نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

اکثر روش‌های مورد استفاده برای طبقه‌بندی محصولات بر داده‌های مرجع زمینی همان سال تکیه می‌کنند که منجر به هزینه مالی و نیروی کار قابل توجهی می‌شود. در این مطالعه، ما روشی را ارائه کردیم که می‌تواند از الزامات تعداد زیادی از داده‌های مرجع زمینی در سال طبقه‌بندی اجتناب کند. در مرحله اول، ما پروفایل‌های سری زمانی شاخص تفاوت نرمال شده گیاهی (NDVI) محصولات غالب را از داده‌های MODIS با استفاده از داده‌های مرجع زمینی تاریخی در چندین سال (2006، 2007، 2009 و 2010) استخراج کردیم. سپس شبکه آنتی‌بادی مصنوعی (ABNet) برای ساخت سری‌های زمانی مرجع NDVI برای هر محصول بر اساس پروفایل‌های NDVI تاریخی استفاده شد. پس از آن، تصاویر Landsat و HJ برای بدست آوردن سری زمانی تصویر 30 متری با فرکانس 15 روزه در سال 2011 ترکیب شدند. سری‌های زمانی مرجع NDVI با استفاده از مدل خطی خود به سری‌های زمانی Landsat/HJ NDVI تبدیل شدند. در نهایت، پروفایل های NDVI مرجع تبدیل شده برای شناسایی انواع محصول در سال 2011 در وضوح فضایی 30 متر استفاده شد. نتایج نشان داد که محصولات غالب را می توان با دقت کلی 13/87 درصد و 48/83 درصد به ترتیب در Bole و Manas شناسایی کرد. علاوه بر این، پروفایل‌های مرجع NDVI تولید شده از چندین سال می‌توانند به دقت طبقه‌بندی بهتری نسبت به یک سال (مانند تنها سال 2007) دست یابند. این عمدتاً به این دلیل است که دانش مرجع چندین سال شامل شرایط رشد بیشتر یک محصول است. به طور کلی، این رویکرد پتانسیل شناسایی محصولات زراعی را بدون استفاده از تعداد زیادی داده مرجع زمینی در وضوح 30 متر نشان داد. پروفیل های مرجع تبدیل شده NDVI برای شناسایی انواع محصول در سال 2011 در وضوح فضایی 30 متر استفاده شد. نتایج نشان داد که محصولات غالب را می توان با دقت کلی 13/87 درصد و 48/83 درصد به ترتیب در Bole و Manas شناسایی کرد. علاوه بر این، پروفایل‌های مرجع NDVI تولید شده از چندین سال می‌توانند به دقت طبقه‌بندی بهتری نسبت به یک سال (مانند تنها سال 2007) دست یابند. این عمدتاً به این دلیل است که دانش مرجع چندین سال شامل شرایط رشد بیشتر یک محصول است. به طور کلی، این رویکرد پتانسیل شناسایی محصولات زراعی را بدون استفاده از تعداد زیادی داده مرجع زمینی در وضوح 30 متر نشان داد. پروفیل های مرجع تبدیل شده NDVI برای شناسایی انواع محصول در سال 2011 در وضوح فضایی 30 متر استفاده شد. نتایج نشان داد که محصولات غالب را می توان با دقت کلی 13/87 درصد و 48/83 درصد به ترتیب در Bole و Manas شناسایی کرد. علاوه بر این، پروفایل‌های مرجع NDVI تولید شده از چندین سال می‌توانند به دقت طبقه‌بندی بهتری نسبت به یک سال (مانند تنها سال 2007) دست یابند. این عمدتاً به این دلیل است که دانش مرجع چندین سال شامل شرایط رشد بیشتر یک محصول است. به طور کلی، این رویکرد پتانسیل شناسایی محصولات زراعی را بدون استفاده از تعداد زیادی داده مرجع زمینی در وضوح 30 متر نشان داد. نتایج نشان داد که محصولات غالب را می توان با دقت کلی 13/87 درصد و 48/83 درصد به ترتیب در Bole و Manas شناسایی کرد. علاوه بر این، پروفایل‌های مرجع NDVI تولید شده از چندین سال می‌توانند به دقت طبقه‌بندی بهتری نسبت به یک سال (مانند تنها سال 2007) دست یابند. این عمدتاً به این دلیل است که دانش مرجع چندین سال شامل شرایط رشد بیشتر یک محصول است. به طور کلی، این رویکرد پتانسیل شناسایی محصولات زراعی را بدون استفاده از تعداد زیادی داده مرجع زمینی در وضوح 30 متر نشان داد. نتایج نشان داد که محصولات غالب را می توان با دقت کلی 13/87 درصد و 48/83 درصد به ترتیب در Bole و Manas شناسایی کرد. علاوه بر این، پروفایل‌های مرجع NDVI تولید شده از چندین سال می‌توانند به دقت طبقه‌بندی بهتری نسبت به یک سال (مانند تنها سال 2007) دست یابند. این عمدتاً به این دلیل است که دانش مرجع چندین سال شامل شرایط رشد بیشتر یک محصول است. به طور کلی، این رویکرد پتانسیل شناسایی محصولات زراعی را بدون استفاده از تعداد زیادی داده مرجع زمینی در وضوح 30 متر نشان داد. این عمدتاً به این دلیل است که دانش مرجع چندین سال شامل شرایط رشد بیشتر یک محصول است. به طور کلی، این رویکرد پتانسیل شناسایی محصولات زراعی را بدون استفاده از تعداد زیادی داده مرجع زمینی در وضوح 30 متر نشان داد. این عمدتاً به این دلیل است که دانش مرجع چندین سال شامل شرایط رشد بیشتر یک محصول است. به طور کلی، این رویکرد پتانسیل شناسایی محصولات زراعی را بدون استفاده از تعداد زیادی داده مرجع زمینی در وضوح 30 متر نشان داد.
کلید واژه ها: 

