تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,096,057 |
تعداد دریافت فایل اصل مقاله | 97,202,774 |
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 | ||
Abrifam, M. (2001). The Synoptic Analysis of Entranced Air Masses to the West of Iran (2004-2005), Supervisor: Gholamreza Barati, Master of Science in Climatology. Razi University of Kermanshah. Adamowski, J., and Chan, H. F .(2011) A wavelet neural network conjunction model for groundwater level forecasting. Journal of Hydrology, 407(4): 28-40. Ahmadpour, Z., Ghanbari, Q., and Karami, Q. (2014). Political organization of space.Tehran: Geographical Organization Publications Armed Forces. Third edition. 113. (In Farsi) Alipour, F., Aq Khani Mohammad, H., Pourfard, A., Mohammadi, H., and Sepehr, A. (2016). Separation of the area and estimation of agricultural crops with satellite images. Agricultural machines,4: 244-254. (In Farsi) Al-Gaadi, K.A., Hassaballa, A.A., Tola, E., Kayad, A.G., Madugundu, R., Alblewi, B., and Assiri, F. (2016). Prediction of potato crop yield using Precision agriculture techniques. PLoS One, 11,9:1-16. Alijani, B., (2012). Synoptic climatology. Tehran: Samt Publications. (In Farsi) Alijani, B., (2015). Spatial Analysis. Journal of Spatial Analysis of Environmental Hazards, 2(3): 1-14. (In Farsi) Aparicio, N., Villegas, D., Casadesus, J., Araus, J.L. and Royo, C. (2000). ining durum wheat yield. Agronomic Jurnal, 92(1): 83-91. Alizadeh, P., Kamkar, B., Shatai, SH., and Kazemi. H. (2018). Estimation of changes in wheat and soybean cultivation using satellite image classification in the west of Golestan province. Applied agricultural research, 31(3): 41-61. (In Persian) Ashourloo, M., Alimohammadi, A., Rezaian, P. and Ashourloo, D. (2006). Separation of wheat from other products on satellite images. Environmental Sciences, 4(2): 101-116. (In Farsi) Caren, D., David, M., and C. R. Volker. (2001). Phonological difference in tasseled cap indices Improves deciduous forest classification. Remotesensing of Environment, 80: 460-472. Chen, Y., Zhang, Z., and Tao, F. (2018). Improving regional winter wheat yield estimation through assimilation of phenology and leaf area index from remote sensing data. European Journal of Agronomy, 101: 163-173. Collins, W. (1978). Remote sensing of crop type and maturity. Photogrammetric Eng. and Remote Senseing, 44, 43-55. FAO. 2017. FAOSTAT Database. Available online at: http://www.fao.org/faostat/en/#data/QC Foody, G. M., Mathur, A., Sanchez-Hernandez, C., and Boyd, D. (2006). Training set size requirements for the classification of a specific class. Remote Sensing of Environment, 104(1): 1-14. Ganji, M. H. (2003). Climatic faults of Iran. Bulletin of the National Center for Climatology, 3(1): 41. (In Farsi) Gualtieri, J. A., Chettri, S. R., Cromp, R. F. and Johnson, L. F. (1999). Support vector machine classifiers as applied to AVIRIS data. Harvey, D. (1996). Explanation in Geography. London: Arnold. Hatfield, J., Prueger, J. (2010). Value of using different vegetative Indices to quantify agricultural crop characteristics at different growth stages under varying management Practices, Remote Sensing, 2: 562–578. Hong, X., CAO Wei-Xing1, C., and YANG Lin-Zhang, Y. (2007). Predicting Grain Yield and Protein Content in Winter Wheat at Different N Supply Levels Using Canopy Reflectance Spectra. Pedosphere, 17(5): 646–653. Kaswani, I., Norsaliza, U. and Hasmadi, I. (2010). Analysis of spectral vegetation indices related to soil-line for mapping mangrove forests using satellite imagery. J. Rem. Sens, 1(1): 25-31. Khodakarami, L. and Sefyaninan, A. (2012). Application of multi-time remote sensing in determining the area under cultivation. Soil and Water Sciences, 16(59): 215-231. (In Farsi) Mojarad, F., and Masoompour, J. (2013). Estimation of maximum probable precipitation by synoptic method in Kermanshah province. Geographical studies of arid regions, 13: 1-14. Pattanaik, F., and Mohanty, S. (2017). Changes in Cropping Pattern in Odisha Agriculture in Neo-Liberal Period. Journal of Rural Development, 36(1): 121-154. Richards, J. (2013). Remote Sensing Digital Image Analysis. Springer Berlin Heidelberg DOI: https://doi.org/10.1007/978-3-642-30062-2 Shanahan, J.F., Schepers, J.S., Francis, D.D., Varvel, G.E., Wilhelm, W.W., Tringe, J.M., Schlemmer, M.R. and Major, D.J. (2001). Use of remote-sensing imagery to estimate corn grain yield. Agronomic Jurnalm 93: 583-589. Wang, L., Zhoub, X., Zhua, X., Donga, Z., Guo, W. (2016). Estimation of biomass in wheat using random forest. Regression algorithm and remote sensing data, t h e c r o p j o u r n a l, 4: 2 1 2 – 2 1 9. Wardlow, B.D., Egbert, S.L., Kastens, J.H. (2007). Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U.S. Central Great Plains. Remote Sens. Environ, 108 (3): 290–310. Wit, D., Duveiller, A., and G., Defourny, G. (2012). Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations. Agricalture for Meteorological, 164: 39–52. Zadehdifard, N. (2002). Preparation of land use map using satellite data in Baft drainage basin. MSc Disseration, Faculty of Agriculture, Isfahan University of Technology, Iran. (In Farsi) Ziaeian Firoozabadi, P. Sayad Bidhendi, L. and Eskandari Nodeh, M. (2009). Rice cultivation in Sari city using RADARSAT satellite images. Natural Geography, 41(68): 45-58. (In Farsi)
| ||
آمار تعداد مشاهده مقاله: 371 تعداد دریافت فایل اصل مقاله: 435 |