نوع مقاله : پژوهشی
نویسندگان
1
دانشیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس
2
دانشیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، شیراز، ایران
3
مربی پژوهشی، مرکز تحقیقات و آموزش کشاورزیی و منابع طبیعی فارس
4
سازمان جهاد کشاوررزی فارس
5
سازمان جهاد کشاورزیی فارس
6
استادیار، موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
10.22092/wmrj.2025.369849.1626
چکیده
مقدمه و هدف
با توجه به وسعت و تغییرپذیری و پویایی اطلاعات بخش کشاورزی در کشور و بهویژه در استان فارس، روز آمد کردن و تدقیق اطلاعات فعالیتهای مرتبط با آن از اهمیت ویژه ای برخوردار است. در آبخیزها، کاربریهای کشاورزی در آبخیزها از مهمترین بهرهبرداریها است که نقش تعیینکنندهای در هر دو بعد مثبت و منفی (تخریب یا حفاظت) آبخیز دارد. تاکنون پژوهش های مختلفی در زمینه طبقهبندی اراضی کشاورزی با کاربرد تصاویر ماهوارهای انجام شده است. سنجش از دور، یک روش کارآمد در شناسایی محصولات برای تخمین برداشت بالقوه و مدیریت مزارع کشاورزی است. در پیشینه پژوهش، طیف وسیعی از انواع تصاویر برای تنوع گوناگونی از کاربردها تا کنون برای روش شیءگرا بهکار گرفته شده است. برخی از روشهای پردازش تصویر در تمایز بین دستههای کاربری زمین و پوشش زمین مناسبتر از سایرین میباشند، بهویژه زمانی که تصاویر با وضوح بالا طبقهبندی میشوند. همچنین بررسی کارهای پیشین نشان داده است که طبقهبندی شیءگرا در مواردی دقت بالاتری نسبت به پیکسلمبنا در تمایز بین دستههای انتخاب شده کاربری زمین و پوششزمین دارد. در این پژوهش، برای ارزیابی این دو روش در پهنهای به وسعت استان فارس، مدلهای مبتنی بر GIS و سنجش از دور که می تواند در مدیریت مزارع آبخیزها در زمان حال و همچنین برای بهروز رسانی اطلاعات در سالهای آتی مورد استفاده قرار گیرد، تهیه شد تا ضمن تعیین دقت روشهای یاد شده، امکان تجمیع کردن مراحل مختلف در یک مدل کاربر دوست فراهم آید.
مواد و روشها
پژوهش حاضر تمام مناطق تحت کشت زراعت و باغ در پهنه آبخیزهای استان فارس را دربر میگیرد. از آنجا که تاریخهای بیشینه سبزینگی در اقلیمهای مختلف متفاوت است، بهمنظور بررسی ترکیب اقلیمی هر شهرستان، نقشه اقلیم استان با مرز شهرستانها ادغام شد. نقشه اقلیم در این پژوهش براساس روش دمارتن و با استفاده از دادههای ایستگاههای اقلیمشناسی و همدید (سینوپتیک) استان فارس تهیه شد. بهمنظور بررسی الگوی کشت غالب شهرستانهایی که در آنها گندم کاشت میشود، آمار سطح زیر کشت محصولاتی که همزمان با گندم کاشت میشوند نیز جمعآوری شد. با توجه به هدف جداسازی اراضی کشاورزی و اندازه متوسط قطعات کشاورزی حدود ۱ هکتار در استان فارس، تصاویر لندست ۸ و سنتینل۲، بهترتیب با وضوح زمینی ۳۰ و ۱۰ متر کافی بهنظر رسید چرا که هر هکتار زمین، بهترتیب ۹ و ۱۰۰ پیکسل را دربر میگیرد. در یک فعالیت میدانی منسجم و گسترده، نقشه کاربریهای زراعت دیم و باغ دیم با برداشت محدودهها بر سر زمین ترسیم و سپس در چهار مرحله تدقیق ستادی و میدانی به بالاترین دقت مکانی رسید. برای انجام مطالعه، با استفاده از نرمافزارهای مرتبط، ابتدا تصاویر سنتینل و لندست مورد تصحیحات هندسی و سپس اتمسفری قرارگرفت و دیان آنها به بازتاب سطح زمین تبدیل شد. سپس شاخصهای گیاهی متنوعی ساخته و مورد آزمون قرار گرفت تا بهترین آنها برای تعیین سطح سبز مشخص شود و مبنای برداشت اطلاعات میدانی باشد که شامل پلیگونهایی در داخل اراضی کشاورزی بود. آنگاه روشهای طبقهبندی نظارتشده شامل: تک زمانه، چندزمانه، شیءگرا و پیکسلمبنا، برای جداسازی اراضی زراعی آبی و تفکیک آنها از مرتع بود. سپس اراضی زراعی و باغ دیم با برداشتهای چندباره میدانی و تصحیح آنها جداسازی شد. اراضی باغی آبی بر اساس اطلاعات کاداستر از اراضی تعیین و با استفاده از تصاویر به روز تدقیق گردید. بر اساس ضریب کاپا و صحت کلی نتایج هر دسته از کاربریهای کشاورزی با واقعیت زمینی مقایسه شدند.