نقشه برداری اراضی زراعی ; سری زمانی مرجع NDVI ; شبکه آنتی بادی مصنوعی ; داده های مرجع زمینی ؛ MODIS ; Landsat/HJ

 

1. معرفی

داده‌های سنجش از دور چند زمانی را می‌توان برای توصیف تغییرات در ویژگی‌های پوشش گیاهی در طول زمان مورد استفاده قرار داد [ 1 ، 2 ، 3 ]، و این داده‌ها برای تولید توزیع محصولات از مقیاس منطقه‌ای به مقیاس ملی با استفاده از طبقه‌بندی‌کننده‌های نظارت شده و بدون نظارت استفاده شده‌اند [ 4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 10 ]. علاوه بر این، نقشه‌های زراعی پایه‌ای برای مدل‌سازی محصول، توزیع آب آبیاری و مدیریت آب زمین هستند که برای تصمیم‌گیرندگان مهم هستند [ 11 ، 12 ، 13 ، 14 ،15 ]. با این حال، بیشتر مطالعات قبلی برای آموزش طبقه‌بندی‌کننده‌ها به داده‌های مرجع میدانی در سال نقشه‌برداری تکیه کردند [ 16 ، 17 ]. زمانی که نقشه زمین زراعی باید به صورت سالانه ارائه شود، داده های مرجع زمینی در فرکانس سالانه جمع آوری می شود که منجر به هزینه های مالی، زمانی و نیروی کار قابل توجهی می شود [18 ] . علاوه بر این، مقامات ملی یا محلی گاهی اوقات به جمع آوری داده های مرجع زمینی توجه زیادی نمی کنند، که منجر به مشکلاتی در دستیابی به داده های مرجع زمینی سالانه می شود [ 19 ].
در مناطقی با سیستم کشت پایدار، معیارهای فنولوژیکی یک محصول خاص معمولاً شبیه‌تر از محصولات مختلف در بین چندین سال است [ 18 ، 20 ، 21 ]. بنابراین، شاخص‌های پوشش گیاهی (VI) مانند شاخص گیاهی تفاوت نرمال شده (NDVI) و شاخص گیاهی تقویت‌شده (EVI)، سری‌های زمانی و معیارهای فنولوژیکی استخراج‌شده از سری زمانی VI برای انتقال دانش نمونه‌های آموزشی از یک سال استفاده شده است. به دیگری [ 21 ، 22 ، 23 ، 24 ، 25]. از یک طرف، داده‌های تفکیک مکانی درشت (مانند رادیومتر با وضوح بسیار بالا، AVHRR و طیف‌سنج تصویربرداری با وضوح متوسط، MODIS)، که با وضوح زمانی چگالی مشخص می‌شوند، پتانسیل شناسایی انواع محصول را با استفاده از مدل طبقه‌بندی ساخته شده از نشان داده‌اند. سال‌های مجاور [ 21 ]، در حالی که یک اشکال این است که تفکیک فضایی نسبتاً درشت نمی‌تواند انواع محصولات را در چشم‌اندازهای ناهمگن متمایز کند [ 26 ، 27 ، 28 ، 29 ]. برخی از تلاش‌های عدم اختلاط پیکسل‌ها، که بر اساس اصول رگرسیون خطی و غیرخطی هستند، برای حل این وضعیت پیشنهاد شده‌اند [ 30 ، 31 ، 32 ،33 ]، اما هنوز محدودیت‌هایی وجود دارد: (1) روش‌های غیرمخلوط می‌توانند صرفاً بخش‌های زیرپیکسلی از سطح محصول را در یک پیکسل استخراج کنند و به سختی توزیع محصول را در پیکسل فراهم کنند. (2) نمایه های VI برخی از محصولات ممکن است بیش از حد شبیه باشند که به طور قابل اعتماد از هم جدا شوند. و (3) اگر اعضای انتهایی در چندین سال استخراج شده باشند، تفاوت های بین سالی منجر به امضاهای زمانی متغیر اعضای انتهایی یک محصول می شود [ 30 ].
از سوی دیگر، سری‌های زمانی تصویر در وضوح فضایی بهتر، مانند نقشه‌برداری موضوعی Landsat (TM) و ماهواره Pour l’Observationde la Terre (SPOT)، پتانسیل تمایز محصولات را نشان داده‌اند [5 ، 15 ، 34 ] . توجه داشته باشید که تلاش هایی برای شناسایی انواع محصولات بدون داده های مرجع زمینی سال طبقه بندی با استفاده از طیف در دوره های فنولوژیکی خاص انجام شده است [ 22 , 23]]. محدودیت این روش‌ها این است که باید معیارهای فنولوژیکی را با استفاده از سری‌های زمانی تصویر با وضوح بالا (مانند لندست) در سال طبقه‌بندی استخراج کنند که به دلایل زیر باعث دشواری استفاده از این روش‌ها در سطح وسیع می‌شود: در عرض یک سال، به‌دست آوردن سری‌های زمانی تصویر بدون ابر که به اندازه کافی متراکم باشد تا بتواند معیارهای فنولوژیکی را در مناطق بزرگ توسط یک حسگر واحد (مانند Landat 5) استخراج کند، دشوار است. و (2) اگرچه وضوح زمانی سری زمانی تصویر را می توان با ترکیب داده های چند حسگر [ 35 ، 36 ] بهبود بخشید، تفاوت های رادیومتری بین سنسورهای مختلف ممکن است تأثیر منفی بر دقت معیارهای فنولوژیکی داشته باشد [ 37 ] .
هدف از این مطالعه پیشنهاد روشی و طبقه بندی انواع محصولات در وضوح بالا (30 متر) بدون استفاده از نمونه های مرجع زمین در سال طبقه بندی می باشد. برای دستیابی به این هدف، ما مزایای داده‌های وضوح متوسط ​​(MODIS) و وضوح بالا (Landsat و Huan Jing) را با هم ترکیب کردیم. اول، ما داده های مرجع زمینی تاریخی چندین سال (2006، 2007، 2009 و 2010) را به دست آوردیم. پروفایل های NDVI محصولات از سری زمانی MODIS NDVI با استفاده از داده های مرجع تاریخی زمین استخراج شد. سپس سری های زمانی NDVI مرجع از پروفایل های تاریخی NDVI به دست آمد. پس از آن، روابط خطی بین Landsat/HJ NDVI و MODIS NDVI در طول کل فصل رشد محصول بدست آمد و سری زمانی مرجع NDVI با استفاده از روابط خطی تبدیل شد. سرانجام،

