| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,188 |
| تعداد مقالات | 35,336 |
| تعداد مشاهده مقاله | 51,460,105 |
| تعداد دریافت فایل اصل مقاله | 91,332,334 |
طبقه بندی کاربریهای کشاورزی با کاربرد تلفیقی فنون پیشرفته سنجش از دور، مدل سازی جیآیاس و صحت سنجیهای میدانی در آبخیزهای استان فارس | ||
| پژوهش های آبخیزداری | ||
| مقاله 8، دوره 39، شماره 1 - شماره پیاپی 150، فروردین 1405، صفحه 126-146 اصل مقاله (1.31 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.369849.1626 | ||
| نویسندگان | ||
| مجتبی پاک پرور* 1؛ سید مسعود سلیمان پور1؛ محمد مهدی قاسمی2؛ محمد هادی جرعه نوش3؛ سارا کوشافر4؛ حسین صحراییان4 | ||
| 1دانشیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران | ||
| 2استادیار بخش تحقیقات آبیاری تحت فشار، مؤسسه تحقیقات فنی مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران | ||
| 3مربی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران | ||
| 4کارشناس ارشد سازمان جهاد کشاورزی، شیراز، ایران | ||
| چکیده | ||
| مقدمه و هدف با توجه به گستردگی و تغییرپذیری و پویایی اطلاعات بخش کشاورزی در کشور و بهویژه در استان فارس، بهروز کردن و تدقیق اطلاعات فعالیتهای مرتبط با آن، اهمیت ویژهای دارد. کاربریهای کشاورزی در آبخیزها از مهمترین بهرهبرداریها است که نقش تعیینکنندهای در هر دو دیدگاه مثبت و منفی (نابودی یا حفاظت) آبخیز دارد. تاکنون پژوهشهای پرشماری در زمینه طبقهبندی کاربریهای کشاورزی با کاربرد تصویرهای ماهوارهای انجامشده است. سنجش از دور، یک روش کارآمد در شناسایی محصولات برای برآورد برداشت بالقوه و مدیریت مزارع کشاورزی است. تاکنون، طیف گستردهای از انواع تصویرها برای تنوع گوناگونی از کاربردها برای طبقهبندی به کار گرفتهشده است. برخی از روشهای پردازش تصویر در جداسازی دستههای کاربری زمین و پوشش زمین مناسبتر از دیگر روشها است، بهویژه زمانی که تصویرها با وضوح بیشتر طبقهبندی میشوند. همچنین، بررسی پژوهشهای پیشین نشانداده است که در شرایطی، دقت طبقهبندی شیءگرا در مقایسه با پیکسلمبنا، در جداسازی دستههای انتخابشده کاربری زمین و پوشش زمین، بیشتر است. در این پژوهش، برای ارزیابی این دو روش در پهنهای به گستردگی استان فارس، مدلهای مبتنی بر GIS و سنجش از دور که هم در مدیریت مزارع آبخیزها در زمان حال و هم برای بهروز رسانی اطلاعات در سالهای آتی قابل استفاده باشد، تهیه شد. در این پژوهش دقت روشهای نامبرده تعیین شد و امکان تجمیع کردن مراحل مختلف در یک مدل کاربر دوست فراهم شد. مواد و روشها در این پژوهش تمام مناطق تحت کشت زراعت و باغ در پهنه آبخیزهای استان فارس بررسی شد. از آنجایی که تاریخهای بیشینه سبزینگی در اقلیمهای مختلف متفاوت است، بهمنظور بررسی ترکیب اقلیمی هر شهرستان، نقشه اقلیم استان با مرز شهرستان ها ادغام شد. در این پژوهش، نقشه اقلیم بر اساس روش دمارتن و با استفاده از داده های ایستگاه های اقلیمشناسی و همدید استان فارس تهیه شد. به منظور بررسی الگوی کشت اکثر شهرستانهایی که در آنها گندم کاشت میشد، آمار سطح زیر کشت محصولاتی که همزمان با گندم کاشت می شدند نیز جمع آوری شد. در این پژوهش، بر پایة هدف جداسازی کاربریهای کشاورزی و اندازه میانگین قطعههای کشاورزی (حدود ۱ هکتار در استان فارس)، تصویرهای لندست ۸ و سنتینل ۲، به ترتیب با وضوح زمینی ۳۰ و ۱۰ متر کافی بود. زیرا، هر هکتار زمین، بهترتیب در برگیرندة ۹ و ۱۰۰ پیکسل بود. در یک فعالیت میدانی یکپارچه و گسترده، نقشه کاربریهای زراعت دیم و باغ دیم با برداشت محدوده ها بر سر زمین رسم شد. سپس، با بیشترین دقت مکانی چهار مرحله تدقیق ستادی و میدانی انجام شد. با استفاده از نرم افزارهای مرتبط، ابتدا تصحیحات هندسی و در گام بعدی تصحیحات جوی تصویرهای سنتینل و لندست انجام شد و دیان آن ها به بازتاب سطح زمین تبدیل شد. سپس، شاخصهای گیاهی متنوعی ساخته و آزمون شد تا بهترین آن ها برای تعیین سطح سبز انتخاب شود و مبنای برداشت اطلاعات میدانی که شامل چندضلعیهایی در داخل کاربریهای کشاورزی بود، باشد. آن گاه روشهای طبقه بندی نظارت شده شامل: تک زمانه، چند زمانه، شیءگرا و پیکسل مبنا، برای جداسازی کاربریهای زراعی آبی