News

a.z
Navidi, M., Chatrenour, M., jamshidi, M., akhyani, A. (2021). Estimating Cultivation Area of Some Selected Crops in Bastam Plain by Using Multi-Temporal Sentinel-2 Images. , 35(1), 41-58. doi: 10.22092/ijsr.2021.353903.592
M. Navidi; Mansour Chatrenour; mohammad jamshidi; ahmad akhyani. "Estimating Cultivation Area of Some Selected Crops in Bastam Plain by Using Multi-Temporal Sentinel-2 Images". , 35, 1, 2021, 41-58. doi: 10.22092/ijsr.2021.353903.592
Navidi, M., Chatrenour, M., jamshidi, M., akhyani, A. (2021). 'Estimating Cultivation Area of Some Selected Crops in Bastam Plain by Using Multi-Temporal Sentinel-2 Images', , 35(1), pp. 41-58. doi: 10.22092/ijsr.2021.353903.592
Navidi, M., Chatrenour, M., jamshidi, M., akhyani, A. Estimating Cultivation Area of Some Selected Crops in Bastam Plain by Using Multi-Temporal Sentinel-2 Images. , 2021; 35(1): 41-58. doi: 10.22092/ijsr.2021.353903.592

Estimating Cultivation Area of Some Selected Crops in Bastam Plain by Using Multi-Temporal Sentinel-2 Images