2. مطالعه مناطق و توصیف داده ها

2.1. شرح منطقه مطالعه و تقویم محصول

در این مطالعه، ما دو منطقه کشاورزی نماینده در شمال سین ​​کیانگ، شهرستان Bole و شهرستان Manas را انتخاب کردیم. شهرستان بول (44°20′~45°23′ شمالی، 80°40′~82°42′ شرقی) 32 kha زمین زراعی را پوشش می دهد ( شکل 1 a)، و میانگین دما و بارندگی 14.1 درجه سانتی گراد و 144.4 میلی متر در طول دوره زراعی (به ترتیب بین آوریل و اکتبر). شهرستان ماناس (43°17′~45°20′ شمالی، 85°17′~86°46′ شرقی) 180 kha زمین زراعی را پوشش می دهد ( شکل 1 a)، میانگین دما و بارندگی 14.4 درجه سانتی گراد و 153.2 میلی متر در طول دوره دوره زراعی به ترتیب
زمین های زراعی به ترتیب 13.7 درصد (بیش از 1100 هکتار) و 15.8 درصد (بیش از 1800 هکتار) از کل مساحت بوله و ماناس را پوشش می دهند. محصولات غالب کشت شده در مناطق مورد مطالعه شامل پنبه، ذرت بهاره، هندوانه، انگور، گوجه فرنگی و گندم است. کسر پوشش گیاهی برای هر نوع محصول در طول یک سال در شکل 1 ارائه شده استب پنبه، ذرت بهاره، هندوانه، گوجه فرنگی و انگور در اوایل آوریل کاشته می شوند و رشد خود را بیشتر در دوره ژوئن تا ژوئیه آغاز می کنند. برداشت هندوانه و گوجه فرنگی در ماه اوت، ذرت بهاره در اوایل سپتامبر و برداشت انگور و پنبه به ترتیب در دوره های آگوست-سپتامبر و سپتامبر-اکتبر انجام می شود. با این حال، زمینه برای گندم زمستانه کمی پیچیده است. گندم زمستانه در اوایل آبان کاشته می شود، رشد خود را از فروردین آینده آغاز می کند و در اواخر خرداد برای برداشت برداشت می شود. پس از برداشت، برخی از مزارع در تناوب هستند و برخی دیگر برای کاشت برخی دیگر از محصولات تابستانی، عمدتاً ذرت تابستانی مورد استفاده قرار می گیرند. از این رو با تکیه بر اینکه آیا صیفی جات در یک مزرعه کاشته می شود یا خیر، گندم زمستانه را به دو قسمت تقسیم کردیم.

2.2. مجموعه داده ها

2.2.1. تصویرسازی MODIS

داده های ترکیبی شانزده روزه Terra MODIS 250m NDVI از محصول شاخص های گیاهی MOD13Q1 در این مطالعه استفاده شد. این داده‌ها از Land Processes Distributed Active Archive Center [ 38 ] دانلود شدند و از دو کاشی MODIS (h23v04 و h24v04) برای پوشش همه سایت‌های میدانی استفاده شد. تصاویر MODIS NDVI از 15 صحنه (21 مارس تا 1 نوامبر) در هر سال تشکیل شده است و پنج سال زراعی (2006، 2007 و 2009-2011) را در بر می گیرد. تصاویر MODIS موزاییک شده و از ناحیه سینوسی به UTM WGS84 ناحیه 44N (Bole) و منطقه 45N (ماناس) مجدداً پخش شدند.