و تفکیک آن ها بهکار گرفته شد. سپس، کاربریهای زراعی و باغ دیم با چندین بار برداشتهای میدانی، جداسازی شدند. کاربریهای باغی آبی از اطلاعات کاداستر از کاربریهای کشاورزی استخراج شد و با استفاده از تصویرهای بهروز شده تدقیق شد. بر اساس ضریب کاپا و صحت کلی نتایج هر دسته از کاربریهای کشاورزی با واقعیت زمینی مقایسه شدند. نتایج و بحث نتایج تصحیحات جوی روی تصویرها بیانگر بهبود قابل توجه سنجههای تصویری و شفافیت دیداری آن ها بود. در دو کاربری پوشش کاملاً سبز مزارع و کاربریهای آیش، اندازههای تمام شاخصهای گیاهی پس از تصحیحات جوی باندها افزایش یافت و در دو کاربری بایر و پهنه محدودههای آبگیر کاهش یافت و به دامنه ارقام قابل انتظار در منابع معتبر، نزدیکتر بود. بیشترین اندازة صحت نقشه سطح سبز بهدست آمده از شاخصهای مختلف گیاهی مربوط به EVI و mSAVI بود و mNDVI و GBNDVI در رتبه بعدی بودند. نتایج طبقه بندی شیءگرا بیانگر برتری قطعی این روش در جداسازی کاربریهای کشاورزی از مرتع و زمین بایر بود. افزون بر این، امکان جداسازی دو نوع مرتع ضعیف از قوی نیز در این روش فراهم شد. بیشترین صحت در تهیه نقشه های طبقه بندی مربوط به شاخص های گیاهی EVI و mSAVI بود. بیشترین ضریب کاپا و صحت کلی مربوط به طبقه بندی ماشین بردار پشتیبان بود. نتایج طبقه بندی شیءگرا بیانگر برتری این روش در جداسازی کاربریهای کشاورزی از مرتع و زمین بایر بود. افزون بر این، امکان جداسازی دو نوع مرتع ضعیف از قوی نیز در این روش فراهم شد. نتیجهگیری و پیشنهادها از میان انواع شاخصهای گوناگون گیاهی بررسیشده برای تفکیک سطح سبز کاربریهای زراعی، نتایج استفاده از شاخصهایی مانند EVI وmSAVI که از باند سبز در معادلههای آن ها استفاده شد، مناسبتر بود. از دیدگاه روشهای پیکسل مبنا، بهترین روش SVM بود و پس از آن درخت تصمیم در رتبه بعدی بود. تاکنون، پراکنش مکانی و سطح واقعی کاربریهای دیم زراعی و باغی به دلیل دشواری، با هیچ روش سنتی و یا سنجش از دور تعییننشده بود، که در این پژوهش برای نخستین بار و حداقل در استان فارس با دقت مطلوب و مبتنی بر تلفیق سنجش از دور و بازید میدانی، انجام شد. مقیاس این لایه ها بر اساس تصویرهای پایه سنتینل با وضوح 10 متر، برای کاربرد در پژوهشهای آبخیزداری تا مقیاس تفضیلی- اجرایی، کافی و مناسب است. بر اساس یافتههای این پژوهش پیشنهاد میشود از لایه های تولیدشده بهعنوان الگویی برای بررسی تغییرات کاربری زمینها و تصرف غیرقانونی زمینهای منابع طبیعی استفاده شود. همچنین برای دستیابی به این هدف پیشنهاد میشود مرز رقومی زمینهای ملی روی لایههای کاربریهای کشاورزی نهادشده و مرزهای متصرفی از آن ها استخراج شود. | ||
| کلیدواژهها | ||
| الگوریتم طبقهبندی؛ تفکیک کاربری کشاورزی؛ تفکیککننده شیءگرا؛ شاخصهای گیاهی | ||
| عنوان مقاله [English] | ||
| Classification of Agricultural Land using a Combined Application of Advanced Remote Sensing Techniques, GIS Modeling, and Field Accuracy Assessments in the Watersheds of the Fars Province | ||
| نویسندگان [English] | ||
| Mojtaba Pakparvar1؛ Seyed Masoud Soleimanpour1؛ Mohammad Mehdi Ghasemi2؛ Mohammad Hadi Jorenush3؛ Sara Koushafar4؛ Hossein Sahraeian4 | ||
| 1Associate Professor, Soil Conservation and Watershed Management Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran | ||
| 2Assistant Professor, Modern Irrigation Systems Department, Agricultural Engineering Research Institute, Agricultural Research, Education, and Extension Organization (AREEO), Karaj, Iran | ||
| 3Researcher, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education, and Extension Organization (AREEO), Shiraz, Iran | ||
| 4Masters in Science Agricultural Organization of Fars | ||
| چکیده [English] | ||
