نوع مقاله : علمی - پژوهشی

نویسندگان

• علی شمس الدینی ¹
• بهار اسدی ²

¹ استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تربیت مدرس

² فارغ التحصیل

چکیده

شناسایی و نقشه کردن محصولات زراعی اطلاعات مهمی برای مدیریت زمین‌های کشاورزی و برآورد سطح زیر کشت محصولات زراعی فراهم می‌کند. این پژوهش به بررسی اهمیت باندهای لبه قرمز جهت تفکیک محصولات زراعی شامل گندم، جو، یونجه، لوبیا، باقلا، کتان، ذرت، چغندر قند و سیب‌زمینی با استفاده از روش جنگل تصادفی و ماشین بردار پشتیبان می‌پردازد. بدین منظور سری زمانی تصاویر سنتینل -1 و 2 در سال 2019 از شمال غرب شهر اردبیل در پلتفرم ارث انجین فراخوانی شد. ترکیب‌های متفاوت باندها برای بررسی تأثیرات اطلاعات طیفی و زمانی، شاخص‌های گیاهی و اطلاعات بازپراکنش برای طبقه‌بندی محصولات مورد بررسی قرار گرفت. با استفاده از روش انتخاب ویژگی جنگل تصادفی ویژگی‌های مهم شناسایی و به‌عنوان ورودی الگوریتم‌ جنگل تصادفی و ماشین بردار پشتیبان معرفی شدند. جنگل تصادفی برای تمامی سناریوها بهترین نتیجه را به دست آورد. نتایج نشان داد افزودن طول‌موج‌های لبه قرمز و شاخص‌های مشتق شده از آن باعث شد محصولاتی نظیر جو، لوبیا، باقلا و کتان نسبت به سایر محصولات با صحت بالاتری تفکیک شود. بهترین نتیجه در میان ترکیبات مختلف ویژگی‌ها مربوط به تلفیق سری زمانی ویژگی‌های طیفی تصاویر سنتینل-2 با سری زمانی تصاویر سنتینل-1 بود. صحت کلی 67/84 درصد و ضریب کاپا 31/ 82 درصد به دست آمد. نتایج نشان داد باندهای لبه قرمز و شاخص‌های پوشش گیاهی مبتنی بر آن به‌تنهایی قابلیت جداسازی محصولات زراعی را از همدیگر دارند.

کلیدواژه‌ها

• تلفیق تصاویر اپتیک و رادار
• نقشه بندی محصولات زراعی
• باندهای لبه قرمز
• شاخص‌های پوشش گیاهی لبه قرمز
• یادگیری ماشین

عنوان مقاله [English]

Crop mapping using a combination of Sentinel-1 and 2 images in Ardabil province

نویسندگان [English]

• Ali shamsoddini ¹
• Bahar Asadi ²

¹ Assistant professor, Department of Remote Sensing and GIS, Tarbiat Modares University

² graduated

چکیده [English]

Identifying and mapping crops provides important information for managing agricultural lands and estimating the area under cultivation of crops. This study investigates the importance of red edge bands for segregation of crops including wheat, barley, alfalfa, beans, broad beans, flax, corn, sugar beet and potatoes using random forest method and support vector machine. For this purpose, the time series of Sentinel-1 and 2 images in 2019 from the northwest of Ardabil was called in the Google Earth Engine (GEE) platform. In order to study the performance of spectral and temporal information, plant indices and backscatter information on the crop mapping, different band combinations were examined. Using the random forest feature selection method, important features were identified and introduced as the input of the random forest and the support vector machine classifiers. Random forest provided the best results for all scenarios. The results showed that the addition of red edge wavelengths and red edge-based vegetation indices are more useful than other bands and vegetation indices for mapping barley, beans, broad beans and flax. The best result among different combinations of features was related to the time series of spectral features of Sentinel-2 images fused with the time series of Sentinel-1 images for that the overall accuracy and the kappa coefficient were 84.67% and 82.31%, respectively. Moreover, the results showed that red edge bands and red edge-based vegetation indices are efficient to identify crops from each other.

کلیدواژه‌ها [English]

• Optical and radar image fusion
• Crop mapping
• Red edge bands
• Red edge-based vegetation indices
• Machine learning