ارزیابی کارآیی همدوسی تداخل سنجی راداری به منظور تعیین نوع کشت اراضی کشاورزی با استفاده از یادگیری ماشین(مقاله علمی وزارت علوم)
منبع:
سنجش از دور و GIS ایران سال ۱۷ زمستان ۱۴۰۴ شماره ۴ (پیاپی ۶۸)
133 - 160
حوزههای تخصصی:
مقدمه: استفاده بهینه از زمین های کشاورزی یکی از دغدغه های مسئولان است زیرا کشاورزی ازنظر اشتغال زایی، ارزآوری، تأمین امنیت غذایی کشور و وابستگی کمتر به ارز خارجی دارای اهمیت بسیار است. به دست آوردن اطلاعات درباره الگوی توزیع مکانی و سطح زیرکشت محصولات زراعی می تواند به استفاده کارآمد از آن ها کمک کند. ازجمله روش های مناسب به منظور حصول اطلاعات درمورد سطح زیرکشت محصولات زراعی، بهره گیری از تصاویر ماهواره ای است. حوزه سنجش از دور، با امکان ارائه تصاویر دارای قدرت تفکیک های مناسب و همچنین پوشش مکانی و زمانی وسیع، به رویکردی غالب برای استخراج سطح زیرکشت و پایش محصولات زراعی تبدیل شده است. یکی از داده های سنجش ازدوری که اخیراً در حوزه نقشه برداری نوع محصول زراعی مورد توجه قرار گرفته، تصاویر همدوسی تداخل سنجی رادار دریچه مصنوعی است که به دلیل حساسیت بالا به ساختار محصولات زراعی، به نظارت و نقشه برداری آن ها کمک بسیاری می کند. در منابع جهانی، تصاویر همدوسی InSARکاربردی گسترده در تحقیقات مرتبط با محصولات زراعی داشته است. این درحالی است که در ایران، بهره گیری از داده های همدوسی برای پایش فنولوژی و تفکیک محصولات زراعی گوناگون، به ر غم توانایی های منحصربه فرد آن، چندان مورد توجه قرار نگرفته است. از این رو ارزیابی کارآیی داده های همدوسی و قابلیت های آن ها برای اتخاذ سیاست های مدیریت کشاورزی بهینه در ایران می تواند بسیار کارساز باشد. روش شناسی: هدف اصلی مطالعه حاضر ارزیابی کارآیی داده های همدوسی مبتنی بر یادگیری ماشین، به منظور نقشه برداری نوع محصول زراعی است. بدین منظور سری زمانی یک ساله ای متعلق به سال زراعی 1398 (2019 میلادی)، از داده های همدوسی دارای اطلاعات فاز ماهواره سنتینل – 1، درمورد بخشی از اراضی دشت اردبیل واقع در غرب و شمال غرب شهر اردبیل، تهیه شد. در این راستا زنجیره ای از جفت تصاویر راداری، با خط مبناهای مکانی و زمانی کوتاه، برای تولید داده های همدوسی به کار رفت. داده های میدانی از 1358 قطعه زمین با محصولات متفاوت برداشت شد. در مرز قطعات زراعی، حریمی ده متری برای جلوگیری از پیکسل های مخلوط در نظر گرفته شد. درمجموع، 156026 پیکسل از تصاویر همدوسی، برای نمونه، برداشت و به صورت تصادفی به سه دسته آموزشی (70%)، اعتبارسنجی (15%) و آزمایشی (15%) تقسیم شد. به منظور انتخاب بازه زمانی مناسب برای استفاده از تصاویر همدوسی، پاسخ فنولوژیکی محصولات به همدوسی تحلیل شد. در بازه زمانی انتخابی، سیگنال های فنولوژیکی محصولات مورد بررسی، با سیگنا ل های مناطق شاهد ساخته شده و خاک لخت، مقایسه شد تا درمورد اختلاط نیافتن آن ها اطمینان به دست آید. بدین ترتیب داده های همدوسی چندزمانه در بازه انتخابی، به منزله ورودی طبقه بندی کننده ماشین بردار پشتیبان با کرنل های متفاوت، برای تفکیک و شناسایی نوع محصولات زراعی استفاده شدند. نتایج: بررسی مقادیر سری زمانی همدوسی، در مناطق شاهد انتخابی، حاکی از تمایز رفتار همدوسی محصولات زراعی متفاوت، درمقایسه با هم و نیز درقیاس با مناطق ساخته شده و خاک لخت است. بر این اساس داده های همدوسی انطباق خوبی با مراحل فنولوژیکی اصلی محصولات زراعی نشان می دهند. از میان کرنل های گوناگون طبقه بندی کننده ماشین بردار پشتیبان، کرنل تابع پایه شعاعی بیشترین میزان صحت کلی برابر را با 69/59%، با ترکیب متفاوتی از پارامترهای c و گاما در مرحله اعتبارسنجی نشان داد. صحت کلی نقشه نوع محصول زراعی تولید شده با استفاده از طبقه بندی کننده ماشین بردار پشتیبان و کرنل تابع پایه شعاعی، در مرحله آزمایش، برابر با 6/60% است که بهترین عملکرد را در شناسایی گندم و بدترین را درمورد یونجه داشته است. صحت کاربر، برای گیاهان گندم و سیب زمینی، بالاتر و برای گیاهان ذرت، باقلا و یونجه، پایین تر است. جمع بندی: به طور کلی، می توان گفت تصاویر همدوسی اطلاعات ارزشمندی به منظور شناسایی و تفکیک محصولات زراعی در ایران ارائه می دهند. استفاده از قابلیت های یادگیری ماشین می تواند، در پایش و تفکیک انواع محصولات زراعی، به داده های همدوسی کمک کند. در این راستا، عواملی همچون تعداد نمونه های آموزشی هر محصول، تعداد ویژگی های همدوسی، استفاده از داده های مکمل، اختلاف منظر سنجنده (خط مبنای مکانی)، ویژگی های توپوگرافیکی (شیب و جهت)، فاصله زمانی بین تصاویر رادار و نوع الگوریتم طبقه بندی تصویر، کارآیی تصاویر همدوسی و طبقه بندی کننده را تحت تأثیر قرار می دهند که باید مورد توجه قرار گیرند.