پایش و برآورد سطح زیر کشت محصولات باغی و زراعی با تلفیق سری های زمانی سنجنده سنتینل-۲ و الگوریتم های یادگیری ماشین (مطالعه موردی: منطقه مجن)

سابقه و هدف: پایش دقیق الگو و سطح زیر کشت محصولات کشاورزی، به ویژه در مناطق کوهپایه ای با ساختار خرده مالکی و پراکنده، برای مدیریت بهینه منابع آب و برنامه ریزی کشاورزی امری ضروری است. با این وجود، فقدان آمار دقیق و به روز، برنامه ریزی در این مناطق را با چالش مواجه ساخته است. فناوری سنجش از دور با قابلیت پوشش گسترده و تهیه داده های به هنگام، راهکاری کارآمد برای پایش سطح زیر کشت به شمار می رود. این پژوهش با هدف پایش و برآورد سطح زیر کشت محصولات باغی و زراعی غالب در منطقه مجن با تلفیق سری های زمانی تصاویر سنتینل-۲ و الگوریتم های یادگیری ماشین انجام شد. مواد و روش ها: منطقه مورد مطالعه این پژوهش، شهر مجن، با دارا بودن شرایط خاص توپوگرافی واقع در دامنه جنوبی رشته کوه البرز، الگوی کشت پیچیده ای متشکل از باغات متراکم (مانند زردآلو، سیب و گیلاس) و اراضی زراعی (عمدتا گندم) را در خود جای داده است. عدم وجود آمار دقیق و به روز از سطح زیر کشت هر یک از این محصولات، برنامه ریزی برای تخصیص بهینه منابع آب محدود این منطقه را با مشکل مواجه ساخته است. از این رو، دسترسی به یک روش خودکار، دقیق و کم هزینه مبتنی بر فناوری سنجش از دور برای پایش الگوی کشت در این منطقه، نه تنها یک نیاز علمی، بلکه یک ضرورت عملیاتی برای مدیریت پایدار منابع آب و کشاورزی است. این پژوهش با تمرکز بر این چالش منطقه ای، در پی پر کردن خلا اطلاعاتی موجود است.در این پژوهش با استفاده از تصاویر چند زمانه ماهواره سنتینل ۲، اقدام به شناسایی سطح زیر کشت اراضی موجود در بازار آب مجن با بهره گیری از دوره فنولوژیکی گردیده است. در ابتدا اقدام به شناسایی نوع محصولات منطقه شامل زردآلو، سیب، گیلاس و گندم و نیز دوره فنولوژیکی آن ها گردید. سپس به عنوان اهداف تعلیمی از میان تمامی باغات و مزارع منطقه ۹۱ باغ سیب، ۲۵۴ باغ زردآلو، ۱۵ باغ گیلاس و ۳۵ مزرعه گندم و نیز ۵۰ محدوده اراضی بایر و فاقد کشت به عنوان جلوگیری از تداخل طیفی انتخاب شدند. همچنین از شاخص های گیاهی تفاضلی نرمال شده (NDVI)، پوشش گیاهی بهبود یافته (EVI)، تفاضلی نرمال شده آب (NDWI) به عنوان کاربردی ترین شاخص های گیاهی جهت شناسایی پوشش های گیاهی، نوع کشت و وضعیت سبزینگی منطقه در طی دوره های مختلف نیز استفاده گردیده شد. در نهایت به کمک برداشت های میدانی و همچنین مدل های نظارت شده ماشین بردار پشتیبان (SVM)، شبکه عصبی (Neural Net)، حداقل فاصله از میانگین (MD) و حداکثر تشابه (MLE)، تصاویر ماهواره ای طبقه بندی و نوع محصولات و نقشه اراضی کشاورزی بدست آمد. یافته ها: جهت بررسی صحت نتایج، نقشه های تولید شده با برداشت های میدانی تطبیق داده شد. نتایج بررسی نمودارهای شاخص-های گیاهی به وضوح بیانگر تفکیک نمودارها از یکدیگر و مشاهده هر یک از باغات سیب، زردآلو، گیلاس و مزارع گندم بصورت جداگانه با شدت و رنگ متفاوت