نتایج و بحث
نتایج تصحیح اتمسفری بر روی تصاویر حاکی از بهبود قابل توجه در پارامترهای تصویری و در شفافیت دیداری آن بود. میزان صحت نقشه سطح سبز به دست آمده از شاخصهای مختلف گیاهی بالاترین میزان صحت به EVI و mSAVI و پس از آنها به mNDVI و GBNDVI باز میگردد. نتایج طبقهبندی شیءگرا نشان از برتری قاطع این روش در جداسازی اراضی کشاورزی از مرتع و زمین بایر بوده، و امکان جداسازی دو نوع مرتع ضعیف از قوی نیز فراهم شده است. شاخصهای گیاهی EVI و mSAVI بالاترین صحت را در تهیه نقشههای طبقهبندی نشان داد. طبقهبندی ماشینبردار پشتیبان بالاترین ضریب کاپا و صحت کلی را داشت. نتایج طبقهبندی شیءگرا نشان از برتری این روش در جداسازی اراضی کشاورزی از مرتع و زمین بایر بوده، اضاف بر این، امکان جداسازی دو نوع مرتع ضعیف از قوی نیز فراهم شد.
نتیجهگیری و پیشنهادها
از میان انواع مختلفی از شاخصهای گیاهی مورد بررسی برای تفکیک سطح سبز اراضی زراعی، شاخصهایی مانند EVI وmSAVI که باند سبز را نیز در معادله خود وارد کردهاند موفقیت بیشتری نشان داد. از نظر الگوریتمهای پیکسلمبنا، موفقترین آنها الگوریتم SVM و پس از آن درخت تصمیم بود. پراکنش مکانی و سطح واقعی اراضی دیم زراعی و باغی بهدلیل دشواری برداشت برداشت نشده و این نخستین بار است که دست کم در استان فارس با دقت مطلوب و مبتنی بر تلفیق سنجش از دور و کار سنگین میدانی به انجام رسید. مقیاس این لایهها با توجه به تصاویر پایه سنتینل با وضوح 10 متر کفایت لازم برای کاربرد در مطالعات آبخیزداری تا مقیاس تفضیلی- اجرایی را بهخوبی خواهد داشت. لایههای تولیدی همچنین میتوانند به عنوان منابع باارزشی برای بررسی تغییرات کاربری اراضی و تصرف غیر قانونی اراضی منابعطبیعی استفاده شوند. برای این کار لازم است مرز رقومی اراضی ملی بر روی لایههای کاربریهای کشاورزی همنهاد شده و مرزهای متصرفی از آنها استخراج شود.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Agricultural Land Classification Using the Integrated Application of Advanced Remote Sensing Techniques, GIS Modeling, and Field Accuracy Assessments in the Watersheds of Fars Province
نویسندگان [English]
-
Mojtaba Pakparvar
1
-
Seyed Masoud Soleimanpour
2
-
Mohammadhadi Jorenoosh
3
-
Sara Koushafarr
4
-
Hossein Sahraeian
5
-
Mohammad Mehdi Ghasemi
6
1
Associate professor, Soil Conservation and Watershed Management Research Depertment,
Fars Agricultural and Natural Resources Research Education Center, Aricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran
2
Associate professor, Soil Conservation and Watershed Management Research Depertment,
Fars Agricultural and Natural Resources Research Education Center, Aricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran
3
Researcher, Fars Agricultural and natural Research and Education Center, Agricultural Research, Education and Extentiob Organization (AREEO), Shiraz, Iran
4
Agricultural Organization of Fars
5
Agriculturaal Organization of Fars
6
Assistant Professor, Agricultural Engineering Research Institute, Agricultural Research, Education and
Extension Organization (AREEO), Karaj, Iran
چکیده [English]
Introduction and Goal
Given the vastness, variability, and dynamism of agricultural sector information in the country, and especially in Fars Province, updating and refining information on related activities is of particular importance. In watersheds, agricultural land use is one of the most important uses at the level of each watershed, which plays a decisive role in both positive and negative aspects (destruction or protection) of the watershed. So far, various studies have been conducted in the field of agricultural land classification using satellite images. Remote sensing is an attractive method in identifying crops for estimating potential harvest and managing agricultural fields. In research abroad, a wide range of image types for a variety of applications has been used for the object-oriented method so far. Some image processing methods are more suitable than others in distinguishing between land use and land cover categories, especially when high-resolution images are classified. The application of pixel-based and object-oriented classification methods shows that object-oriented classification has higher accuracy than pixel-based in distinguishing between selected land use and land cover categories. In this study, GIS and remote sensing-based models were developed that can be used in the management of watershed farms at present and also for updating information in the coming years.
