر 1400
  • تاریخ پذیرش: 14 دی 1400

هم رسانی

ارجاع به این مقاله

آمار