2.2.2. تصاویر TM و HJ-CCD

تصاویر مورد استفاده در این مطالعه در جدول 1 و جدول 2 آمده است . داده‌های Landsat TM/ETM+ و Huan Jing (HJ) CCD با پوشش ابری کمتر از 10 درصد برای به دست آوردن سری زمانی در وضوح فضایی 30 متر استفاده شد. صورت فلکی HJ-1 دارای دو ماهواره (HJ-1A و HJ-1B) است و هر ماهواره دارای دو دوربین CCD است. در مقایسه با تصاویر Landsat TM، داده‌های HJ دارای وضوح مکانی مشابه (30 متر) و وضوح زمانی بهتر (چهار روز) هستند. جدول 3 محدوده طیفی Landsat-5 TM و HJ-1 CCD را در باندهای قرمز و مادون قرمز نزدیک (NIR) نشان می دهد که برای محاسبه NDVI استفاده شده است.
محصول بازتاب سطحی Landsat-5 TM (CDR) و محصول استاندارد سطح 2 HJ (مقدار DN) برای طبقه‌بندی انواع محصول در سال 2011 با وضوح 30 متر در این مطالعه استفاده شد [39 ، 40 ] . تصاویر به مناطق UTM WGS 84 44N (شهرستان Bole) و 45N (شهرستان ماناس) ارجاع داده شدند. تصاویر HJ در تصاویر TM ثبت شدند و با استفاده از تبدیل چند جمله‌ای مرتبه دوم و نمونه‌برداری مجدد دو خطی، به RMSE کمتر از 0.3 پیکسل دست یافتند. پس از آن، کالیبراسیون درخشندگی و تصحیح جوی FLAASH برای تصاویر HJ-1 CCD [ 41 ] انجام شد . در این مطالعه از سری زمانی شاخص تفاوت نرمال شده گیاهی (NDVI) استفاده شد و از نوارهای قرمز و NIR برای محاسبه NDVI (معادله (1)) استفاده شد.

NDVI=�(NIR)–�(قرمز)�(NIR)+�(قرمز)

جایی که �(NIR)و �(قرمز)بازتاب سطح زمین از باند NIR (0.775~0.9 میکرومتر) و نوار قرمز (0.63~0.69 میکرومتر) بود. در مورد داده‌های Landsat-5/7 در طول سال‌های 2006 و 2010، ما از تصاویر اصلی با مقدار DN استفاده کردیم، زیرا این تصاویر فقط برای شناسایی فیلدهای برش حاوی کل پیکسل‌های MODIS مورد استفاده قرار گرفتند.

2.2.3. داده های مرجع زمینی

در این مطالعه، داده‌های مرجع زمینی به دو بخش تقسیم شدند: نمونه‌های میدانی تاریخی که برای ساخت سری‌های زمانی مرجع NDVI در چهار سال (2006، 2007، 2009 و 2010) استفاده شدند، و نمونه‌های میدانی مورد استفاده برای اعتبارسنجی دقت طبقه‌بندی در سال 2011. توزیع داده های مرجع زمینی در شکل 2 نشان داده شده است .
برای به دست آوردن نمونه های میدان تاریخی، 33 و 30 قاب نمونه برداری (1 کیلومتر در 1 کیلومتر) را به ترتیب در Bole و Manas انتخاب کردیم. سپس NDVI تمام تصاویر Landsat طی سال‌های 2006 و 2011 محاسبه شد و مرزهای میدان به صورت بصری در هر فریم نمونه بر اساس تصاویر NDVI 30 متری هر سال تفسیر شد. پس از آن، مرزهای میدان روی تصاویر MODIS پوشانده شد و فیلدهایی که حاوی کل پیکسل های MODIS نبودند حذف شدند. اطلاعات نوع محصول در سال‌های 2006 و 2010 از مزارع باقی‌مانده از اداره استاتیک محلی و کشاورزان در طول کار بررسی مزرعه‌ای در سال 2011 به‌دست آمد. متعاقباً سری‌های زمانی تاریخی NDVI از پیکسل‌های MODIS مرجع خالص زمین استخراج شد. اگر بیش از 13 دوره «داده خوب» در یک پیکسل مرجع در میان «قابلیت اطمینان پیکسل» از 15 دوره زمانی وجود داشته باشد [38 ]، پیکسل حفظ شد. در غیر این صورت، پیکسل از مجموعه داده مرجع تاریخی حذف شد. برای پیکسل‌های باقی‌مانده، NDVI برای دوره‌های با کیفیت پایین (اگر کیفیت یک پیکسل “داده خوب” نباشد، آن را به عنوان “کیفیت پایین” تعریف می‌کنیم) با میانگین NDVI دوره‌های قبلی و بعدی جایگزین شد. در نهایت، 1061 نمونه از هفت نوع محصول عمده در منطقه مورد مطالعه در مجموع وجود داشت ( جدول 4 ). ما نمونه‌های میدانی تاریخی را در سال 2008 جمع‌آوری نکردیم زیرا تصاویر Landsat-5 TM را در سال 2008 قبل از بررسی میدانی خود بدست نیاوردیم. بنابراین، انواع محصول سال 2008 در طول مصاحبه کشاورز بازیابی نشد. روش به دست آوردن نمونه های مرجع زمین تاریخی در شکل 3 نشان داده شده است .
نمونه‌های مزرعه‌ای اعتبارسنجی توسط تحقیقات میدانی منطقه مورد مطالعه در سال 2011 جمع‌آوری شد. این نمونه‌های مزرعه برای نشان دادن تنوع کامل انواع محصولات و توزیع یکنواخت در مناطق مورد مطالعه انتخاب شدند. در مجموع 525 میدان در Bole و 463 میدان در Manas انتخاب و بررسی شدند. برای هر فیلد، نوع برش به عنوان اطلاعات ویژگی جمع آوری شد. مرزهای میدان با استفاده از GPS ثبت شد و به صورت چند ضلعی دیجیتالی شد. همه چند ضلعی ها با استفاده از شبکه TM (رزولوشن فضایی 30 متر) به فرمت شطرنجی تبدیل شدند و پیکسل های مرزی حذف شدند تا اطمینان حاصل شود که همه نمونه ها پیکسل های برش خالص هستند. علاوه بر این، چند ضلعی ها روی شبکه MODIS (رزولوشن 250 متر) روی هم قرار گرفتند و پیکسل های خالص MODIS به دست آمد. برای مقایسه نتایج به دست آمده از مرجع تاریخی با نتایج حاصل از داده های مرجع زمینی، برخی از نمونه ها به عنوان نمونه آموزشی مورد استفاده قرار گرفتند. تعداد نمونه های آموزشی و اعتبارسنجی در نشان داده شده استجدول 5 .