| Introduction and Goal Given the vastness, variability, and dynamism of agricultural sector information in the country, and especially in Fars Province, updating and refining information related to agricultural activities is of particular importance. Agricultural land use in watersheds are among the most important forms of uses, playing a crucial role in both positive and negative aspects (destruction or protection) of the watershed. Numerous studies have been conducted on the classification of agricultural land using satellite images. Remote sensing is an efficient method for identifying crops to estimate potential harvest and managing agricultural fields. A wide range of image types has been used for variety applications in classification. Some image processing methods are more suitable than others for distinguishing land use and land cover categories, especially when images are classified with high-resolution. Additionally, a review of previous research has shown that, under certain conditions, the accuracy of object-based classification is greater than pixel-based classification in separating selected land use and land cover categories. In this study, to evaluate these two methods over an area as vast as Fars Province, GIS-based and remote sensing models were developed that can be used both for current watershed farm management and for updating information in the coming years. The accuracy of the mentioned methods was determined, and the possibility of integrating various stages into a user-friendly model was provided. Materials and Methods In this study, all areas under agricultural and horticultural cultivation in the watersheds of Fars Province were examined. Since the dates of maximum greening are different in different climates, in order to study the climatic composition of each county, the climate map of the province was merged with the boundaries of the counties. The climate map in this study was prepared based on the Demarton method and using data from climatological and synoptic stations of Fars Province. To investigate the crop patterns, statistics on the area under cultivation of crops that were planted simultaneously with wheat were also collected for most of the counties where wheat was grown. In this study, based on the goal of distinguishing agricultural land use and measuring the average size of agricultural plots (around 1 hectare in Fars Province), Landsat 8 and Sentinel 2 images, with a ground resolution of 30 and 10 m, respectively, were sufficient. This was because each hectare of land contains 9 and 100 pixels, respectively. In a comprehensive field activity, the map of rainfed agriculture and rainfed orchards was drawn by delineating boundaries on the ground. Then four stages of headquarters and field verification were conducted with the highest spatial accuracy. Using relevant software, first, geometric and then atmospheric corrections were performed on the Sentinel and Landsat images, converting their DN values to reflectance. Next, various vegetation indices were generated and evaluated to select the best one for delineating green cover, which served as the basis for field data collection, including polygons within agricultural land use. Then, supervised classification methods including single-date, multi-temporal, object-based, and pixel-based, were utilized to distinguish irrigated croplands and classify them. Rainfed croplands and orchards were separated through repeated field surveys Irrigated orchards were extracted from cadastral data of agricultural lands and refined using updated images. Based on theKappa coefficient and overall accuracy, the results of each category of agricultural land use were compared with the ground truth. Results and Discussion The results of atmospheric corrections on the image indicate a significant improvement in image metrics and visual clarity. In two land