ادغام تصاویر چندطیفی و راداری به‌منظور افزایش دقت طبقه‌بندی و برآورد سطح زیر کشت محصولات زراعی

ماشین های کشاورزی

مقاله 6، دوره 13، شماره 4 - شماره پیاپی 30، دی 1402، صفحه 493-508   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.2022.78446.1123

نویسندگان

مهدی سعدیخانی¹؛ محمد مهدی مهارلویی^{* 2}؛ محمدعلی رستمی³؛ محسن عدالت⁴

¹دانشجوی کارشناسی ارشد بخش مهندسی مکانیک بیوسیستم، دانشگاه شهید باهنر کرمان، کرمان، ایران

²بخش مهندسی مکانیک بیوسیستم، دانشگاه شهید باهنر کرمان، کرمان، ایران

³بخش فنی و مهندسی کشاورزی، سازمان تحقیقات آموزش و ترویج کشاورزی، شیراز، ایران

⁴بخش زراعت و اصلاح نباتات، دانشگاه شیراز، شیراز، ایران

چکیده

سنجش از دور فنّ به‌دست‌آوردن اطلاعات درباره یک شئ، عارضه و یا پدیده‌های مربوط به یک منطقه جغرافیایی خاص بدون تماس فیزیکی با آن‌ها است. دستیابی به دقت بالا در طبقه‌بندی عوارض سطح زمین به کمک تصاویر چندطیفی همواره مد نظر پژوهشگران بوده است. یکی از عوامل کاهش دقت نقشه طبقه‌بندی، ناهموار بودن سطح زمین است. وجود نقاط مرتفع موجب می‌شود که سنجنده در دریافت دقیق اطلاعات بازتابی از سطح پدیده‌ها با مشکل روبه‌رو شود. تصاویر رادار با ارائه مدل رقومی ارتفاع (DEM) در شناسایی و تعیین ارتفاع پدیده‌های سطح زمین موثر است. استفاده از خصوصیات تصاویر دو سنجنده کاملاً متفاوت به‌منظور بهره‌گیری از قابلیت‌های مثبت آن‌ها با کمک روش ادغام تصاویر ممکن می‌شود. در این پژوهش به‌منظور برآورد سطح زیر کشت و طبقه‌بندی محصولات زراعی و سایر پدیده‌های موجود در منطقه مورد مطالعه، از تصاویر چندطیفی ماهواره سنتینل2 مربوط به منطقه باجگاه واقع در استان فارس استفاده شد. بدین منظور سری زمانی NDVI متشکل از 13 تصویر ایجاد و با تصویر راداری سنجنده PALSAR در سطح پیکسل، با هدف حذف نقاط مرتفع، تلفیق شد. نتایج این پژوهش نشان داد طبقه‌بندی تصاویر برای شناسایی مزارع زیر کشت محصولات مختلف با دقت بالایی انجام شده است و سطح زیر کشت با دقت 97درصد در گندم، 99.5درصد در جو و 96.5 درصد در کلزا نسبت به مقادیر اندازه‌گیری‌شده در مزرعه تخمین زده شده است. تصاویر ادغام‌شده دارای دقت کلی 98.1 درصد و ضریب کاپا 0.97 بود که دقت کلی را نسبت به تصاویر مجزا 7.5 درصد بهبود بخشید.

کلیدواژه‌ها

سنتینل2؛ شاخص نرمال‌شده اختلاف پوشش گیاهی (NDVI)؛ ضریب کاپا؛ ماتریس آشفتگی؛ ماشین بردار پشتیبان

مراجع

Abdikan, S. (2018). Exploring image fusion of ALOS/PALSAR data and LANDSAT data to differentiate forest area. Geocarto International, 33, 21-37. https://doi.org/10.1080/10106049.2016.1222635

Ahmad, A. (2005). Change detection in high density urban area and rural area using high resolution satellite image. Atılım Üniversitesi.

Arekhi, S., & Adibnejad, M. (2011). Efficiency assessment of the of Support Vector Machines for land use classification using Landsat ETM+ data (Case study: Ilam Dam Catchment). Iranian Journal of Range and Desert Research, 18, 420-440. (in Persian). https://doi.org/10.22092/ijrdr.2011.102175

Bounoua, L., Collatz, G., Los, S., Sellers, P., Dazlich, D., Tucker, C., & Randall, D. (2000). Sensitivity of climate to changes in NDVI. Journal of Climate, 13, 2277-2292. https://doi.org/10.1175/1520-0442(2000)013<2277:SOCTCI>2.0.CO;2

Efimov, A. I., Kolchaev, D. A., Nikiforov, M. B., & Novikov, A. I. (2018). Algorithm of geometrical transformation and merging of radar and video images for technical vision systems. Pages 1-4. 2018 7^th Mediterranean Conference on Embedded Computing (MECO): IEEE. https://doi.org/10.1109/meco.2018.8406061