پژوهش های خاک
Article 5, Volume 35, Issue 1, June 2021, Pages 41-58    PDF (1.69 M)
Document Type: Research Paper
DOI: 10.22092/ijsr.2021.353903.592
Authors
M. Navidi* 1; Mansour Chatrenour2; mohammad jamshidi1; ahmad akhyani3
1Assistant Professor, Soil and Water Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran
2PhD Graduate, Department of Soil Science and Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, IranDepartment of Soil Science and Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran
3Assistant Professor, Semnan Center for Agricultural and Natural Resources Research, Agricultural Research, Education and Extension OrganizationAgricultural Research, Education and Extension Organization (AREEO)
Abstract
The purpose of this study was to use the Multi-Temporal Sentinel-2 images and phenological index in separating and determining the cultivated area of the agricultural land in the Bastam region. To this end, the agricultural crops of the region were identified according to their types and phenological periods comprising apricot, grape, wheat, and forage corn. Three classifiers including support vector machine, maximum likelihood, and minimum distance models and field observations (points and boundaries provided by GPS) were used in order to compile a land use prediction map. Comparison of the accuracy of the three models showed that the support vector machine had the best performance, with overall accuracy and kappa coefficient of 0.86 and 0.82, respectively. The minimum distance model had the lowest classification performance with overall accuracy and kappa coefficient of 0.69 and 0.61, respectively. According to the model of support vector machine, the highest area (3423 hectares) was obtained for wheat, and the lowest was predicted for forage corn (738 hectares). Finally, the results showed that multi-temporal images and the phenological index had an acceptable capability for separation of the crops, prediction of their areas, and making suitable agricultural land use maps for the study area.
Keywords
Support vector machine; Maximum likelihood model; Minimum distance model; Phenological index
References
  1. تراهی، ع. ا.، فیروزی‌نژاد، م.، و عبدالخانی، ع. (1396). ارزیابی عملکرد الگوریتم‌های ماشین بردار پشتیبان و حداکثر احتمال در تهیة نقشة کاربری اراضی جنگل‌های رودخانه‌ای با استفاده از سنجندة (OLI) منطقة مورد مطالعه: جنگل‌های رودخانه‌ای مارون بهبهان). سنجش از دور و GIS ایران، 9(1)، 49-62.
  2. چترنور، م.، لندی، ا.، فرخیان فیروزی، ا.، نوروزی، ع. ا.، و بهرامی، ح. ع. (1399). کاربرد طیف‌سنجی مرئی- مادون‌قرمز در کمی سازی میزان گچ خاک در کانون‌های مستعد تولید ریزگرد استان خوزستان. تحقیقات کاربردی خاک، 8(3)، 1-13.
  3. خلفی، ج.، و داورپناه، غ. (1387). تخمین سطح و تهیه نقشه اراضی زیر کشت گندم دیم با استفاده از GIS و سنجش از دور در حوزه آبخیز زنجانرود. Paper presented at the همایش ژئوماتیک 87 و چهارمین همایش یکسان سازی نامهای جغرافیایی. https://civilica.com/doc/37099
  4. رحیم زادگان، م.، و پورغلام، م. (1395). تعیین سطح زیر کشت گیاه زعفران با استفاده از تصاویر لندست (مطالعه موردی: شهرستان تربت حیدریه). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی (کاربرد سنجش از دور و GIS در علوم منابع طبیعی)، 7(4)، ۱۱۵-۹۷.
  5. رضایی مقدم، م.، ولی‍زاده کامران، خ.، اندریانی، ص.، و الماس پور، ف. (1395). مقایسه روش های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی چای). نشریه علمی جغرافیا و برنامه ریزی، 19(52)، 163-183.
  6. سفیانیان، ع.، و خداکرمی، ل. (1390). تهیه نقشه کاربری اراضی با استفاده از روش طبقه‌بندی فازی (مطالعه موردی سه زیر حوزه آبخیز کبودر آهنگ، رزن- قهاوند و خونجین- تلخاب در استان همدان). آمایش سرزمین، 3(4)، ۱۱۴-۹۵.
  7. سفیانیان، ع.، محمدی توفیق، ا.، خداکرمی، ل.، و امیری، ف. (1390). تهیه نقشه کاربری اراضی با استفاده از روش شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز کبودرآهنگ، رزن و خونجین - تلخاب در استان همدان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی (کاربرد سنجش از دور و GIS در علوم منابع طبیعی)، ۲(۱)، ۱۲-۱.
  8. کامکار، ب.، دشتی مرویلی، م.، و کاظمی، ح. (1398). تفکیک اراضی زیر کشت برنج و سویا با استفاده از تصاویر ماهواره‌ای سنتینل-2 در الگوهای کاشت تابستانه جهت تحلیل تغییرات سطح زیر کشت دو محصول در چهار حوضه آبخیز استان گلستان. مجله پژوهش‌های حفاظت آب و خاک، 26(1)، 151-167.
    doi: 10.22069/jwsc.2019.15246.3044
  9. علیپور، ف.، آق خانی، م.، عباسپور فرد، م.، و سپهر، ع. (1393). تفکیک محدوده و تخمین سطح زیر کشت محصولات کشاورزی به کمک تصاویر ماهواره­ای. ماشین­های کشاورزی، 4(2)، 244-254. doi: 10.22067/jam.v4i2.34827
  10. Adamchuk, V. I., Perk, R. L., & Schepers, J. S. (2003). EC03-702 Precision Agriculture: Applications of Remote Sensing in Site-Specific Management.
  11. Barrett, E. C., & Curtis, L. F. (1999). Introduction to environmental remote sensing: Psychology Press.
  12. Chubey, M. S., Franklin, S. E., & Wulder, M. A. (2006). Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters. Photogrammetric Engineering & Remote Sensing, 72(4), 383-394.
  13. Barrett, E. C., & Curtis, L. F. (1999). Introduction to environmental remote sensing: Psychology Press.
  14. Chubey, M. S., Franklin, S. E., & Wulder, M. A. (2006). Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters. Photogrammetric Engineering & Remote Sensing, 72(4), 383-394.
  15. Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote sensing and image interpretation: John Wiley & Sons.
  16. Liu, J., Zhu, W., Atzberger, C., Zhao, A., Pan, Y., & Huang, X. (2018). A phenology-based method to map cropping patterns under a wheat-maize rotation using remotely sensed time-series data. Remote Sensing, 10(8), 1203.
  17. McHugh, M. L. (2012). Interrater reliability: the kappa statistic. Biochemia medica, 22(3), 276-282.
  18. Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247-259.
  19. Karlson, M., Ostwald, M., Bayala, J., Bazié, H. R., Ouedraogo, A. S., Soro, B., Reese, H. (2020). The Potential of Sentinel-2 for Crop Production Estimation in a Smallholder Agroforestry Landscape, Burkina Faso. Frontiers in Environmental Science, 8, 85.
  20. Khaliq, A., Peroni, L., & Chiaberge, M. (2018). Land cover and crop classification using multitemporal sentinel-2 images based on crops phenological cycle. Paper presented at the 2018 IEEE Workshop on Environmental, Energy, and Structural Monitoring Systems (EESMS).
  21. Richards, J. A., & Richards, J. (1999). Remote sensing digital image analysis (Vol. 3): Springer.
  22. Rossi, R. J. (2018). Mathematical statistics: an introduction to likelihood based inference: John Wiley & Sons.
  23. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and computing, 14(3), 199-222.
  24. Tso, B., & Mather, P. (2009). M." Classification Methods for Remotely Sensed Data", Chapter 2-3: Taylor and Francis Group, America.
  25. Vuolo, F., Neuwirth, M., Immitzer, M., Atzberger, C., & Ng, W.-T. (2018). How much does multi-temporal Sentinel-2 data improve crop type classification? International Journal of Applied Earth Observation and Geoinformation, 72, 122-130.
  26. Xu, M., Watanachaturaporn, P., Varshney, P. K., & Arora, M. K. (2005). Decision tree regression for soft classification of remote sensing data. Remote Sensing of Environment, 97(3), 322-336.
  27. Yang, C.-C., Prasher, S. O., Enright, P., Madramootoo, C., Burgess, M., Goel, P. K., & Callum, I. (2003). Application of decision tree technology for image classification using remote sensing data. Agricultural Systems, 76(3), 1101-1117.
  28. Yi, Z., Jia, L., & Chen, Q. (2020). Crop Classification Using Multi-Temporal Sentinel-2 Data in the Shiyang River Basin of China. Remote Sensing, 12(24), 4052.
  29. Zeaiean, P., Rabiei, H. R., & Alimohamadi, A. (2005). Detection of Land Use/Cover Changes of Isfahan by Agricultural Lands around Urban Area Using Remote Sensing and GIS Technologies. The Journal of Spatial Planning, 9(4), 41-54.
Statistics
Article View: 1,244
PDF Download: 1,170


counter
Journal management system. designed by sinaweb