uses with fully green cover and fallow land uses, the values of all vegetation indices increased after atmospheric correction, while in the barren land and water catchment areas, the values decreased, bringing them closer to the expected range found in reliable sources. The highest accuracy of the green area map obtained from various vegetation indices was related to EVI and mSAVI, while mNDVI and GBNDVI were in the next ranks. The results of object-oriented classification showed the clear superiority of this method in separating agricultural lands from rangeland and barren lands. Furthermore, this method also allowed for the separation of two types of rangeland, weak and strong. The highest accuracy in map production was related to the vegetation indices EVI and mSAVI. The highest Kappa coefficient and overall accuracy were related to the support vector machine classification. The results of object-oriented classification showed the superiority of this method in separating agricultural lands from rangeland and barren lands. Additionally, the method provided the possibility of distinguishing two types of rangeland, weak and strong. Conclusion and Suggestions Among the various vegetation indices examined for distinguishing the green cover in agricultural lands, the results of using indices such as EVI and mSAVI, which tilized the green band in their equations, were more suitable. From the perspective of pixel-based algorithms, the best algorithm was SVM, followed by the Decision Tree, which ranked second. Until now, the spatial distribution and actual extent of rainfed agricultural and orchard land uses had not been determined by any traditional method or remote sensing due to its complexity. In this study for the first time, and at least in the Fars Province , it was carried out with satisfactory accuracy based on a combination of remote sensing and field surveys. The scale of these layers, based on Sentinel base images with a resolution of 10 m, is sufficient and suitable for use in watershed studies up to a detailed-executive scales Based on the findings of this study, it is recommended that the produced layers be used as a model for examining land use changes and illegal land grabbing of natural resources. Additionally, to achieve this goal, it is suggested that the digital boundary of national lands be integrated with the agricultural land use layers, and the boundaries of encroachment be extracted from them. | ||
| کلیدواژهها [English] | ||
| Agricultural landuse classification, classification algorithm, object oriented classifier, Vegetation indices | ||
| مراجع | ||
|
Abtahi SM, Pakparvar M. 2002. Monitoring of desertification by satellite data processing (Case study: Kashan Plain). Iranian Journal of Range and Desert Research. 6(9): 85-104. (In Persian). Doi.org/10.22052/JDEE.2023.248369.1083. Ahmadi S, Sadat Hasani S. 2023. Combining spectral and spatial information to distinguish agricultural products using Sentinel 2 multi-temporal images (Case study: Qorveh County), Iran remote sensing and GIS. 15(1): 39-61. (In Persian). Doi.org/10.52547/gisj.15.1.39 Alavipanah SK, Masoudi M. 2001. Land Use Mapping Using Landsat TM and Geographic Information System (GIS), a Case Study: Mouk Region of Fars Province. Journal of Agricultural Science and Natural Resources. 8(1): 65-76. (In Persian) Alberto RT, Serrano SC, Damian, GB, Camaso EE, Celestino AB, Hernando PJC, Isip MF, Orge KM, Quinto MJC, Tagaca RC. 2016. Object based agricultural land cover classification map of shadowed areas from aerial image and lidar data using support vector machine. