سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,578
تعداد مقالات71,072
تعداد مشاهده مقاله125,681,819
تعداد دریافت فایل اصل مقاله98,911,896
سلطانی, مسعود. (1403). برآورد درصد پوشش گیاهی ذرت با استفاده از الگوریتم‏های پردازش تصویر. , 14(1), 111-122. doi: 10.22059/jwim.2023.364331.1098
مسعود سلطانی. "برآورد درصد پوشش گیاهی ذرت با استفاده از الگوریتم‏های پردازش تصویر". , 14, 1, 1403, 111-122. doi: 10.22059/jwim.2023.364331.1098
سلطانی, مسعود. (1403). 'برآورد درصد پوشش گیاهی ذرت با استفاده از الگوریتم‏های پردازش تصویر', , 14(1), pp. 111-122. doi: 10.22059/jwim.2023.364331.1098
سلطانی, مسعود. برآورد درصد پوشش گیاهی ذرت با استفاده از الگوریتم‏های پردازش تصویر. , 1403; 14(1): 111-122. doi: 10.22059/jwim.2023.364331.1098

برآورد درصد پوشش گیاهی ذرت با استفاده از الگوریتم‏های پردازش تصویر

مدیریت آب و آبیاری
دوره 14، شماره 1، فروردین 1403، صفحه 111-122    اصل مقاله (1.31 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2023.364331.1098
نویسنده
مسعود سلطانی*
گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین‌المللی امام خمینی(ره)، قزوین، ایران.
چکیده
پیشرفت علم و استفاده از فناوری‏های سنجش از دور، امکان پایش سلامت،‌ بررسی وضعیت گیاه، تعیین سطح و نوع کشت، محاسبه سرعت رشد و شاخص‏های گیاهی و سایر اطلاعات ارزشمند از مزرعه و باغ را  برای کشاورز فراهم آورده است. درصد پوشش گیاهی یکی از پارامترهای مهم در مدل‏های گیاهی برای تخمین عملکرد گیاه و وضعیت رشد آن محسوب می‏شود. روش‏های تعیین درصد پوشش گیاهی براساس داده‏های مشاهداتی زمینی، گران و زمان‏بر هستند. استفاده از پهپاد برای تصویربرداری هوایی و به‌کارگیری روش‏های مبتنی بر پردازش تصویر، می‏تواند پارامترهای موردنظر را در کل سطح مزرعه و با سرعت و دقت بالا به‌دست آورد. در این پژوهش برای تعیین درصد پوشش گیاهی ذرت، تعداد 441 تصویر هوایی در ارتفاع 30 متری از سطح زمین با استفاده از پهپاد شرکت DJI، مدل Mavic 2 pro در یکی از مزارع ذرت شهرستان الوند در استان قزوین، برداشت شد. از دو روش جداسازی و طبقه‏بندی به‌طور جدا برای تعیین مقدار درصد پوشش گیاهی استفاده شد. آزمون تفکیک‏پذیری و ضریب همبستگی بین داده‏های محاسباتی، تعیین و موردبررسی قرار گرفت. نتایج نشان داد اگرچه دقت هر دو روش بالا بود، اما به‌طور میانگین روش جداسازی مقدار درصد پوشش گیاهی را 10 درصد کم‌تر از الگوریتم طبقه‏بندی به‌دست آورد. هم‌چنین ضریب همبستگی بالای 97 درصد بین داده‏ها نشان داد دقت روش‏های بر مبنای پردازش تصویر مانند جداسازی پایین‏تر از روش‏های طبقه‏بندی است اما در صورت عدم دسترسی به نرم‏افزارهای موردنیاز که امکان تجزیه و تحلیل بر مبنای روش‏های هوش مصنوعی را دارند، می‏توان به‌راحتی با اجرای کد‏های برنامه‏نویسی مبتنی بر روش‏های جداسازی در زبان‏های سطح بالا و متن باز از جمله زبان پایتون به نتیجه مطلوبی رسید.
کلیدواژه‌ها
آستانه‌‏گذاری؛ شاخص سبزینگی مازاد؛ طبقه‌‏بندی؛ فاصله ماهالانوبیس
مراجع
  1. Ghosal, S., Blystone, D., Singh, A. K., Ganapathysubramanian, B., Singh, A., & Sarkar, S. (2018). An explainable deep machine vision framework for plant stress phenotyping. Proceedings of the National Academy of Sciences of the United States of America, 115(18), 4613-4618. https://doi.org/10.1073/pnas.1716999115
  2. Kisalaei, A., Golmohammadzadeh, F., Rasouli Sharabiani, V., & Golmohammadi, A. (2014). Applicaton Of Image Processing In Precision Agriculture. 3rd National Conference On Organic and Conventional Agriculture. (In Persian).
  3. Noda, K., Ezaki, N., Takizawa, H., Mizuno, S., & Yamamoto, S. (2006). Detection of plant saplessness with image processing. International Joint Conference SICE-ICASE. p. 4856-4860.
