پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,236 |
| تعداد مقالات | 67,810 |
| تعداد مشاهده مقاله | 115,288,834 |
| تعداد دریافت فایل اصل مقاله | 90,031,512 |
آشکارسازی و ریشه‌یابی ناهنجاری‌های رشد محصولات پاییزه در زمین‌های زراعی منفرد با استفاده از سری زمانی تصاویر ماهواره‌ای سنتینل -2 (منطقه موردمطالعه: استان گلستان) | ||
| تحقیقات آب و خاک ایران | ||
| دوره 54، شماره 7، مهر 1402، صفحه 1063-1078 اصل مقاله (1.62 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2023.360333.669508 | ||
| نویسندگان | ||
| مصطفی دازی1؛ محمد جواد ولدان زوج* 1؛ علیرضا صفدری نژاد2 | ||
| 1گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی،تهران،ایران | ||
| 2گروه ژئودزی و مهندسی نقشه برداری، دانشگاه تفرش،تفرش،ایران | ||
| چکیده | ||
| تولید محصولات راهبردی کشاورزی در ابعاد وسیع و به‌صورت صنعتی یکی از جنبه‌های دستیابی به امنیت غذایی است. مدیریت پیوسته و یکپارچه مزارع وسیع امری دشوار بوده و نیازمند بهره‌گیری از فناوری‌های نوین است. ناهنجاری درکشت محصولات زراعی به هر رخداد نامتعارف و محدودی اطلاق شده که موجب تمایز درروند کشت محصول به‌صورت موضعی گردد. عواملی همچون توزیع نامتوازن بذر و کود، چرای دام در زمان رشد محصول، آفات ، تمایز بافت خاک و شیب زمین در مزرعه، رشد علف‌های هرز و خشکسالی برخی از عوامل بروز ناهنجاری در مزارع کشاورزی هستند. آشکارسازی و اصلاح عوامل بروز ناهنجاری برای زمین‌های زراعی وسیع امری دشوار بوده و تشخیص این موضوع عموماً در زمان برداشت محصول اتفاق می‌افتد. در این مقاله راهکاری به‌منظور پایش مستمر مزارع کشاورزی وسیع از طریق تحلیل سری‌های زمانی تصاویر ماهواره‌ای سنتینل-2 پیشنهادشده است. نتایج این راهکار حاکی از عملکرد مؤثر آن در تشخیص ناهنجاری‌های مختلف در مزارع کشاورزی بوده است. تشخیص بهنگام، امکان پایش تداوم ناهنجاری و سنجش اثربخش بودن اقدامات جبرانی از ویژگی‌های راهکار پیشنهادی است. این روش بیش از 5 نوع ناهنجاری را در مزارع منتخب شناسایی نموده و دقت آشکارسازی 60/95 درصدی را تأمین ساخته است. | ||
| کلیدواژه‌ها | ||
| سنجش از دور؛ تشخیص ناهنجاری؛ سنتینل-2؛ سری زمانی تجمعی؛ الگوریتم RX | ||
| عنوان مقاله [English] | ||
| Anomalies detection and cause analysis of autumn crops in individual croplands using timeseries of Sentinel-2 satellite data (Case Study: Golestan province) | ||
| نویسندگان [English] | ||
| Mostafa Dazi1؛ Mohammad Javad Valadan Zoej1؛ Alireza Safdarinezhad2 | ||
| 1Department of Photogrammetry & Remote Sensing, Faculty of Geomatics Engineering, K. N. Toosi University of Technology, Tehran, Iran | ||
| 2Department of Geodesy and Surveying Engineering, Tafresh University, Tafresh, , Iran | ||
| چکیده [English] | ||
| One way to ensure food security is to produce strategic agricultural products on a large scale using industrial methods. Managing large-scale farms consistently and cohesively is a challenging task that requires the utilization of modern technologies. Crop anomalies refer to uncommon and limited factors during agricultural production, leading to localized differentiation in the crop cultivation process. Factors contributing to crop anomalies in agriculture include imbalances in soil nutrients and fertilizers, grazing during crop growth, pests, variations in soil texture and slope in pastures, weed growth, and drought. Detecting and remediating factors limiting crop growth in vast agricultural lands is difficult and these issues are often noticed at harvest time. This article suggests a solution for continuously monitoring of large agricultural fields by analyzing the time series of Sentinel-2 satellite images. The effectiveness of this solution in detecting various anomalies of farms, in agrarian areas has been demonstrated by the results. The proposed solution offers features such as timely diagnosis, the ability to monitor the continuation of irregularities, and the measurement of compensatory measures' effectiveness. The method has successfully identified over five types of anomalies in the selected farms, achieving a detection accuracy of 95.60%. | ||
| کلیدواژه‌ها [English] | ||
| Anomaly detection, cumulative time series, remote sensing, RX algorithm, Sentinel-2 | ||
| مراجع | ||
|
Albughdadi, M., Kouamé, D., Rieu, G., & Tourneret, J. Y. (2017, 23-28 July 2017). Missing data reconstruction and anomaly detection in crop development using agronomic indicators derived from multispectral satellite images. Paper presented at the 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Aslan, M. F., Durdu, A., Sabanci, K., Ropelewska, E., & Gültekin, S. S. (2022). A comprehensive survey of the recent studies with uav for precision agriculture in open fields and greenhouses. Applied Sciences, 12(3), 1047. Bagheri, N., & Javadi, A. (2022). Assessing the level of technology in the production of strategic agricultural products of IRAN. Industrial Technology Development Quarterly. (inPersian) Castillo-Villamor, L., Hardy, A., Bunting, P., Llanos-Peralta, W., Zamora, M., Rodriguez, Y., & Gomez-Latorre, D. A. (2021). The Earth Observation-based Anomaly Detection (EOAD) system: A simple, scalable approach to mapping in-field and farm-scale anomalies using widely available satellite imagery. International