شناسایی مزارع سیب زمینی برمبنای شاخص فنولوژی و الگوریتم ماشین بردار پشتیبان با استفاده از سامانه رایانش ابری Google Earth Engine
- سال انتشار: 1404
- محل انتشار: نشریه سنجش از دور و GIS ایران، دوره: 17، شماره: 1
- کد COI اختصاصی: JR_GIS-17-1_001
- زبان مقاله: فارسی
- تعداد مشاهده: 32
نویسندگان
مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
چکیده
سابقه و هدف: سیب زمینی چهارمین محصول کشت شده در جهان است. با توجه به اهمیت استراتژیک این محصول در تامین امنیت غذایی، تهیه نقشه های دقیق از سطوح زیرکشت آن اطلاعات ضروری برای تخمین و پیش بینی میزان عملکرد محصول در مقیاس های متفاوت را فراهم می کند. اگرچه تا کنون رویکردهای متفاوت سنجش از دور، مبتنی بر سنجنده های اپتیکی یا مایکروویو، به طور گسترده برای پایش مزارع گوناگون (شامل سطح زیرکشت محصولات، شرایط و پیش بینی عملکرد آنها) به کار رفته، با استفاده از داده های سنجش از دور و یادگیری ماشین کمتر برای شناسایی مزارع سیب زمینی اقدام شده است. در این راستا، پژوهش حاضر به شناسایی و نگاشت محصول سیب زمینی در قطب تولید آن در کشور پرداخته است و سعی در مهیا سازی اطلاعات دقیق سطوح زیرکشت این محصول، برای حوزه مدیریت کلان کشاورزی را دارد. مواد و روش ها: ازآنجاکه بیشتر محصولات کشاورزی، در طول دوره کشت، ویژگی های طیفی زمانی منحصربه فردی دارند، این پژوهش با استفاده از تصاویر سری زمانی و بدون آستانه گذاری صریح، روشی را برای تمایز دادن مزارع سیب زمینی از سایر محصولات مطرح کرده است. طبق این روش، با استفاده از لایه های مبتنی بر فنولوژی محصول سیب زمینی و نیز یادگیری ماشین، به شناسایی این محصول روی آورده شد. به منظور بهینه سازی پارامترهای داخلی الگوریتم، براساس داده های زمینی نوع محصول در سایت مورد مطالعه که مجموعا شامل ۱۶۴۸ نمونه از مزارع سیب زمینی و سایر محصولات می شود، آموزش و ارزیابی مدل انجام شد. این داده ها با استفاده از گیرنده GPS دستی نمونه برداری شد. در این پژوهش، نگاشت مزارع سیب زمینی با استفاده از تصاویر ماهواره سنتینل ۲ و الگوریتم ماشین بردار پشتیبان انجام شد. با تهیه لایه های ورودی مناسب که شامل شاخص فنولوژیکی محصول سیب زمینی و شاخص آماری میانه NDVI (سری زمانی تصاویر ماهواره سنتینل ۲) در بازه های مشخص می شود، مزارع سیب زمینی با دقت شناسایی شد. درادامه، این لایه ها به منزله ورودی های ماشین بردار پشتیبان به کار رفت. به منظور آموزش مدل بهینه برای ماشین بردار پشتیبان با استفاده از کرنل RBF، مقادیر gamma و C با روش ۵-fold cross validation بهینه سازی شد. سپس این مقادیر، در فرایند اجرای الگوریتم، با استفاده از سامانه رایانش ابری گوگل ارث انجین به کار رفت. کارآیی روش پیشنهادی در شهرستان های 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=۷۰ و γ=۰.۳ محاسبه شد. این مقادیر در تابع RBF، به منظور شناسایی سطوح زیرکشت محصول سیب زمینی، در نظر گرفته شد. با اجرای الگوریتم طبقه بندی و سپس اعمال فیلتر Majority، نقشه سطوح زیرکشت سیب زمینی برای منطقه مورد مطالعه تهیه شد. این نقشه بیشترین تراکم کشت محصول سیب زمینی را در محدوده مرزی دو شهرستان (شمال غرب شهرستان همدان و شرق شهرستان بهار) نشان داد. سطح زیرکشت سیب زمینی برای سال زراعی ۱۳۹۹-۱۴۰۰، در شهرستان همدان، برابر ۱/۴۵۲۷ هکتار و در شهرستان بهار، برابر ۳/۶۰۸۸ هکتار به دست آمد. در ارزیابی نتایج، صحت کلی و ضریب کاپا به ترتیب برای همدان، ۹/۹۰% و ۸۲/۰ و برای بهار، ۳/۹۳% و ۸۷/۰ براساس ماتریس خطا برآورد شد. نتایج پژوهش حاضر به کارآیی الگوریتم ماشین بردار پشتیبان در شناسایی سطوح زیرکشت محصول سیب زمینی اشاره دارد و همچنین نشان داده است که شاخص های منطبق بر فنولوژی سیب زمینی را می توان، به منزله ویژگی های متمایزکننده در شناسایی بهتر مزارع این محصول، استفاده کرد. نتیجه گیری: شناسایی مزارع سیب زمینی، با استفاده از لایه های ورودی شاخص های منطبق بر فنولوژی محصول در الگوریتم ماشین بردار پشتیبان، نشان داد این روش می تواند صحت شناسایی سطوح زیرکشت این محصول را در سطح پایلوت بهبود ببخشد. ازاین رو می توان، برای شناسایی سایر محصولات مهم کشاورزی و نیز در دیگر مناطق، رویکردی مشابه را پیش گرفت و نتایج را ارزیابی کرد. همچنین پیشنهاد می شود کارآیی داده های مایکروویو و سایر الگوریتم های یادگیری ماشین در پژوهش های آینده مورد توجه قرار گیرد.کلیدواژه ها
شناسایی محصول, سیب زمینی, سری زمانی تصاویر ماهواره سنتینل ۲, سامانه گوگل ارث انجین, ماشین بردار پشتیباناطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.