سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

یونسی, بیژن, احمدی ثانی, ناصر, شرفی, سوران. (1398). ارزیابی تصاویر IRS-P6 برای برآورد سطح زیر‌کشت باغات. , 11(1), 113-126. doi: 10.52547/gisj.11.1.113
بیژن یونسی; ناصر احمدی ثانی; سوران شرفی. "ارزیابی تصاویر IRS-P6 برای برآورد سطح زیر‌کشت باغات". , 11, 1, 1398, 113-126. doi: 10.52547/gisj.11.1.113
یونسی, بیژن, احمدی ثانی, ناصر, شرفی, سوران. (1398). 'ارزیابی تصاویر IRS-P6 برای برآورد سطح زیر‌کشت باغات', , 11(1), pp. 113-126. doi: 10.52547/gisj.11.1.113
یونسی, بیژن, احمدی ثانی, ناصر, شرفی, سوران. ارزیابی تصاویر IRS-P6 برای برآورد سطح زیر‌کشت باغات. , 1398; 11(1): 113-126. doi: 10.52547/gisj.11.1.113

ارزیابی تصاویر IRS-P6 برای برآورد سطح زیر‌کشت باغات

نشریه سنجش از دور و GIS ایران
مقاله 7، دوره 11، شماره 1 - شماره پیاپی 41، 1398، صفحه 113-126    اصل مقاله (2.16 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.52547/gisj.11.1.113
نویسندگان
بیژن یونسی1؛ ناصر احمدی ثانی* 2؛ سوران شرفی3
1دانش‌آموخته کارشناسی ارشد آگرواکولوژی، دانشگاه آزاد اسلامی واحد مهاباد، مهاباد، ایران.
2استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه آزاد اسلامی واحد مهاباد، مهاباد، ایران.
3استادیار، گروه زراعت و اصلاح نباتات، دانشگاه آزاد اسلامی واحد مهاباد، مهاباد، ایران.
چکیده
کشاورزی، محور توسعه است و سطح زیر‌کشت محصولات زراعی و باغی در بخش کشاورزی یک پارامتر مهم مدیریتی است. ارزیابی و تعیین دقیق‌ سطح این پارامتر، برنامه‌ریزان را در توسعه کشاورزی یاری می‌دهد. به‌منظور غلبه بر محدودیت‌های کار میدانی در برآورد سطح زیر‌کشت محصولات کشاورزی، استفاده از تصاویر ماهواره‌ای به‌دلیل دید وسیع و یکپارچه، چند‌طیفی و به‌روز بودن گزینه مناسبی به‌ نظر می‌رسد. در این تحقیق داده‌های ماهواره IRS-P6 به‌منظور برآورد سطح زیر‌کشت باغات در اراضی دشت شارویران شهرستان مهاباد مورد تجزیه‌و‌تحلیل قرار گرفت. به‌منظور استخراج بهتر اطلاعات، شاخص‌های مختلف با استفاده از روش‌های نسبت‌گیری باندی و تحلیل مولفه‌های اصلی تهیه شدند. طبقه‌بندی داده‌ها به‌روش نظارت‌شده و با الگوریتم‌های مختلف به دو‌صورت 7 کلاسه‌ (طبقات کاربری اراضی) و 2 کلاسه‌ (باغ و غیرباغ) انجام شد. صحت نقشه‌های حاصل از طبقه‌بندی‌ در مقایسه با نقشه‌های واقعیت‌ زمینی ارزیابی شد. بهترین صحت کلی و ضریب کاپا به‌ترتیب برابر %75/97 و 95/0 با الگوریتم حداکثر احتمال در طبقه‌بندی 2‌ کلاسه‌ حاصل شد. نتایج نشان داد که داده‌های IRS-P6 برای شناسایی و پایش سطح زیر‌کشت باغات از لحاظ هزینه، زمان و دقت بسیار مناسب هستند
کلیدواژه‌ها
ارزیابی صحت؛ تهیه نقشه باغات؛ سنجش از دور؛ حداکثر احتمال؛ کشاورزی
عنوان مقاله [English]
Evaluation of IRS-P6 Images for Orchards Area Estimating
نویسندگان [English]
Bijan Younesi1؛ Naser Ahmadi Sani2؛ Soran Sharafi3
1M.Sc. of Agroecology, Mahabad Branch, Islamic Azad University, Mahabad, Iran
2Assist. Prof., Faculty of Agriculture and Natural Resources, Mahabad Branch, Islammic Azad University, Mahabad, Iran
3. Prof., Department of Agronomyand Plant Breeding, Mahabad Branch, Islamic Azad University, Mahabad, Iran
چکیده [English]
Agriculture is the basis for development and identification of crops and orchards is an important parameter in agricultural management helping planners through providing precise crop/orchard mapping. In order to overcome the limitations of fieldwork in crop and orchard mapping, satellite images seem to be appropriate due to providing wide coverage, timely and sequentially repeated image acquisition. In this study, IRS-P6 satellite images were analyzed in the Sharveran Plain lands in Mahabad County for orchard mapping. Various spectral indices were extracted using band ratioing and Principal Components Analysis (PCA) methods. Different supervised classifiers were used for classification of a 7-class (land use) and a 2-class (orchard and non-orchard) scenario. The classified maps were evaluated using the ground truth maps. The best overall accuracy and kappa coefficient were 97.95% and 0.95, respectively, using Maximum Liklihood classifier in the 2-class scenario. The results showed that IRS-P6 data are very suitable for identification and monitoring of orchards in terms of cost, time and accuracy.