Fang, L., He, N., Li, S., Ghamisi, P., & Benediktsson, J. A. (2017). Extinction profiles fusion for hyperspectral images classification. IEEE Transactions on Geoscience and Remote Sensing, 56, 1803-1815 https://doi.org/10.1109/tgrs.2017.2768479

Gomez, C., White, J. C., & Wulder, M. A. (2016). Optical remotely sensed time series data for land cover classification: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 116, 55-72. https://doi.org/10.1016/j.isprsjprs.2016.03.008

Hunger, S., Karrasch, P., & Wessollek, C. (2016). Evaluating the potential of image fusion of multispectral and radar remote sensing data for the assessment of water body structure. Pages 374-384. Remote Sensing for Agriculture, Ecosystems, and Hydrology XVIII: SPIE. https://doi.org/10.1117/12.2241264

Johnson, S. J. (2009). An evaluation of land change modeler for ARCGIS for the ecological analysis of landscape composition. Southern Illinois University at Carbondale.

Knorn, J., Rabe, A., Radeloff, V. C., Kuemmerle, T., Kozak, J., & Hostert, P. (2009). Land cover mapping of large areas using chain classification of neighboring Landsat satellite images. Remote Sensing of Environment, 113, 957-964. https://doi.org/10.1016/j.rse.2009.01.010

Kogan, F. N. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in Space Research, 15, 91-100. https://doi.org/10.1016/0273-1177(95)00079-t

Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote sensing and image interpretation. John Wiley & Sons.

Malingreau, J., Tucker, C., & Laporte, N. (1989). AVHRR for monitoring global tropical deforestation. International Journal of Remote Sensing, 10, 855-867. https://doi.org/10.1080/01431168908903926

Monsalve-Tellez, J. M., Torres-León, J. L., & Garcés-Gómez, Y. A. (2022). Evaluation of SAR and Optical Image Fusion Methods in Oil Palm Crop Cover Classification Using the Random Forest Algorithm. Agriculture, 12, 955. https://doi.org/10.3390/agriculture12070955

Myneni, R. B., Asrar, G., Tanre, D., & Choudhury, B. J. (1992). Remote sensing of solar radiation absorbed and reflected by vegetated land surfaces. IEEE Transactions on Geoscience and Remote Sensing, 30, 302-314. https://doi.org/10.1109/36.134080

Nouri, H., Anderson, S., Sutton, P., Beecham, S., Nagler, P., Jarchow, C. J., & Roberts, D. A. (2017). NDVI, scale invariance and the modifiable areal unit problem: An assessment of vegetation in the Adelaide Parklands. Science of the Total Environment, 584, 11-18. https://doi.org/10.1016/j.scitotenv.2017.01.130

Palubinskas, G., Makarau, A., & Tao, J. (2011). Fusion of optical and radar data for the extraction of higher quality information.

Rahnama, S., Maharlooei, M., Rostami, M., & Maghsoudi, H. (2018). Date palm identification using Sentinel and Landsat satellites imagery. Pages 1. 2018 ASABE Annual International Meeting: American Society of Agricultural and Biological Engineers. https://doi.org/10.13031/aim.201801777

Rahnama, S., Maharlooei, M., Rostami, M. A., & Maghsoudi, H. (2019). Determining the Best Classification Algorithm in order to Estimate the Area under Date Palm Cultivation using LANDSAT 8 Satellite Imagery. Journal of Agricultural Machinery, 9(2), 321-335. (in Persian). https://doi.org/10.22067/jam.v9i2.67310

Rajah, P., Odindi, J., & Mutanga, O. (2018). Feature level image fusion of optical imagery and Synthetic Aperture Radar (SAR) for invasive alien plant species detection and mapping. Remote Sensing Applications: Society and Environment, 10, 198-208. https://doi.org/10.1016/j.rsase.2018.04.007

Senay, G., & Elliott, R. (2000). Combining AVHRR-NDVI and landuse data to describe temporal and spatial dynamics of vegetation. Forest Ecology and management, 128, 83-91. https://doi.org/10.1016/s0378-1127(99)00275-3

Tuia, D., Merenyi, E., Jia, X., & Grana-Romay, M. (2014). Foreword to the special issue on machine learning for remote sensing data processing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7, 1007-1011. https://doi.org/10.1109/jstars.2014.2311915

Wang, H., Li, Q., Gao, Z., Sun, B., & Du, X. (2014). Assessment of land degradation using time series trends analysis of vegetation indictors in Beijing-Tianjin dust and sandstorm source region. Pages 753-756. 2014 IEEE Geoscience and Remote Sensing Symposium: IEEE. https://doi.org/10.1109/igarss.2014.6946533

Zhang, M., Ghamisi, P., & Li, W. (2017). Classification of hyperspectral and LIDAR data using extinction profiles with feature fusion. Remote Sensing Letters, 8, 957-966. https://doi.org/10.1080/2150704x.2017.1335902