شناسایی مزارع سیب زمینی مبتنی بر شاخص فنولوژی و الگوریتم ماشین بردار پشتیبان با استفاده از سامانه رایانش ابری Google Earth Engine

نوع مقاله : مقاله پژوهشی

نویسندگان

1 پژوهشگر / مرکز سنجش از دور و GIS ایران

2 پژوهشگر/ مرکز سنجش از دور و GIS ایران

3 استادیار مرکز مطالعات سنجش از دور و GIS، دانشکدة علوم زمین، دانشگاه شهید بهشتی

4 استادیار مرکز مطالعات سنجش از دور و GIS، دانشگاه شهید بهشتی

چکیده

محصول سیب‌زمینی، چهارمین محصول کشت شده در جهان می‌باشد. با توجه به اهمیت استراتژیک این محصول در تامین امنیت غذایی، تهیه نقشه‌های دقیق از سطوح زیر کشت محصول سیب‌زمینی، اطلاعات ضروری برای تخمین و پیش‌بینی میزان عملکرد محصول در مقیاس‌های مختلف را فراهم می‌کند. اگرچه رویکردهای سنجش از دور مبتنی بر سنجنده‌های اپتیکی و یا مایکروویو به‌طور گسترده برای پایش مزارع (شامل سطح زیر کشت محصول، شرایط و پیش‌بینی عملکرد آن) استفاده شده است، اما به شناسایی مزارع سیب‌زمینی با استفاده از داده‌های سنجش از دور کمتر پرداخته شده است. لذا این پژوهش با ارائه رویکردی موثر در نگاشت مزارع سیب‌زمینی با استفاده از تصاویر ماهواره سنتینل-2، سامانه Google Earth Engine و روش یادگیری ماشین به مطالعه این موضوع می‌پردازد. از آنجا که اکثر محصولات کشاورزی دارای ویژگی‌های طیفی-زمانی منحصر بفرد در طول دوره رشد خود هستند، این پژوهش روشی برای تمایز مزارع سیب‌زمینی از سایر محصولات با استفاده از تصاویر سری زمانی و بدون آستانه‌گذاری صریح را ارائه کرده است. بمنظور بهینه سازی پارامترها، آموزش و ارزیابی مدل از داده‌های نوع محصول در سایت مورد مطالعه که شامل 1648 نمونه از مزارع سیب‌زمینی و سایر محصولات است استفاده شد. این داده‌ها توسط گیرنده GPS دستی نمونه‌برداری گردید. کارایی روش پیشنهادی در شهرستان‌های همدان و بهار که بیشترین میزان کشت این محصول را در ایران دارند، مورد ارزیابی قرار گرفته است. شناسایی دقیق مزارع سیب زمینی با تهیه لایه‌های ورودی مناسب شامل، شاخص فنولوژیکی محصول و میانه‌های NDVI (سری زمانی تصاویر سنتینل-2) انجام شد. در ادامه، این لایه‌ها به‌عنوان ورودی‌های ماشین‌بردار‌پشتیبان مورد استفاده قرار گرفت. به‌منظور آموزش مدل بهینه برای ماشین‌بردار‌پشتیبان با استفاده از کرنل RBF، مقادیر gamma و C با کمک روش 5-fold cross validation بهینه‌سازی شد. سپس، این مقادیر در فرایند پیاده‌سازی الگوریتم، تحت سامانه رایانش ابری GEE مورد استفاده قرار‌گرفت. صحت کلی و ضریب کاپا به‌ترتیب برای همدان %90.9 و 82/0 و برای بهار %93.3 و 87/0 برآورد شد. نتایج پژوهش حاضر نشان‌دهنده کارایی روش ماشین‌بردار‌پشتیبان در شناسایی سطوح زیر کشت محصول سیب‌زمینی است. همچنین شاخص‌های استفاده شده، مانند شاخص فنولوژی سیب‌زمینی، می‌توانند به‌عنوان ویژگی‌های متمایز کننده، جهت شناسایی بهتر مزارع محصول مورد استفاده قرار گیرند.

کلیدواژه‌ها


عنوان مقاله [English]

Potatoes fields mapping based on the phenology feature and Support Vector Machine utilizing Google Earth Engine platform

نویسندگان [English]

  • Salman Goodarzdashti 1
  • Mohamad Seifi 2
  • Mahshid Kohandel 2
  • Davoud Ashourloo 3
  • Hossein Aghighi 4
1 Researcher/ Remote Sensing and GIS Research Center
2 Researcher/ Remote Sensing and GIS Research Center
3 Assistant Prof. of R.S. & GIS Research Center, Shahid Beheshti University
4 Assistant Professor in Remote Sensing, Remote Sensing and GIS Research Center
چکیده [English]

Potatoes are the fourth most cultivated crop worldwide. Regarding the strategic role of this crop in food security, accurate potato mapping provides essential information for national crop censuses and potato yield estimation /prediction at any scale. Although remote sensing (RS) approaches based on optical and/or microwave sensors have been widely employed to monitor cultivated land (including crop area, type, condition, and yield forecasting), the identification of potato planting areas using RS data has not been much addressed. Hence this study addresses the literature gap by suggesting an effective potato mapping approach that uses the time series of the Sentinel-2 (S2) images, Google Earth Engine (GEE) platform and machine learning methods. Since most crops have specific spectral and temporal characteristics during the growing season, this research has presented a method to discriminate potato fields from other crops using time series images without explicit thresholding. We employed 1648 ground truth data to optimize, train, and evaluate the model at the study site, which includes potatoes and other fields. A handheld GPS receiver was used to collect these data. The performance of this approach is evaluated by conducting a set of experiments in Hamedan and Bahar cities, as the regions grow more potatoes than any other places in Iran. Accurate identification of potato fields was completed by extracting the required features, namely the potato phenology feature and NDVI medians, from the time series of the S2 satellite bands. After that, these features were utilized as the input parameters to Support Vector Machine (SVM) technique. In order to train the most optimal SVM model using RBF kernel, Gamma and C values were optimized with the help of the 5-fold cross-validation method. These values were then employed during the algorithm's implementation on GEE platform. The estimated overall accuracy and Kappa coefficient are 90.9% and 0.82 for Hamedan and 93.3% and 0.87 for Bahar, respectively. The results of this research indicate the efficiency of SVM technique in potato acreage mapping. Moreover, the selected features such as potato phenology feature can be considered as discriminating features for improved identifying of crop farms.

کلیدواژه‌ها [English]

  • Crop mapping
  • Potato
  • Sentinel-2 Time Series
  • Google Earth Engine Platform
  • Support Vector Machine