برآورد تغییرات سطح زیرکشت محصولات زراعی و باغی با استفاده از تصاویر ماهواره‌ای مطالعه موردی: حوضه پایین دست سد فریمان

آب و خاک

مقاله 1، دوره 37، شماره 6 - شماره پیاپی 92، بهمن و اسفند 1402، صفحه 829-840   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2023.83163.1301

نویسندگان

علیرضا نوری¹؛ جواد امیدوار²؛ فرشته مدرسی^{* 2}؛ کامران داوری²؛ سمیرا نوری²؛ علی اسدی²

¹گروه آگروتکنولوژی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

²گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

مدیریت نهاده‌ها و زمین‌های کشاورزی به‌خصوص مصرف بهینه آب و تخصیص منابع آبی، نیازمند به داشتن اطلاعات دقیق از انواع کاربری و روند تغییرات آن طی سال‌های مختلف است. استفاده از تصاویر ماهواره‌ای و تکنیک سنجش از دور، به‌علت ویژگی مقرون به‌صرفه بودن از نظر هزینه و زمان و در عین حال دارا بودن دقت مناسب، می­تواند در شناسایی کاربری اراضی و تغییرات آن مورد استفاده قرار گیرد. از این رو پژوهش حاضر با هدف شناسایی و تفکیک کاربری اراضی حوضه پایین دست سد فریمان طی سال‌های زراعی 1400 و 1401 انجام شده است. در این پژوهش از تصاویر ماهواره­ای سنتینل 2 با دقت مکانی 10 متر و دقت زمانی 5 روز و الگوریتم طبقه­بندی جنگل تصادفی استفاده شد. یافته‌ها نشان می­دهد ماهواره سنتینل 2 قادر است با معیارهای دقت کلی بیش از 97/0 و ضریب کاپای بیش از 94/0، محصولات زراعی و باغی را در منطقه مورد مطالعه شناسایی و از هم تفکیک نماید. براساس نتایج به‌دست آمده، سطح زیرکشت مناطق درختکاری شده نسبت به مناطق زراعی طی سال 1401 افزایش یافته است. براساس بازدیدهای میدانی انجام گرفته از مناطق تغییر کاربری یافته، مشاهده شد که احداث باغ ویلاها توسط مالکان زمین­ها و تبدیل برخی زمین‌های زراعی و آیش به باغ توسط کشاورزان، سبب افزایش سطح درختکاری در منطقه مورد مطالعه شده است. نتایج پژوهش حاضر نشان می‌دهد که استفاده از داده‌های ماهواره­ای سنتینل 2 به‌منظور شناسایی، تفکیک و بررسی تغییرات کاربری اراضی و پوشش گیاهی، کارآمد و دارای دقت بالا بوده و می­توان از نتایج به‌دست آمده در سیاست‌گذاری بهینه مصارف آب و مدیریت اراضی بهره برد.