3. روش ها

روش شناسی مطالعه در شکل 4 ارائه شده است. این مطالعه از شش بخش اصلی تشکیل شده است: (1) استخراج پروفایل های سری زمانی NDVI از داده های MODIS با استفاده از داده های مرجع زمینی در سال های 2006، 2007، 2009 و 2010. (2) ساخت سری زمانی مرجع تاریخی NDVI (بین سال‌های 2006 و 2010) برای هر محصول با استفاده از ABNet بر اساس پروفایل‌های سری زمانی NDVI تاریخی، و اندازه‌گیری قابلیت تفکیک NDVI مرجع برای طبقه‌بندی محصولات. (3) استفاده از داده های Landsat-5 TM و HJ برای ساخت سری های زمانی NDVI چند منبعی با وضوح 30 متر در سال 2011. (4) آزمایش رابطه خطی بین Landsat/HJ و MODIS NDVI و سپس تبدیل سری زمانی مرجع NDVI با استفاده از رابطه خطی. (5) استفاده از سری زمانی مرجع تبدیل شده برای طبقه بندی انواع محصولات در وضوح مکانی 30 متر. و (6) ارزیابی دقت طبقه بندی. علاوه بر این،

3.1. شبکه آنتی بادی مصنوعی

شبکه آنتی بادی مصنوعی (ABNet) توسط Zhong و Zhang [ 42 ] بر اساس اصول شبکه ایمنی مصنوعی (AIN) پیشنهاد شد. مدل آنتی بادی به عنوان جزء اصلی برای ABNet استفاده شد و هر آنتی بادی شامل سه ویژگی بود: نوع محصول آنتی بادی، بردار مرکز و شعاع تشخیص. ABNet دو روش دارد: آموزش و طبقه بندی. در طول مراحل تمرین، آنتی ژن های آموزشی به عنوان ورودی ABNet مورد استفاده قرار گرفت و آنتی بادی ها به دست آمد. سپس در روش طبقه بندی، از آنتی بادی ها برای شناسایی آنتی ژن های جدید استفاده شد.
روش آموزش ABNet شامل پنج مرحله برای هر کلاس بود: پیش انتخاب، شبیه سازی، جهش، محاسبه تطبیقی ​​آنتی بادی های جدید و سازماندهی مجدد آنتی بادی. فرآیند آموزش دقیق را می توان در کار ژونگ و ژانگ [ 42 ] یافت. در حین آموزش ABNet، یک مسئله مهم انتخاب یک معیار تشابه بود، و ما از فاصله اقلیدسی (معادله (2)) [ 43 ] استفاده کردیم که می‌تواند به راحتی شباهت را در فرآیند آموزش اندازه‌گیری کند:

ED(آ،ب)=∑تی=1n(آتی–بتی)2

جایی که آتیو بتیمقادیر سری های زمانی a و b در لحظه t به ترتیب هستند و N تعداد نمونه های سری زمانی است. علاوه بر این، ABNet می تواند یک شبکه ایجاد کند و همگرایی آن را به صورت تطبیقی ​​تضمین کند، و هیچ پارامتر دیگری نیازی به بهینه سازی بیشتر ندارد.

روش طبقه بندی برای محاسبه فاصله اقلیدسی بین ناقل یک آنتی ژن جدید و بردار مرکزی هر آنتی بادی بود و آنتی ژن جدید به عنوان نوع محصول آنتی بادی با حداقل فاصله در صورتی که حداقل فاصله کمتر از شعاع تشخیص بود برچسب گذاری شد. از آنتی بادی در غیر این صورت، زاویه طیفی (معادله (3)) بین بردار آنتی ژن جدید و بردار مرکزی آنتی بادی ها [ 44 ] محاسبه شد و آنتی ژن به عنوان نوع محصول آنتی بادی با حداقل زاویه طیفی برچسب گذاری شد.

سام(آ،ب)=cos–1(∑تی=1n(آتی·بتی)∑تی=1n(آتی)2∑تی=1n(بتی)2)
ما از ABNet در این مطالعه برای ساخت سری زمانی مرجع NDVI برای هر محصول استفاده کردیم، زیرا ABNet می‌تواند شبکه را به صورت تطبیقی ​​ایجاد کند و همگرایی آن را بدون هیچ پارامتری تضمین کند. علاوه بر این، یک نوع محصول می‌تواند حاوی آنتی‌بادی‌های زیادی باشد و ABNet می‌تواند الگوهای متمایز متفاوتی را تشخیص دهد که برای شناسایی یک محصول در موقعیت‌های مختلف با سری‌های زمانی متغیر NDVI مناسب هستند. در این مطالعه، ABNet در IDL تفسیر شد.

3.2. ساخت سری زمانی مرجع NDVI برای محصولات کشاورزی

ما از ABNet برای ساخت سری زمانی مرجع NDVI استفاده کردیم. ابتدا سری زمانی NDVI را از نمونه های مرجع زمینی Bole و Manas استخراج کردیم. سپس تمام پروفایل های NDVI تاریخی به عنوان ورودی فرآیند آموزش ABNet مورد استفاده قرار گرفت و سپس آنتی بادی ها به دست آمد. بردار مرکزی آنتی بادی ها سری زمانی مرجع NDVI برای هر نوع محصول بودند و پروفایل های سری زمانی NDVI مرجع متعدد برای توصیف یک محصول در شرایط مختلف به دست آمد.

