عنوان پایان‌نامه
طبقه بندی زمانی تصاویر ماهواره ای بهمنظور بهبود تخمین سطح زیر کشت محصولات کشاورزی .
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 60059
- تاریخ دفاع
- ۰۵ مهر ۱۳۹۱
- دانشجو
- حمیدرضا خان احمدلو
- استاد راهنما
- محمدرضا سراجیان مارالان
- چکیده
- رشد فزاینده جمعیت و به تبع آن کمبود منابع در دسترس جهت رفع نیازهای اساسی انسان‌ها، لزوم مدیریت و برنامه‌ریزی صحیح فعالیت‌های کشاورزی را نمایان می‌سازد. این فعالیت‌ها در مقیاس محلی و منطقه‌ای بوده و دستیابی به آن، نیازمند کسب آگاهی از توزیع انواع محصولات کشاورزی و سطح زیر کشت آن‌ها است. در این راستا تصاویر ماهواره‌ای در فناوری سنجش از دور می‌تواند ابزار مناسبی جهت ارتقاء مدیریت محصولات کشاورزی باشد. امروزه سنجنده‌های ماهواره‌ای با توان تفکیک مکانی، طیفی و زمانی متفاوت جهت کاربردهای مختلفی به‌وجود آمده‌اند. در مورد تخمین سطح زیر کشت که از نیازهای اصلی کشاورزی دقیق است، محدودیت‌هایی در استفاده از تصاویر ماهواره‌ای از جمله شباهت زیاد امضای طیفی اغلب محصولات وجود دارد. از طرفی نیز تفاوت زمان کشت آن‌ها می‌تواند کمک کننده باشد. در این راستا طبقه‌بندی زمانی راه‌حلی مناسب جهت افزایش دقت طبقه‌بندی محصولات کشاورزی است. با استفاده از تصاویر ماهواره‌ای اخذ شده در زمان‌های مختلف، چرخه‌ی رشد محصولات در کنار امضای طیفی آن‌ها بررسی شده و امکان تمیز دادن کلاس‌های مختلف به‌وجود می‌آید. در این پژوهش بهمنظور دستیابی به سطح زیر کشت محصولات کشاورزی در استان قزوین، از تصاویر دوره یکساله سنجنده‌هایTM و ETM+ ماهواره Landsat استفاده شده است. این دو سنجنده که دارای تفکیک‌پذیری مکانی 30 متر هستند، با توجه به ابعاد نسبتا کوچک مزارع کشاورزی در دشت قزوین، می‌توانند کلاس‌های مختلف را تشخیص دهند. پس از انجام پیش پردازش‌های مورد نیاز بر روی این تصاویر با استفاده از شاخص گیاهی NDVI، تغییرات این شاخص در پیکسل‌های تصاویر در طول دوره رشد محصولات مختلف بررسی گردیده و به این طریق نموداری از رفتار زمانی انواع محصولات براساس تغییرات شاخص NDVI به‌دست آمده است. سپس با استفاده از این نمودارها یک طبقه‌بندی برمبنای تصمیم گیری درختی جهت طبقه بندی محصولات انجام شده است. سپس بهمنظور جداسازی محصولات گندم وجو ازطبقه بندی ماشین‌های بردار پشتیبان استفاده شده است. در این پژوهش با استفاده از روش طبقه‌بندی زمانی، و داده‌های میدانی، ضریب کاپای 91/0در جداسازی کلاس‌های مختلف به جز گندم و جو به‌دست آمد. همچنین ضریب کاپای 85/0 در جداسازی گندم و جو به روش طبقه‌بندی SVM حاصل شد. لازم به ذکر است ضریب همبستگی به‌دست آمده
- Abstract
- World growing population at one hand and the lack of available food resources to meet the requirement of this population from the other hand,require proper management and planning of agricultural activities as the base supplier of human food. These management activities need gathering information from distribution of different agricultural products and their acreage in both regional and global scale. From different available sources of information, remotely sensed data can be considered as one of the best options for agricultural management. Crop acreage estimation is one of the most important demands of precise agriculture. However, the remote sensing data cannot serve this purpose properly due to high similarities between spectral signatures of different crops. One method to address this issue is use of data acquired at different times during the growing season of the crops. This time series data is helpful since it contains the information about different plantation times of the crops and their phenological cycles. Therefore, using the time series data instead of the data of a specific time can increase the discrimination between different crops. The aim of this study is to estimate the acreage of different crops in Qazvin and Tehran provinces in Iran. The remote sensing data used for this study obtained for a complete growing season during a year from the TM and ETM+ sensors on board of Landsat 5 and Landsat 7 satellites. The moderate resolution of these sensors (30 m) can be quite useful for analysis of the small farms of the study area. After preprocessing of the data, the NDVI index is calculatedfor the data of each day during the growing season, and the change of this index is interpreted as the phenological behavior of each crop. A decision tree algorithm is used for classification of different crops using these NDVI time series. This method is used to classify corn, alfalfa, orchard classes but cannot discriminate between wheat and barley classes due to their similar phenological cycle. Thus, these two crops are considered as one class in this stage and after classification, these two classes are classified using Support Vector Machines (SVM) algorithm. Accuracy assessment of the results of this study is performed using field observations. The obtained results show kappa coefficient of 0.93 for decision tree classification and 0.88 for SVM classification. Moreover, an acceptable agreement can beobserved by comparing the estimated crop acreages and the available reports for the Qazvin province.