کلیدواژه‌ها

تخصیص منابع آب؛ تغییر کاربری؛ سنتینل 2؛ کاربری اراضی؛ طبقه‌بندی

مراجع

1. Choudhary, K., Shi, W., Dong, Y., & Paringer, R. (2022). Random forest for rice yield mapping and prediction using Sentinel-2 data with Google Earth Engine. Advances in Space Research, 70(8), 2443-2457. https://doi.org/10.1016/j.asr.2022.06.073
2. Copernicus Open Access Hub. (2021). Retrieved from https://scihub.copernicus.eu/
3. Fei, H., Fan, Z., Wang, C., Zhang, N., Wang, T., Chen, R., & Bai, T. (2022). Cotton classification method at the county scale based on multi-features and random forest feature selection algorithm and classifier. Remote Sensing, 14(4), 829. https://doi.org/10.3390/rs14040829
4. Gim, H.J., Ho, C.H., Jeong, S., Kim, J., Feng, S., & Hayes, M.J. (2020). Improved mapping and change detection of the start of the crop growing season in the US Corn Belt from long-term AVHRR NDVI. Agricultural and Forest Meteorology, 294, 108143.
5. Ibrahim, E.S., Rufin, P., Nill, L., Kamali, B., Nendel, C., & Hostert, P. (2021). Mapping crop types and cropping systems in nigeria with sentinel-2 imagery. Remote Sensing, 13(17), 3523. https://doi.org/10.3390/rs13173523
6. Kobayashi, N., Tani, H., Wang, X., & Sonobe, R. (2020). Crop classification using spectral indices derived from Sentinel-2A imagery. Journal of Information and Telecommunication, 4(1), 67-90. https://doi.org/10.3390/ rs13173523
7. Kordi, F., Hamzeh, S., Atarchi, S., & Alavipanah, S.K. (2018). Agricultural product classification for optimal water resource management using the data time series of landsat8. Iranian Journal of Ecohydrology, 5(4), 1267-1283. (In Persian with English abstract). https://doi.org.10.22059/ije.2018.264578.943
8. Kumar, S., Arya, S., & Jain, K. (2022). A SWIR-based vegetation index for change detection in land cover using multi-temporal Landsat satellite dataset. International Journal of Information Technology, 14, 2035–2048. https://doi.org/10.1007/s41870-021-00797-6
9. Nouri, S., Sanaei Nejad, S.H., & Davari, K. (2018). Investigate of using of vegetation indices based on Satellite imagery in assessing agricultural drought (Case study: North Khorasan Province in Iran). Iranian Journal of Irrigation & Drainage, 11(6), 1076-1086. (In Persian with English abstract)
10. Ok, A.O., Akar, O. and Gungor, O. (2012). Evaluation of random forest method for agricultural crop classification. European. Journal of Remote Sensing, 45(1), 421-432. https://doi.org/10.5721/EuJRS20124535
11. Orynbaikyzy, A., Gessner, U., & Conrad, C. (2022) Spatial transferability of random forest models for crop type classification using Sentinel-1 and Sentinel-2. Remote Sensing. 14(6), 1493. https://doi.org/10.3390/rs14061493
12. Pande, C.B. (2022) Land use/land cover and change detection mapping in Rahuri watershed area (MS), India using the google earth engine and machine learning approach, Geocarto International, 37(26), 13860-13880, https://doi.org/10.1080/10106049.2022.2086622
13. Riahi, V., Zeaiean Firouzabadi, P., Azizpour, F., & Darouei, P. (2019). Identification and investigation of the area under cultivation in Lenjanat using Landsat 8 satellite images. Journal of Applied researches in Geographical Sciences, 19(52), 147-169. (In Persian with English abstract). https://doi.org.10.29252/jgs.19.52.147
14. Saei Jamalabad, M., Mojardi, B., & Abkar, A.A. (2018). Winter wheat classification by multi-temporal optimized image analysis based on random forest algorithm. Journal of Geomatics Science and Technology, 8(2), 133-150. (In Persian)
15. Sonobe, R., Yamaya, Y., Tani, H., Wang, X., Kobayashi, N., & Mochizuki, K.I. (2018). Crop classification from Sentinel-2-derived vegetation indices using ensemble learning. Journal of Applied Remote Sensing, 12(2), 026019-026019. https://doi.org/10.1117/1.JRS.12.026019.
16. Tian, H., Wang, Y., Chen, T., Zhang, L., & Qin, Y. (2021). Early-season mapping of winter crops using sentinel-2 optical imagery. Remote Sensing, 13(19): 3822. https://doi.org/10.3390/rs13193822
17. Zare khormizi, H., Ghafarian Malamiri, H.R., & Mortaz, M. (2020). Evaluation of supervised classification capability of Landsat-8 and Sentinel-2A Satellite images in determining type and area of pistachio cultivars. Journal of RS and GIS for Natural Resources, 11(1), 84-103. (In Persian with English abstract). https://doi.org.10.30495/girs.2020.672378