3.3. اندازه گیری تفکیک پذیری سری زمانی مرجع NDVI

در این مطالعه، ما از فاصله جفریز- ماتوزیتا (JM) برای اندازه‌گیری تفکیک‌پذیری سری‌های زمانی مرجع NDVI برای هر جفت محصول استفاده کردیم، زیرا مطالعات قبلی نشان داد که فاصله JM می‌تواند تفکیک‌پذیری را در بین طبقات مختلف بهتر از سایر فواصل اندازه‌گیری کند، مانند فاصله یا واگرایی اقلیدسی [ 41 ، 45 ]. فاصله JM بین یک جفت کلاس و توابع خاص توسط:

JM(جمن،جj)=🔻ایکس(پ(ایکس|جمن)–پ(ایکس|جj))2dx

که در آن x دامنه ای از مقادیر سری زمانی VI را نشان می دهد و جمنو جj(حروف کوچک ج) دو کلاس محصول مورد بررسی را نشان می دهد. در مفروضات نرمال بودن، معادله (2) به کاهش یافت JM=2(1–ه–ب)، جایی که:

ب=18(�من–��)تی(سیمن+سی�2)–1(�من–��)+12لوگاریتم(||سیمن+سی�|2|سیمن|×|سی�||)

و سیمنو سیj(با حروف بزرگ C) به ترتیب ماتریس های کوواریانس کلاس i و j هستند. علاوه بر این، |سیمن|و |سیj|تعیین کننده هستند سیمنو سیj، به ترتیب. فاصله JM از 0 تا 2 متغیر بود، با یک مقدار بزرگ که سطح بالایی از تفکیک پذیری بین دو کلاس را نشان می دهد [ 46 ].

3.4. آزمایش رابطه بین MODIS و Landsat/HJ NDVI

ما Landsat-5 TM و HJ-1 NDVI را در سال 2011 ترکیب کردیم تا وضوح زمانی سری های زمانی NDVI را در وضوح 30 متر افزایش دهیم. برای هر تصویر Landsat TM/HJ CCD NDVI، تصویر MODIS را انتخاب کردیم که پرچم زمانی آن به تاریخی که تصاویر Landsat TM/HJ CCD نزدیک‌ترین است، است. هنگام آزمایش رابطه بین Landsat TM/HJ CCD NDVI و MODIS NDVI، نمونه‌ها در مزارع محصول همگن انتخاب شدند و میانگین NDVI تمام پیکسل‌های CCD TM/HJ Landsat به پیکسل MODIS مربوطه محاسبه شد. همزمان با برخی از مطالعات قبلی، Landsat TM/HJ CCD NDVI و MODIS NDVI روابط خطی قوی نشان دادند ( R2 > 0.8 در شکل 5 و شکل 6 ) [ 37 ، 47 ،48 ]. سپس تمام سری های زمانی مرجع NDVI با استفاده از رابطه خطی مربوطه به Landsat/HJ NDVI تبدیل شدند و سری زمانی مرجع تبدیل شده NDVI برای شناسایی انواع محصول در مرحله بعد استفاده شد.

3.5. طبقه بندی محصول در وضوح 30 متر

ما ابتدا منطقه غیرکشاورزی را با استفاده از “زمین کشاورزی” مشاهده و نظارت بر پوشش جهانی با وضوح بهتر (FROM-GLC) در وضوح فضایی 30 متر [49] پوشانده ایم . قبل از پوشش، ما به طور تصادفی 300 پیکسل اعتبار سنجی را در هر دو منطقه مورد مطالعه با استفاده از ابزار Hawths [ 50 ] انتخاب کردیم. تمام نمونه های اعتبار سنجی به صورت بصری به عنوان محصول/غیر زراعی تفسیر شدند ( جدول 6، و این نمونه های اعتبار سنجی برای تأیید صحت ماسک محصول استفاده شد. دقت کلی بالای 90 درصد برای هر دو منطقه مورد مطالعه بود، که نشان داد ماسک محصول هر دو منطقه مورد مطالعه به اندازه کافی برای پوشاندن سطح غیر زراعی دقیق بود. در مرحله بعد، ما محصولات را با وضوح 30 متر با استفاده از سری زمانی مرجع تبدیل شده NDVI توسط روش طبقه‌بندی ABNet طبقه‌بندی کردیم. علاوه بر این، ما از بخشی از داده های مرجع زمینی به عنوان نمونه های آموزشی برای طبقه بندی منطقه کشاورزی برای مقایسه استفاده کردیم. طبقه بندی کننده هم ABNet بود.