journal of applied earth observation and geoinformation, 104, 102535. Defourny, P., Bontemps, S., Bellemans, N., Cara, C., Dedieu, G., Guzzonato, E., . . . Koetz, B. (2019). Near real-time agriculture monitoring at national scale at parcel resolution: Performance assessment of the Sen2-Agri automated system in various cropping systems around the world. Remote sensing of environment, 221, 551-568. doi:https://doi.org/10.1016/j.rse.2018.11.007 Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of environment, 202, 18-27. Lasaponara, R. (2006). On the use of principal component analysis (PCA) for evaluating interannual vegetation anomalies from SPOT/VEGETATION NDVI temporal series. Ecological modelling, 194(4), 429-434. doi:https://doi.org/10.1016/j.ecolmodel.2005.10.035 León-López, K. M., Mouret, F., Arguello, H., & Tourneret, J.-Y. (2021). Anomaly detection and classification in multispectral time series based on hidden Markov models. IEEE transactions on geoscience and remote sensing, 60, 1-11. Mir Panahi, S., & Javadi, A. (2022). The need for fundamental changes in Iran's traditional agricultural level in the era of smart agriculture and robotic agriculture. Paper presented at the The 7th International Congress of Agricultural Development and Environment with an emphasis on the development program of nations(inPersian). https://civilica.com/doc/1492777 Mouret, F., Albughdadi, M., Duthoit, S., Kouamé, D., Poilvé, H., Rieu, G., & Tourneret, J.-Y. (2020). Unsupervised crop anomaly detection at the parcel-level using optical and SAR images: application to wheat and rapeseed crops. Mouret, F., Albughdadi, M., Duthoit, S., Kouamé, D., Rieu, G., & Tourneret, J.-Y. (2021). Outlier detection at the parcel-level in wheat and rapeseed crops using multispectral and SAR time series. Remote sensing, 13(5), 956. Racetin, I., & Krtalić, A. (2021). Systematic review of anomaly detection in hyperspectral remote sensing applications. Applied Sciences, 11(11), 4878. Rodriguez Perez, A. J., Louakfaoui, E. M., Munoz Rastrero, A., Rubio Perez, L. A., & de Pablos Epalza, C. (2004). S.I.I.A. for monitoring crop evolution and anomaly detection in Andalusia by remote sensing (Vol. 5232): SPIE. San Bautista, A., Fita, D., Franch, B., Castiñeira-Ibáñez, S., Arizo, P., Sánchez-Torres, M. J., . . . Rubio, C. (2022). Crop Monitoring Strategy Based on Remote Sensing Data (Sentinel-2 and Planet), Study Case in a Rice Field after Applying Glycinebetaine. Agronomy, 12(3), 708. Alter, O., Brown, P. O., & Botstein, D. (2000). Singular value decomposition for genome-wide expression data processing and modeling. Proceedings of the National Academy of Sciences, 97(18), 10101-10106. Bruckstein, A. M., Donoho, D. L., & Elad, M. (2009). From sparse solutions of systems of equations to sparse modeling of signals and images. SIAM review, 51(1), 34-81. Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM computing surveys (CSUR), 41(3), 1-58. Comaniciu, D., & Meer, P. (2002). Mean shift: A robust approach toward feature space analysis. IEEE Transactions on pattern analysis and machine intelligence, 24(5), 603-619. Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. Paper presented at the kdd. Filho, J. E. A., Brandão, L. C. P., Fernandes, B. J. T., & Maciel, A. M. A. (2022). A Review of Neural Networks for Anomaly Detection. Ieee Access, 1-1. doi:10.1109/ACCESS.2022.3216007 Ghrib, Z., Jaziri, R., & Romdhane, R. (2020, 19-24 July 2020). Hybrid approach for Anomaly Detection in Time Series Data. Paper presented at the 2020 International Joint Conference on Neural Networks (IJCNN). Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of educational psychology, 24(6), 417. Japkowicz, N., & Shah, M. (2011). Evaluating Learning Algorithms: A Classification Perspective: Cambridge University Press. Jia, W., Sun, M., Lian, J., & Hou, S. (2022). Feature dimensionality reduction: a review. Complex & Intelligent Systems, 8(3), 2663-2693. Kayode Saheed, Y., Harazeem Abdulganiyu, O., & Ait Tchakoucht, T. (2023). A Novel Hybrid Ensemble Learning for Anomaly Detection in Industrial Sensor Networks and SCADA Systems for Smart City Infrastructures. Journal of King Saud University - Computer and Information Sciences. doi:https://doi.org/10.1016/j.jksuci.2023.03.010 Matteoli, S., Diani, M., & Corsini, G. (2010). A tutorial overview of anomaly detection in hyperspectral images. IEEE Aerospace and Electronic Systems Magazine, 25(7), 5-28. Nassif, A. B., Talib, M. A., Nasir, Q., & Dakalbab, F. M. (2021). Machine learning for anomaly detection: A systematic review. Ieee Access, 9, 78658-78700. Reed, I. S., & Yu, X. (1990). Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution. IEEE transactions on acoustics, speech, and signal processing, 38(10), 1760-1770. Scholz, M., Kaplan, F., Guy, C. L., Kopka, J., & Selbig, J. (2005). Non-linear PCA: a missing data approach. Bioinformatics, 21(20), 3887-3895. | ||
|
آمار تعداد مشاهده مقاله: 341 تعداد دریافت فایل اصل مقاله: 127 |
||