تهیه نقشه پهنه بندی زراعی با استفاده از الگوریتم ماشین بردار پشتیبان به عنوان لایه کنترل و ارزیابی حدنگاری، به ویژه در لایه های کشاورزی مرتبط با ماده ۱۰ قانون الزام - منطقه مورد مطالعه: میمند فارس

مقدمه: در این پژوهش باتوجه به اینکه به موجب ماده ۱۰ «قانون الزام به ثبت رسمی معاملات اموال غیرمنقول»، مسئولیت تهیه و تکمیل حدنگاری محدوده های زراعی و باغی به عهده بنیاد مسکن انقلاب اسلامی و وزارت جهاد کشاورزی محول گردیده است و در این میان، سازمان ثبت اسناد و املاک کشور نیز به عنوان متولی اصلی ثبت رسمی، نیازمند در اختیار داشتن لایه های اطلاعاتی دقیق، به روز و قابل اتکا برای کنترل داده های مکانی مرتبط با اراضی زراعی و باغی است، کنترل و ارزیابی این محدوده ها به عنوان یکی از ارکان اساسی در تکمیل فرایند حدنگاری (کاداستر) مورد توجه قرار گرفته است. بهره گیری از فناوری سنجش ازدور، داده های ماهواره ای و الگوریتم های مختلف طبقه بندی می تواند راهکاری موثر و کم هزینه جهت تولید نقشه های پهنه بندی زراعی و تهیه خروجی به عنوان یک لایه اطلاعاتی برای کنترل و ارزیابی لایه های کاداستر باشد. در این پژوهش به تهیه نقشه طبقه بندی اراضی زراعی منطقه میمند فارس مورد استفاده به عنوان یک لایه اطلاعاتی به بانک کاداستر می پردازد. مواد و روش ها: در این پژوهش، به منظور شناسایی، طبقه بندی و برآورد اراضی زراعی منطقه مورد مطالعه (میمند فارس)، از داده های سنجش ازدور و الگوریتم های طبقه بندی از جمله الگوریتم هوش مصنوعی(ماشین بردار پشتیبان) بهره گیری شده است. در گام نخست، تصاویر ماهواره ای سنتینل۲ باقدرت تفکیک مکانی ۱۰ متر در باندهای مرئی (RGB) و مادون قرمز نزدیک (NIR) مورد استفاده قرار گرفت. به منظور افزایش دقت طبقه بندی، تصاویر پهپادی از منطقه برداشت و اورتوفوتو بادقت بالا تولید شد که به عنوان مرجع دقیق برای تهیه داده های آموزشی و آزمایشی برای صحت سنجی به کار رفت. تصاویر ماهواره ای پس از انجام پیش پردازش های لازم (شامل تصحیح هندسی، تصحیح جوی و برش به ناحیه مورد مطالعه مطابق مرزهای اورتوفوتو)، وارد فرایند طبقه بندی با چند روش طبقه بندی شدند. طبقات انتخاب شده برای منطقه شامل پنج کلاس: راه آسفالته، کشاورزی زراعی، منابع طبیعی، خاک بایر و راه خاکی بوده اند. نتایج طبقه بندی نشان داد که روش طبقه بندی حداکثر شباهت دقت کلی ۶۹.۵۷ و ضریب کاپا ۰.۵۷، روش طبقه بندی ماهالانوبیس دقت کلی ۶۱.۳۲ و ضریب کاپا ۰.۶ را نشان دادند و الگوریتم SVM توانسته است بادقت کلی (Overall Accuracy) برابر با ۷۰.۷۹ درصد، منطقه را به طور قابل قبولی طبقه بندی نماید. در میان کلاس ها، لایه کشاورزی زراعی دارای بالاترین دقت تولید (Producer’s Accuracy) برابر با ۹۴.۸۸ درصد بوده است که نشان از قابلیت بالای این روش در شناسایی اراضی زراعی دارد. در گام بعدی، لایه های طبقه بندی شده به فرمت شیپ فایل استخراج شده و می توانند به بانک کاداستر جهت کنترل و ارزیابی و برنامه ریزی در راستای اجرای ماده ۱۰ قانون الزام به ثبت رسمی معاملات اموال غیرمنقول تحویل داده شوند. با تعمیم این روش به سطح ملی و با پردازش سری زمانی تصاویر ماهواره ای در سراسر کشور، امکان برآورد دقیق و به روز از کل وسعت اراضی کشاورزی کشور فراهم می شود که نقشی اساسی در مدیریت زمین، کنترل تصرفات و سیاست گذاری های کلان کشاورزی ایفا خواهد کرد.

کلیدواژه ها:

طبقه بندی نظارت شده ، قانون الزام به ثبت رسمی ، کاداستر زراعی ، ماشین بردار پشتیبان