کلیدواژه‌ها [English]
Accuracy assessment, Agriculture, Maximum liklihood, Orchards mapping, Remote sensing
مراجع
  1. آبکار، ع.ا.، خیرخواه زرکش، م.م.، صادقی نائینی، ع.، علیزاده، ه. و وفایی‌نژاد، ع.ر.، 1391، تهیه نقشه پراکنش شالیزارهای برنج با استفاده از داده‌های سری زمانی سنجنده MODIS ماهواره TERRA، سنجش از دور و GIS ایران، سال چهارم، شماره دوم، صص. 95-75.
  2. اصغری، م.، 1391، ترویج علم و تکنولوژی برای ایجاد تحول در بخش کشاورزی استان آذربایجان غربی، نشریه آموزشی، ترویجی و پ‍ژوهشی چالیشانلار، سال شانزدهم، شماره ششم، صص. 11-8.
  3. امینی‌ بازیابی، س.، اکبری، م. و زارع ابیانه، ح.، 1392، برآورد سطح و تراکم کشت با استفاده از سنجش از دور در دشت همدان، نشریه آبیاری و زهکشی ایران، سال اول، شماره هفتم، صص. 48-36.
  4. انصاری ‌آملی، ع. و علی‌محمدی، ع.، 1390، استفاده از روش طبقه‌بندی چند‌زمانه و داده‌های سنجنده AVHRR به‌منظور تخمین دقیق سطح زیرکشت محصول برنج در استان گیلان، برنامه‌ریزی و آمایش فضا، سال دوم، شماره پانزدهم، صص. 41-33.
  5. جباری، س،. خواجه‌الدین، ج.، جعفری، ر. و سلطانی، س.، 1393، بررسی تغییرات پوشش گیاهی مراتع با استفاده از تصاویر ماهواره‌ای در منطقه سمیرم اصفهان، بوم‌شناسی کاربردی، سال دهم، شماره سوم، صص. 37-27.
  6. رحیم‌زادگان، م. و پورغلام، م.، 1395، تعیین سطح زیر کشت گیاه زعفران با استفاده از تصاویر لندست، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال هفتم، شماره چهارم، صص. 115-97.
  7. رفیعی، ی،. علوی‌پناه، ک.، ملک‌محمدی، ب.، رمضانی مهربان، م. و نصیری، ح.، 1391، تهیه نقشه‌های پوشش اراضی به کمک سنجش از دور با استفاده از خوارزمیک درخت تصمیم‌گیری، مجله جغرافیا و برنامه‌ریزی محیطی، سال سوم، شماره بیست و سوم، صص. 110-93.
  8. فخیره، ا،. پهلوان‌رو، ا.، نجفی زیلالی، م.، مرادزاده، م. و نوری، س.، 1391، کاربرد داده‌های رقومی در تهیه نقشه تغییرات پوشش گیاهی ناحیه بیابانی غرب رودخانه کرخه، تحقیقات مرتع و بیابان ایران، سال سوم، شماره نوزدهم، صص. 468-457.
  9. فرزاد‌مهر، ج. و تباکی بجستانی، ک.، 1397، تعیین قابلیت تصاویر ماهواره‌ای لندست 8 در تخمین سطح زیرکشت زعفران، نشریه زراعت و فناوری زعفران، سال ششم، شماره اول، صص. 60-49.
