شناسایی و تعیین مزارع گندم با استفاده از تغییرات بازتابی شاخص پوشش گیاهی و تحلیل مکانی در غرب ایران | ||
| تحقیقات آب و خاک ایران | ||
| دوره 52، شماره 6 - شماره پیاپی 66، شهریور 1400، صفحه 1697-1708 اصل مقاله (1.24 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2021.320926.668921 | ||
| نویسندگان | ||
| سید حسین میرموسوی1؛ کوهزاد رئیس پور1؛ محمد کمانگر* 2؛ علیرضا کربلایی3 | ||
| 1هیئت علمی گروه آب و هواشناسی، دانشکده انسانی، دانشگاه زنجان، زنجان، ایران | ||
| 2گروه آب و هواشناسی، دانشکده انسانی، دانشگاه زنجان، زنجان، ایران | ||
| 3گروه آب و هواشناسی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران | ||
| چکیده | ||
| تهیه نقشه و تحلیل مکانی مزارع گندم در مسائل کلان اقتصادی و اجتماعی ازجمله مدیریت کشاورزی دارای اهمیت زیادی است. نقشههای الگوی کشت تغییرپذیر هستند و تهیه آن با استفاده از دادههای زمینی با مسائل زیادی همراه است. هدف از این تحقیق پیادهسازی روشی کاربردی برای استخراج مزارع گندم با استفاده از تغییرات شاخص پوشش گیاهی و تحلیل مکانی مزارع گندم در غرب ایران است. بررسی منحنی تغییرات شاخص پوشش گیاهی مزارع نمونه گندم نشان داد بیشترین مقدار بازتاب شاخص مزارع نمونه گندم در ماههای خرداد و اوایل تیرماه بوده و پس از برداشت محصول شاخص بازتاب به مقدار زیادی کاهش مییابد. در همین راستا دادههای سنجنده سنتیل در سامانه Earth Engine پردازش و شاخص پوشش گیاهی 12 ماهه سال 1398 در قالب یک مجموعه داده از آن استخراج گردید. با معرفی نمونههای آموزشی به مجموعه داده ایجادشده به روش طبقهبندی ماشین بردار پشتیبان[1]، کاربری زمین محدوده موردمطالعه در پنج کلاس به دست آمد. با اعمال فیلتر ارتفاعی و حذف مزارع مستخرج شده بالای سه هزار متر نقشه پراکندگی مزارع گندم را با 48 نمونه باقیمانده نمونههای زمینی صحتسنجی شد و صحت کلی 86/0 و ضریب کاپا 79/0 به دست آمد. نتایج نشان داد با توجه به اینکه در روش پیشنهادی اطلاعات دادههای آموزشی بیشتری به الگوریتم داده شد، بنابراین موجب افزایش صحت کلی طبقهبندی میشود. الگوی مکانی مزارع گندم با تابع میانگین نزدیکترین همسایه و آماره P_value<0.05 نشاندهنده خوشهای بودن پراکندگی مزارع و تابع کاریپلی عدم تصادفی بودن پراکندگی مزارع گندم تا فاصلههای 21 هزار متری را نشان داد. از نتایج این تحقیق و نقشههای خروجیهای آن میتوان در کسب اطلاعات برای برنامهریزیهای کشاورزی و همچنین تخصیص و توزیع مکانی منابع و امکانات استفاده نمود. [1] Support Vector Machine Classification Algorithm (SVM) | ||
| کلیدواژهها | ||
| کشاورزی؛ سنجنده Sentinel؛ ماشین بردار پشتیبان؛ خوشهبندی؛ غرب ایران | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 902 تعداد دریافت فایل اصل مقاله: 794 |
||