4. نتایج

4.1. مرجع سری زمانی NDVI

برای هر نوع محصول، سری زمانی مرجع NDVI در شکل 7 ترسیم شده است. در بین صیفی جات، پنبه عمده ترین نوع محصول در منطقه مورد مطالعه بود و دارای بیشترین مقدار سری زمانی مرجع NDVI در بین تمامی محصولات زراعی بود. بالاترین ارزش NDVI پنبه بین 0.75 و 0.9 در حدود روز 190 (اواخر ژوئیه) بود. برای ذرت بهاره، بیشترین مقدار مشابه پنبه بود، اما پس از پیک، NDVI ذرت بهاره سریعتر از پنبه کاهش یافت و در حدود روز 250 (سپتامبر)، NDVI ذرت بهاره نسبتاً کمتر از پنبه بود. گوجه فرنگی نیز در حدود روز 190 بالاترین NDVI را داشت، اما مقدار NDVI بین 0.5 تا 0.6 بود که به طور قابل توجهی کمتر از پنبه و ذرت بهاره بود. برای انگور، NDVI در روزهای 170-250 (از اواخر ژوئن تا اوایل سپتامبر) بالا بود. علاوه بر این، تنوع انگور در بین تمام محصولات در منطقه مورد مطالعه (بین 0.4 تا 0.7) بیشترین میزان را داشت. یکی دیگر از محصولات تابستانی هندوانه بود، که فصل رشد نسبتاً کوتاهی داشت و اوج NDVI در حدود روز 210 (اواخر ژوئیه) بود. محصول زمستانه عمده در مناطق مورد مطالعه گندم زمستانه بود، دوره زمانی NDVI بالا (بالاتر از 0.5) بین روزهای 120 تا 130 بود. محصولات تقریباً در روز 200 کاشته شدند و سپس بین روزهای 230 و 270 به اوج NDVI رسیدند. از آنجایی که انواع مختلف محصول وجود دارد، مشخصات NDVI متفاوت بود، در حالی که ما انواع محصول تابستانی را شناسایی نکردیم و فقط همه پیکسل ها را با پیک NDVI پس از برچسب گذاری کردیم. برداشت گندم به عنوان محصول گندم تابستانی. پس از برداشت گندم زمستانه، مقداری سوهان برای کاشت صیفی جات استفاده می شد. محصولات تقریباً در روز 200 کاشته شدند و سپس بین روزهای 230 و 270 به اوج NDVI رسیدند. از آنجایی که انواع مختلف محصول وجود دارد، مشخصات NDVI متفاوت بود، در حالی که ما انواع محصول تابستانی را شناسایی نکردیم و فقط همه پیکسل ها را با پیک NDVI پس از برچسب گذاری کردیم. برداشت گندم به عنوان محصول گندم تابستانی. پس از برداشت گندم زمستانه، مقداری سوهان برای کاشت صیفی جات استفاده می شد. محصولات تقریباً در روز 200 کاشته شدند و سپس بین روزهای 230 و 270 به اوج NDVI رسیدند. از آنجایی که انواع مختلف محصول وجود دارد، مشخصات NDVI متفاوت بود، در حالی که ما انواع محصول تابستانی را شناسایی نکردیم و فقط همه پیکسل ها را با پیک NDVI پس از برچسب گذاری کردیم. برداشت گندم به عنوان محصول گندم تابستانی.
فواصل JM دوره به دوره با استفاده از سری زمانی مرجع NDVI انواع مختلف محصول محاسبه شد. نتیجه ( شکل 8) نشان داد که محصول گندم زمستانه و گندم تابستانه را می توان از سایر محصولات بین روزهای 120 تا 140 با اوج NDVI زودرس متمایز کرد. علاوه بر این، گندم می تواند از محصول گندم تابستانه در روز 170 به دلیل توسعه محصولات تابستانه متمایز شود. انگور کمترین تفکیک پذیری را در بین همه محصولات داشت و میانگین فاصله JM بین انگور و سایر محصولات در هر دوره زمانی حدود 0.5 بود. این به تنوع زیاد سری زمانی مرجع NDVI انگور نسبت داده شد. به عنوان مثال، برخی از پروفیل های مرجع انگور دارای NDVI پایین بودند، اما برخی از سری های زمانی مرجع انگور دیگر دارای مقادیر NDVI بالایی بودند که مشابه پروفیل های پنبه ای بود. علاوه بر این، پنبه و ذرت بهاره قابلیت تفکیک نسبتاً کمی داشتند (1.994 در جدول 7).به دلیل NDVI مشابه در طول اکثر فصل رشد (بین روزهای 81 و 225 در شکل 8 )، و شباهت بین پنبه و ذرت بهاره نیز توسط [ 51 ، 52 ] در ازبکستان مشاهده شد . به طور کلی، فواصل JM برای همه مقایسه‌های زراعی جفتی بالای 1.9 بود که از تمام دوره‌های زمانی در کل فصل رشد استفاده شد ( جدول 7 )، که نشان داد سری زمانی مرجع NDVI هر محصول در منطقه مورد مطالعه قابل تفکیک است.