  10. فروغی‌منش، م. و عبدالهیان نوقابی، م.، 1393، تعیین سطح زیرکشت و تراکم بوته مزارع چغندرقند با پردازش داده‌های ماهواره‌ای، چغندر‌قند، سال سی‌ام، شماره دوم، صص. 222-207.
  11. فرید‌حسینی، ع.، آستارایی، ع.، ثنایی‌نژاد، ح. و حسین موسوی، پ.، 1391، تخمین شاخص سطح برگ با استفاده از داده‌های IRS در منطقه نیشابور، نشریه پژوهش‌های زراعی ایران، سال سوم، شماره دهم، صص. 6-1.
  12. شیرازی، م،. زهتابیان، غ. و متین‌فر، ح.، 1389، بررسی قابلیت شاخص‌های مختلف دورسنجی در بارزسازی پوشش‌های سطح زمین در مناطق خشک، تحقیقات مرتع و بیابان ایران، سال دوم، شماره هفدهم، صص. 275-256.
  13. عباس‌زاده تهرانی، ن.، بهشتی‌فر، م.ر. و مربی، م.، 1390، برآورد سطح زیرکشت محصول در استان قزوین با به‌کارگیری تصاویر چندزمانه IRS-LISS III، پژوهش‌های محیط‌زیست، سال دوم، شماره سوم، صص. 96-87.
  14. علیپور، ف.، آق‌خانی، م.ح.، عباسپور فرد، م.ح. و سپهر، ع.، 1393، تفکیک محدوده و تخمین سطح زیر کشت محصولات کشاورزی به کمک تصاویر ماهواره ای، ماشین‌های کشاورزی، سال چهارم، شماره دوم، صص. 254-244.
  15. Beyer, F., Jarmer, T. and Siegmann, B., 2015, Identification of agricultural crop types using multitemporal rapideye data, Photo-grammetrie-Fernerkundung-Geoinformation, 1: 21-32.
  16. Boonen, M., Gallace, N., Delalieux, S., Sima, A., Delaure B. and Bylemans, D., 2016, Remote sensing as a useful tool in strawberry cultivation, 8th International Strawberry Symposium, 13-17 August, Canada.
  17. Boryan, C., Yang, Z., Mueller, R. and Craig, M., 2011, Monitoring US agriculture: the US department of agriculture, national agricultural statistics service, cropland data layer program, Geocarto International, 26(5): 341-358.
  18. Bridhikitti, A. and Overcamp, T. J., 2012, Estimation of Southeast Asian rice paddy areas with different ecosystems from moderate-resolution satellite imagery, Agriculture, Ecosystems and Environment, 146(1): 113-120.
  19. Clevers, J. P. W., 1986, The application of a vegetation index in correcting the infrared reflectance for soil background, International Archives of Photogrammetry and Remote Sensing, Balkema, Rotterdam, Boston, 26(1): 221-226.
  20.  
  21. Conrad, C., Low, F. and Lamers, J. P., 2017, Mapping and assessing crop diversity in the irrigated Fergana valley, Uzbekistan, Applied Geography, 86: 102-117.
  22. Crippen, R.E., 1990, Calculating the Vegetation Index Faster, Remote Sensing of Environment, 34(1): 71-73.
  23. Eggen, M., Ozdogan, M., Zaitchik, B.F. and Simane, B., 2016, Land cover classification in complex and fragmented agricultural landscapes of the thiopian highlands, Remote Sensing, 8(12): 1020.
  24. Gallego, F.J., Kussul, N., Skakun, S., Kravchenko, O., Shelestov, A., and Kussul, O., 2014, Efficiency assessment of using satellite data for crop area estimation in Ukraine, International Journal of Applied Earth Observation and Geoinformation, 29: 22-30.
  25. Gallego, J., Craig, M., Michaelsen, J., Bossyns, B. and Fritz, S., 2008, Best practices for crop area estimation with remote sensing, JRC Scientific and Technical Reports, Pp. 1-14, italy.
  26. Gao, B.C., 1996, NDWI: A normalized difference water index for remote sensing of vegetation liquid water from space, Remote Sensing of Environment, 58(3): 257-266.
  27. Gumma, M.K., Thenkabail, P.S., Teluguntla, P., Rao, M.N., Mohammed, I.A. and Whitbread, A.M., 2016, Mapping rice-fallow cropland areas for short-season grain legumes intensification in South Asia using MODIS 250 m time-series data, International Journal of Digital Earth, 9(10): 981-1003.