  4. Poonguzhali, R., & Vijayabhanu, A. (2019). Crop condition assessment using machine learning. International Journal of Recent Technology and Engineering, 7(6), 897-900.
  5. Saxena, L., & Armstrong, L. (2014). A Survey of Image Processing Techniques for Agriculture. Proceedings of Asian Federation for Information Technology in Agriculture, 401-413. https://doi.org/10.5120/20052-1983
  6. An, J., Li, W., Li, M., Cui, S., & Yue, H. (2019). Identification and classification of maize drought stress using deep convolutional neural network. Symmetry, 11(2), 1-14. https://doi.org/10.3390/sym11020256
  7. Story, D., & Kacira, M. (2015). Design and implementation of a computer vision-guided greenhouse crop diagnostics system. Machine Vision and Applications, 26(4), 495-506. https://doi.org/10.1007/s00138-015-0670-5
  8. Coy, A., Rankine, D., Taylor, M., Nielsen, D. C., & Cohen, J. (2016). Increasing the accuracy and automation of fractional vegetation cover estimation from digital photographs. Remote Sensing, 8(7), 21-25. https://doi.org/10.3390/rs8070474
  9. Lee, K.-J., & Lee, B.-W. (2011). Estimating canopy cover from color digital camera image of rice field. Journal of Crop Science and Biotechnology, 14(2), 151-155. https://doi.org/10.1007/s12892-011-0029-z
  10. Haddadi, S. R., Soltani, M., & Hashemi, M. (2022). Comparing the Accuracy of different image processing methods to ‎Estimate Sugar Beet Canopy Cover by Digital Camera Images. Water and Irrigation Management, 12(2), 295-308. https://doi.org/10.22059/jwim.2022.336225.954. (In Persian).
  11. Kazmi, W., Garcia-Ruiz, F. J., Nielsen, J., Rasmussen, J., & Jørgen Andersen, H. (2015). Detecting creeping thistle in sugar beet fields using vegetation indices. Computers and Electronics in Agriculture, 112, 10-19. https://doi.org/10.1016/j.compag.2015.01.008
  12. Coy, A., Rankine, D., Taylor, M., Nielsen, D. C., & Cohen, J. (2016). Increasing the accuracy and automation of fractional vegetation cover estimation from digital photographs. Remote Sensing, 8(7), 21-25. https://doi.org/10.3390/rs8070474
  13. Thailambal, G., & Yogeshwari, M. (2020). Automatic segmentation of plant leaf disease using improved fast Fuzzy C-Means clustering and adaptive Otsu thresholding. European Journal of Molecular and Clinical Medicine, 7(3), 5447–5462. https://ejmcm.com/article_5513.html
  14. Chen, Y., & Gong, P. (2013). Clustering based on eigenspace transformation-CBEST for efficient classification. ISPRS Journal of Photogrammetry and Remote Sensing, 83, 64-80.
  15. Bruzzone, L., & Demir, B. (2014). A review of modern approaches to classification of remote sensing data. Pages 127-143. Land Use and Land Cover Mapping in Europe, Springer.
  16. Shao, Y., & Lunetta, R. S. (2012). Comparison of support vector machine, neural network, and CART algorithms for the land-cover classification using limited training data points. ISPRS Journal of Photogrammetry and Remote Sensing, 70, 78-87.
  17. Pal, M., & Mather, P. (2006). Some issues in the classification of DAIS hyperspectral data. International Journal of Remote Sensing, 27, 2895-2916.
  18. Sankarasrinivasan, S., Balasubramanian, E., Karthik, K., Chandrasekar, U., & Gupta, R. (2015).
    Health monitoringof civil structures with integrated UAV and image processing system. Procedia Computer Science, 54, 508-515.
آمار
تعداد مشاهده مقاله: 343
تعداد دریافت فایل اصل مقاله: 253





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب