نوع مقاله : علمی - پژوهشی

نویسندگان

1 گروه ژئودزی و مهندسی نقشه برداری، دانشگاه تفرش

2 استادیار دانشگاه تفرش

چکیده

چکیده امروزه کاربردهای تصاویر ماهواره‌ای در پایش و مدیریت زمین‌های کشاورزی رو به گسترش است. با توجه به قدرت تفکیک مکانی، طیفی و زمانی بالای تصاویر سنتینل-2 در این مطالعه از این تصاویر در کشاورزی دقیق در شهرستان قروه استفاده شده است. در ابتدا با توجه به تقویم زراعی محصولات مختلف آن منطقه، تصاویر سری زمانی جمع آوری شدند. در روش پیشنهادی، ابتدا فضای ویژگی طیفی بر اساس بازتاب طیفی باندها و همچنین شاخص های گیاهی ایجاد می شود. ابعاد فضای ویژگی طیفی با استفاده از روش آنالیز مولفه های اصلی کاهش می یابد. سپس چهار طبقه بندی کننده قدرتمند ماشین های بردار پشتیبان، شبکه عصبی پرسپترون چندلایه، نزدیک ترین k همسایه و جنگل های تصادفی نقشه طبقه بندی از اطلاعات طیفی تولید می کنند. در ادامه استخراج اطلاعات مکانی با هدف تعیین مرز مزارع انجام می شود. برای این منظور از شناسایی لبه ها در سری زمانی تصاویر سنتینل-2 استفاده می شود. در نهایت، نقشه طبقه بندی نهایی با تلفیق اطلاعات مکانی و ادغام نتایج طبقه بندی کننده ها ایجاد می شود. نتایج بدست آمده نشان می دهد که دقت طبقه بندی کننده های نزدیک ترین k همسایه، ماشین های بردار پشتیبان، شبکه عصبی چند لایه پرسپترون و جنگل های تصادفی بر روی فضای ویژگی طیفی اولیه به ترتیب %78/77، %79.16، %76.41 و %76.89 می باشند. با استفاده از روش پیشنهادی، دقت طبقه بندی به %94.72 افزایش پیدا کرد که حاکی از توانایی آن در منطقه مورد مطالعه می باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Fusion of spectral and spatial information for agricultural crop classification in multi-temporal Sentinel-2 images (Case Study: Qorveh County)

نویسندگان [English]

  • Saeid Ahmadi 1
  • Hadiseh Hasani 2

1 Geodesy and Surveying Engineering, Tafresh University

2 Assistant Professor at Tafresh University

چکیده [English]

Nowaday, there are wide applications for satellite images in agriculture monitoring and management. According to high spatial, spectral and temporal resolution of Sentinel-2 images, we used them for precise agriculture in Qorveh country. Proposed methd consist of five step: firstly, multi-temporal images are collected based on agriculture calender of crops. Then feature space is generated based on spectral reflectance and vegetation indices which consists of 70 features. According to high dimensionality of feature space, principle component analysis is applied to reduce its dimension. Four power classifiers include support vector machine, k-nearest neighbour, multi-layer perceptron and random forests classify the reduced spectral feature space. On the other hand, spatial information are extracted from multi-temporal multispectral images. For this pupose, strandard deviation (STD) maps are generated for red, NIR and SWIR bands of each epoch. Then, by averaging the STD maps, final STD map is obtained. Edge detection is performed on STD map and it improves by removing small lines, smoothing, thining, etc. Finally, crop mapping is done by fusion of four classification maps and agriculture farm boundaries. The obtained results show that classification accuracy of k-nearest neighbour, support vector machine, multi-layer perceptron and random forest classifiers are 77.78%, 79,16%, 76.41% and 76.89%, respectively. The overall accuracy of the proposed method improve up to 94.72% which proves high potential of the proposed method.

کلیدواژه‌ها [English]

  • Multi-temporal Sentinel-2 Images
  • Agriculture farm boundary
  • classifier fusion
  • spatial information
  • spectral information