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXIII ISPRS Congress, 12–19 July 2016, Prague, Czech Republic. Doi:10.5194/isprs-annals-III-7-45-2016 Ashurlu M, Alimomammadi A, Rezaeian P, Ashurlu D. 2016. Application of Lincar Distinction Analysis for Wheat Discrimination from Other Crops on Satellite Images. Environmental Science. 4(2): 101-116. (In Persian). Doi.org/10.5194/isprs-annals-III-7-45-2016. Barrile V, Bilotta G. 2016. Fast Extraction of Roads for Emergencies with Segmentation of Satellite Imagery. Procedia - Social and Behavioral Sciences. 223: 903-908. Doi.org/10.1016/j.sbspro.2016.05.313 Biswas D, Tiwari A. 2024. A big data-driven agricultural system for remote biosensing applications. Agricultural Biotechnology Journal. 16(4): 321-324. Doi.org/10.22103/jab.2025.23995.1603 Cleve C, Kelly M, Kearns FR, Moritz M, 2008. Classification of the wildland–urban interface: A comparison of pixel- and object-based classifications using high-resolution aerial photography. Computers, Environment. Doi.org/10.1016/j.compenvurbsys.2007.10.001 Delfan L, Naghavi H, Maleknia R, Nureddini SAR. 2017. Investigating the efficiency of Sentinel 2 satellite images and nonparametric classification methods in preparing land use maps. First National Conference on Applied Research in Science and Engineering, Mashhad, Iqbal Lahori Institute of Higher Education in Mashhad. (In Persian). Deng H, Zhang W, Zheng X, Zhang H. 2024. Crop classification combining object-oriented method and Random Forest model using Unmanned Aerial Vehicle (UAV) multispectral image. Agriculture 14(4): 548. Doi.org/10.3390/agriculture14040548 Feizizadeh B, KHedmat Zadeh A, Nikjoo, M R. 2018. Micro-classification of orchards and agricultural croplands by applying object based image analysis and fuzzy algorithms for estimating the area under cultivation. jgs. Journal of Applied Research in Geographic Sciences. 13(8): 202-216. (In Persian). Doi.org/10.29252/jgs.18.48.201 Ghasemi MM, Shams, Sh, Sahraeian Jahromi H, Bazrafkan AA, Akbari F. 2020. Fars Province Atlas of Weather and Climatology. Agricultural Organization of Fars. Shiraz , Iran, 179 p. https://fajo.ir/site/images/fanavari/atlas. pdf. Gudarzi M, Farahpur M, Musavi SAR. 2005. Land cover and rangeland classification map using Land sat satellite image (TM) (Case study: Namrood Watershed). Iranian Journal of Range and Desert Research. 13(3): 265-277. (In Persian) Heidari AA, Sadeghian S. 2023. Application of remote sensing technology in agricultural data analysis using radar and optical satellite data. The 5th International Conference on Biology and Earth Sciences, 11/03/2023 Hamedan, Iran. (In Persian). Jafari M, Zehtabian GH, Ehsani AH. 2011. Effect of thermal bonding and supervised classification algorithms of satellite data in making land use maps (Case study: Kashan). Iranian Journal of Range and Desert Research. 20(1): 72-87. (In Persian). Doi.org/10.22092/ijrdr.2013.2984 Kandrika S, Roy PS. 2008. Land use land cover classification of Orissa using multi-temporal IRS-P6 awifs data: A decision tree approach. International Journal of Applied Earth Observation and Geoinformation. 10: 186-193. Doi.org/10.1016/j.jag.2007.10.003 Lillesand TM, Kiefer RW. 2004. Remote Sensing and Image Interpretation, 7th ed. John Wiley, New York. 770 p. Mahmoodzadeh H. 2017. Application of artificial neural network in modeling and predicting land use changes in Sardroud City. Journal of Geography and Planning. 