Materials and Methods
The present study covers all areas under agricultural and horticultural cultivation in the watersheds of Fars Province. Since the dates of maximum greening are different in different climates, in order to study the climatic composition of each county, the climate map of the province was merged with the boundaries of the counties. The climate map in this study was prepared based on the Demarton method and using data from climatological and synoptic stations of Fars Province. In order to study the dominant cropping pattern of counties where wheat is grown, statistics on the area under cultivation of crops that are grown simultaneously with wheat were also collected. Considering the purpose of agricultural land separation and the average size of agricultural plots of about 1 hectare in Fars Province, free Landsat 8 and Sentinel 2 images with a ground resolution of 30 and 10 meters, respectively, seemed sufficient because each hectare of land contains 9 and 100 pixels, respectively. In a comprehensive and extensive field activity, the map of land uses for rainfed agriculture and rainfed orchards was drawn by surveying the areas on the ground and then achieved the highest spatial accuracy in four stages of headquarters and field verification. To conduct the study, Field area measure application software on a tablet, ENVI remote sensing software (V5.3), Ecognation software, and Landsat and Sentinel satellite images were used. Supervised classification methods including single-temporal, multi-temporal, object-oriented, and pixel-based were implemented for rainfed and irrigated cropland and orchards and were compared based on kappa coefficient and overall accuracy.
Results and Discussion
Considering the difficulty of separating dryland land uses with digital classification, due to their spectral similarity with barren lands and pastures, they were separated by the field harvesting method and reached the maximum possible accuracy through four rounds of back-and-forth work in the headquarters and field survey. The results of object-oriented classification showed the decisive superiority of this method in separating agricultural lands from pastures and barren lands. In addition, it was possible to separate two types of pastures, weak from strong. The EVI and mSAVI vegetation indices showed the highest accuracy in preparing classification maps. The support vector machine classification had the highest kappa coefficient and overall accuracy. The results of object-oriented classification showed the decisive superiority of this method in separating agricultural lands from pastures and barren lands. In addition, it was possible to separate two types of pastures, weak from strong.
Conclusion and Suggestions
The latest achievements in remote sensing knowledge and skills, along with various types of up-to-date and available satellite data, were utilized to evaluate classification methods and achieve the most appropriate method for determining the precise distribution of agricultural land uses in the vast area of Fars Province. Among the various types of vegetation indices studied for distinguishing the green surface of agricultural lands, indices such as EVI and mSAVI, which also included the green band in their equation, showed greater success. In terms of pixel-based algorithms, the most successful of them was the SVM algorithm, followed by the decision tree.
کلیدواژهها [English]
-
Vegetation indices
-
classification algorithm
-
agricultural landuse classification
-
object-oriented classifier
)