  28. Hunt Jr, E. R. and Rock, B.N., 1989, Detection of changes in leaf water content using near-and middle-infrared reflectances, Remote Sensing of Environment, 30(1): 43-54.
  29. Jackson, R.D., 1983, Spectral indices in n-space, Remote Sensing of Environment, 13(5): 409-421.
  30. Jain, M., Mondal, P., Galford, G.L., Fiske, G. and Fries, R.S., 2017, An approach to map winter cropped area of smallholder farms across large scales using MODIS imagery, Remote Sensing, 9(6): 566.
  31. Jordan, C.F., 1969, Derivation of leaf area index from quality measurements of light on the forest floor, Ecology, 50: 663-666.
  32. King, L., Adusei, B., Stehman, S.V., Potapov, P.V., Song, X.P., Krylov, A., Bella, C.D., Loveland, T.R., Johnson, D.M. and Hansen, M.C., 2017, A multi-resolution approach to national-scale cultivated area estimation of soybean, Remote Sensing of Environment, 195: 13-29.
  33. Kozhoridze, G., Orlovsky, N., Orlovsky, L., Blumberg, D.G. and Golan-Goldhirsh, A., 2018, Classification based mapping of trees in commercial orchards and natural forests, International journal of Remote Sensing, 39(14): 1-14.
  34. Kraemer, R., Prishchepov, A.V., Muller, D., Kuemmerle, T., Radeloff, V.C., Dara, A., Trekhov, A. and Fruhauf, M., 2015, Long-term agricultural land-cover change and potential for cropland expansion in the former Virgin Lands area of Kazakhstan, Environmental Research Letters, 10(5): 054012.
  35. Kussul, N., Shelestov, A., Skakun, S., Kravchenko, O., & Moloshnii, B., 2012, Crop state and area estimation in Ukraine based on remote and in-situ observations, International Journal on Information Models and Analyses, 1(3): 251-259.
  36. Li, C., Zhu, X., Wei, Y., Cao, S., Guo, X., Yu, X. and Chang, C., 2018, Estimating apple tree canopy chlorophyll content based on Sentinel-2A remote sensing imaging, Scientific reports, 8(1): 3756.
  37. Mushtaq, A.G. and Asima, N., 2014, Estimation of apple orchard using remote sensing and agro- meteorology land based observation in Pulwama district of Kashmir valley, International Journal of Remote Sensing and Geoscience, 3(6): 21-26.
  38. Naji, T.A., 2018, Study of vegetation cover distribution using DVI, PVI, WDVI indices with 2D-space plot, In Journal of Physics: Conference Series, 1003(1): 012083.
  39. Nguyen, D. B., Wagner, W., 2017, European rice cropland mapping with Sentinel-1 data: The Mediterranean region case study, Water, 9(6): 392.
  40. Nishant, N., Upadhayay, G., Vyas, S.P. and Manjunath, K.R., 2016, Banana orchard inventory using IRS LISS sensors, SPIE Asia-Pacific Remote Sensing, 4-7 April, India.
  41. Rouse, J., 1973, Monitoring the vernal advancement of retrogradation of natural vegetation, NASA/GSFG, Type III. Final Report, 371.
  42. Vibrans, A.C., McRoberts, R. E., Moser, P. and Nicoletti, A.L., 2013, Using satellite image-based maps and ground inventory data to estimate the area of the remaining Atlantic forest in the Brazilian state of Santa Catarina, Remote Sensing of Environment, 130: 87-95.
  43. Yadav, I.S., Rao, N.S., Reddy, B.M.C., Rawal, R.D., Srinivasan, V.R., Sujatha, N.T., Bhattacharya, C., Rao, P.P.N., Ramesh, K.S. and Elango, S., 2002, Acreage and production estimation of mango orchards using Indian remote Sensing (IRS) satellite data, Scientia Horticulturae, 93(2): 105-123.
  44. Yang, C., Everitt, J.H. and Murden, D., 2011, Evaluating high resolution SPOT5 satellite imagery for crop identification, Computers and Electronics in Agriculture, 75(2): 347-354.
  45. Zhang, H., Li, Q., Liu, J., Du, X., Zhao, L., Wang, N. and Dong, T., 2017, Crop classification and acreage estimation in North Korea using phenology features, GIScience & Remote Sensing, 54(3): 381-406.
آمار
تعداد مشاهده مقاله: 4,554
تعداد دریافت فایل اصل مقاله: 2,712