بودند، لذا روند تغییرات ساختار محصولات غالب منطقه که شامل شاخص سطح برگ، نوع و ساختار تاج پوششی گیاه، مقادیر رطوبت و شناسایی پهنه های آبی از گیاهی می باشند را در شناسایی، تفکیک و همچنین آغاز روند رشد تا برداشت و خزان به خوبی نمایش داده اند. به جهت ارزیابی دقت مدل های طبقه بندی از روش اعتبارسنجی متقابل استفاده گردید که شاخص های آماری ضریب کاپای و دقت کلی در آن ها به کار گرفته شد، همچنین مقادیر دو خطای اومیسیون که بیانگر پیکسل هایی است که در مساحت اراضی به اشتباه طبقه بندی شده و به آن کلاس تعلق ندارد و نیز خطای کومیسیون که نشان دهنده اراضی یک کلاس که در کلاسهای دیگر واقع شده است به ترتیب برای محاسبه دقت تولیدکننده و دقت کاربر محاسبه گردیدند. برای روش های شبکه عصبی، ماشین بردار پشتیبان، حداکثر تشابه و حداقل فاصله از میانگین مقادیر ضریب کاپای به ترتیب ۷۹/۰، ۷۸/۰، ۶۶/۰ و ۶۰/۰ و دقت کلی ۸۹، ۸۸، ۸۱ و ۷۹ درصد بدست آمد که بررسی این اعداد به همراه مقادیر دوخطای کمیسیون و اومیسیون بیانگر عملکرد بهتر روش شبکه عصبی و ماشین بردار پشتیبان نسبت به دو روش دیگر بودند. نتایج نشان داد با استفاده از روش شبکه عصبی از مجموع ۲۰۰۰ هکتار اراضی مجن، مساحت تحت پوشش باغات زردآلو، سیب، گیلاس به ترتیب ۱۴۴۲، ۳۳۳ و ۵۲ هکتار (۱/۷۲، ۷/۱۶ و ۶/۲ درصد) و زراعت گندم ۱۷۳ هکتار (۶/۸ درصد) می باشد، که در مقایسه با آمار سازمان جهاد کشاورزی از دقت ۹۴ درصدی برخودار است. بررسی های میدانی نشان داد عواملی همچون کشت درختان هلو، شلیل، آلبالو و گردو به شکلی محدود در برخی از باغات منطقه به صورت ترکیبی با زردآلو و سیب با توجه به وسعت منطقه و تشابه دوره تقویم زراعی موجب بروز خطا در برآورد سطح زیر کشت این محصولات شده است، همچنین از بین نبردن علف های هزر در تعداد معدودی از باغات منطقه در ابتدای فصل بهار موجب بروز خطا در تفکیک این باغات با زمین های زراعی گندم شده. کمترین میزان خطا را می توان در سطح زیر کشت گندم در منطقه مشاهده نمود زیرا کشت آن بصورت پاییزه بوده و در این دوره محصولی همزمان در منطقه کشت نمی گردد. نتیجه گیری: در نهایت می توان بیان داشت کاربرد تصاویر ماهواره ای چند زمانه و شاخص فنولوژیکی می توانند نتایج نسبتا مقبولی را در شناسایی نوع محصولات کشاورزی و تعیین سطح زیر کشت آن ها ارائه نمایند که از دیدگاه های مدیریتی و نظارتی با توجه به مزایای آن از جمله قابلیت دسترسی به نقاط دوردست، سطح گسترده پوشش، دسترسی آسان و سریع به تصاویر و نیز دقت مناسب به جهت تهیه نقشه اراضی کشاورزی حائز اهمیت می باشد. در واقع می توان بیان داشت با بهره گیری از این فناوری در تمامی ابعاد مطالعاتی و مدیریتی می توان اطلاعات بسیار مفیدی را پیرامون مدیریت آبیاری و نحوه استفاده آن در مزارع و باغات و نیز کنترل تنش-های آبی به جهت برنامه ریزی در بخش های مختلف بهره جست و دقت کار را با صرف کمترین هزینه و نظارت دائمی افزایش داد.

کلیدواژه ها:

پایش سطح زیرکشت ، سنتینل-۲ ، شاخص های گیاهی ، الگوریتم های یادگیری ماشین