21 (60): 221-237. (In Persisn). https://www.magiran.com/ p1741465. Matinfard H, Zandieh V. 2016. Investigating land use changes in the Malayer Plain by processing Landsat 7 and 8 spectral data. The First International Conference on natural hazards and environmental crises in Iran, solutions and challenges, 13/09/2016, Ardebil, Iran. (In Persian). Metkan AA, Ashurlu D, Salehi H. 2015. Improving digital classification of agricultural products in multi-temporal images using texture information in Qorveh County. Iran remote sensing and GIS. 8(4): 65-78. (In Persian). Doi.org/10.1109/Multi-Temp.2015.7245780 Mohamadi P, Ahmadi A, Feizizadeh B, Jafarzadeh AA, Rahmati M. 2024. Utilizing the conventional, object-oriented and pixel-based techniques to estimate erosion and sediment yield by MPSIAC model. Dryland Soil Research. 1(1): 113-124. Doi.org/10.47176/jsssi.01.01.1020 Mohammadi SH, Ranraz K, Kabolizadeh M. 2018. Application of Landsat 8 and Sentinel 2 satellite image fusion in environmental monitoring. Journal of RS and GIS for Natural Resources. 9(3): 53-71. (in Persian) (in Persian)Najafi A, Azizi Ghalati S, Mokhtari MH. 2017. Application of Support Vector Machine in land use classification of Kileh-Chalkrod basin. Watershed Management Journal. 8(15): 101-92. (In Persian). https://doi.org/10.22067/jsw.v32i6.72967 Ryherd S, Woodcock C. 1996. Combining spectral and texture data in the segmentation of remotely sensed images. Photogrammetric Engineering and Remote Sensing. 62: 181-194. Sang H, Zhai L, Zhang J, An F. 2015. An object-oriented approach for agricultural land classification using rapideye imagery, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2015 International Workshop on Image and Data Fusion, 21-23 July 2015, Kona, Hawaii, USA. pp. 145-148. Sofyanian AR, Khodakarami L. 2012. Preparing a land use map using a fuzzy classification method (Case study of three sub-watersheds: Kabudar Ahang, Razan-Qahavand, and Khonjin-Talkhab in Hamedan Province). Land Planning. 3(4): 114-95. (In Persian) Song M, Civco DL, Hurd JD. 2005. A competitive pixel-object approach for land cover classification. International Journal of Remote Sensing. 26(22): 4981-4997. Doi.org/10.1080/01431160500213912 Sonobe R, Yamaya H, Tani X, Wang N, Kobayashi I, MochizukiK. 2018. Crop classification from Sentinel-2-derived vegetation indices using ensemble learning, Journal of Applied Remote Sensing. 12(2): 026019. Doi.org/10.1117/1.JRS.12. 026019 Xu D, Guo X. 2013. A study of soil line simulation from Landsat images in Mixed Grassland. Remote Sensing. 5(9): 4533-4550 Doi.org/10.3390/rs5094533 Xue H, Xu L, Zhu Q, Guijun Y, Long H, Li H, Xiaodong Y, Zhang j, YangY, Xu S, Yang M, Li Y. 2023. Object-oriented crop classification using time series sentinel images from google earth engine. Remote Sensing 15(5): 1353. Doi.org/10.3390/rs 15051353 Yaghuti H, Masia-Abadi MH, Amiri E, Pazira E. 2017. Using satellite imagery and remote sensing technology to estimate rice yield. Soil and Water Resources Canservation. 7(3):55-69. (In Persian). Yan G, Mas, JF, Maathuis BHP, Xiangmin Z, Van Dijk PM. 2006. Comparison of pixel‐based and object‐oriented image classification approaches—a case study in a coal fire area, Wuda, Inner Mongolia, China. International Journal of Remote Sensing, 27(18):4039-4055. Doi.org/10.1080/01431160600702632 Zhang H, Feng S, Wu D, Zhao C, Liu X, Zhou Y, Wang S, Deng H, Zheng S. 2024. Hyperspectral image classification on large-scale agricultural crops: The Heilongjiang Benchmark Dataset, Validation Procedure, and Baseline Results. Remote Sensing. 16(3): 478. Doi.org/10.3390/rs16030478 | ||
|
آمار تعداد مشاهده مقاله: 85 تعداد دریافت فایل اصل مقاله: 34 |
||