سلمان گودرزدشتی؛ محمد سیفی؛ مهشید کهندل؛ داود عاشورلو؛ حسین عقیقی
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 ...
بیشتر
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.