4.2. ارزیابی دقت طبقه بندی

نتایج ارزیابی دقت (دقت کلی، ضریب کاپا، دقت کاربر و تولیدکننده) برای دو منطقه مورد مطالعه در جدول 8 و جدول 9 خلاصه شده است [ 53 ، 54] .]. اگر از سری زمانی NDVI تاریخی یک ساله برای ساختن پروفایل های مرجع NDVI استفاده شود، دقت طبقه بندی پایین بود. به عنوان مثال، زمانی که سری زمانی NDVI تاریخی 2007 برای ساخت سری زمانی مرجع NDVI استفاده شد، دقت کلی 73.01٪ بود. محصولات تابستانی مانند ذرت بهاره، هندوانه و انگور به طور جدی به اشتباه به عنوان پنبه برچسب گذاری شدند. علاوه بر این، سری زمانی NDVI گوجه فرنگی مرجع در سال 2006 و 2007 جمع آوری نشد. در نتیجه، پروفایل های مرجع به دست آمده از سال های 2006 و 2007 نمی توانند گوجه فرنگی را در سال 2011 شناسایی کنند.
زمانی که سری های زمانی NDVI تاریخی بین سال های 2006 و 2010 برای ساخت سری زمانی مرجع استفاده شد، دقت طبقه بندی به طور قابل توجهی بهبود یافت. دقت کلی در Bole و Manas به ترتیب 87.13% و 83.48% بود که برای نقشه برداری محصول بدون استفاده از داده های مرجع زمینی در سال طبقه بندی قابل قبول بود. در Bole، دقت تولیدکننده و کاربر (PA و UA) پنبه، هندوانه، گندم و محصول گندم تابستانی بالای 80 درصد بود. اما PA و UA انگور حدود 70٪ بودند زیرا پنبه و انگور اشتباه گرفته شدند: 280 پیکسل پنبه به اشتباه به عنوان انگور برچسب گذاری شد، در حالی که 260 پیکسل انگور به اشتباه به عنوان پنبه طبقه بندی شد. ذرت بهاره UA پایینی داشت (70.16%) زیرا بیش از 200 پیکسل پنبه ای به عنوان ذرت بهاره برچسب گذاری شده بود. در ماناس، PA پنبه، ذرت بهاره، گندم و محصول گندم تابستانه بالاتر از 80 درصد بود.
برای ارزیابی کیفیت فرآیند طبقه‌بندی براساس سری زمانی مرجع تاریخی NDVI، بخشی از داده‌های مرجع زمینی برای طبقه‌بندی محصولات با استفاده از طبقه‌بندی‌کننده مشابه (ABNet) استفاده شد. دقت کلی برای Bole و Manas به ترتیب 90.21٪ و 86.87٪ بود که در مقایسه با دقت طبقه بندی مرجع تاریخی مشتق از NDVI بیشتر بود. در Bole، افزایش دقت عمدتاً ناشی از شناسایی بهتر گندم و محصول گندم تابستانه بود (هر دو PA و UA گندم و محصول گندم تابستانه بالاتر از 98٪ بودند). در Manas، پیکسل‌های پنبه و گوجه‌فرنگی به‌طور صحیح‌تر طبقه‌بندی‌شده به بهبود دقت کلی کمک کردند.
شکل 9نقشه محصول در Bole و Manas را برای سال 2011 نشان می دهد. پنبه نوع عمده محصول در هر دو منطقه مورد مطالعه بود که به ترتیب شامل 67.79٪ و 62.68٪ از زمین های زراعی در Bole و Manas بود. در بوله، پنبه عمدتاً در بخش مرکزی توزیع می‌شد و ذرت بهاره عمدتاً در شمال غربی شهرستان کاشته می‌شد. محصولات دیگری مانند انگور و هندوانه در شمال شهرستان کاشته شد. در ماناس، پنبه عمدتاً در شهرستان‌های مرکزی و شمالی کاشته می‌شد. و ذرت بهاره در شهرستان جنوبی کاشته شد. از آنجایی که شناسایی محصول در سطح پیکسل انجام شد، برخی از طبقه‌بندی‌های اشتباه بین مزرعه‌ای وجود داشت که عمدتاً به دلیل تغییر وضعیت محصول بود. علاوه بر این، مرزهای میدان همیشه به اشتباه طبقه بندی می شدند. این عمدتاً به این دلیل بود که پیکسل‌های مرزی همیشه پیکسل‌های ترکیبی بودند که محصولات زراعی و جاده را در کنار زمین‌های محصول ترکیب می‌کردند. امضای مخلوط NDVI شاید بیشتر شبیه به NDVI یک محصول متفاوت بود که منجر به طبقه بندی اشتباه شد. از آنجایی که نمونه‌های آموزشی و اعتبارسنجی حاوی پیکسل‌های مرز میدانی نبودند، این طبقه‌بندی اشتباه در ماتریس سردرگمی ارزیابی دقت گزارش نشد.

5. بحث

این مطالعه از دانش به‌دست‌آمده از داده‌های مرجع تاریخی زمین و سری‌های زمانی تصویر MODIS برای جایگزینی مرجع زمینی در سال طبقه‌بندی و طبقه‌بندی محصولات در وضوح 30 متر استفاده می‌کند. آزمایش‌های تفکیک پذیری (فاصله JM) سری زمانی مرجع NDVI نشان داده است که محصولات در منطقه مورد مطالعه قابل تفکیک هستند ( جدول 7).). اما چالش های استفاده از سری زمانی مرجع NDVI برای شناسایی محصولات در وضوح 30 متر شامل سه جنبه زیر است: (1) فرکانس مشاهده حسگرهای با وضوح بالا. (2) تغییر معیارهای فنولوژیکی ممکن است به وضعیتی منجر شود که پروفایل های مرجع نتوانند محصولات را در سال طبقه بندی شناسایی کنند. و (3) تبدیل NDVI (با استفاده از رابطه خطی برای تبدیل MODIS به Landsat/HJ NDVI) ممکن است به برخی عدم قطعیت در شناسایی محصول نسبت داده شود.

5.1. ترکیب تصاویر لندست و HJ

پروفیل های مرجع NDVI در این مطالعه از محصول 16 روزه NDVI کامپوزیت MODIS به دست آمده است و پروفایل های مرجع پتانسیل جداسازی محصولات را در منطقه مورد مطالعه نشان داده اند. با این حال، برای سری های زمانی تصاویر با وضوح مکانی 30 متر، اولین چالش، وضوح زمانی سری زمانی تصویر است. مطالعات قبلی نشان داده‌اند که برخی از دوره‌های زمانی بهینه می‌توانند انواع محصول را با دقت بالا طبقه‌بندی کنند و استفاده از تصاویر بیشتر باعث بهبود کمی برای شناسایی محصول می‌شود [ 35 , 55 , 56]. برای تصاویر از یک سنسور با وضوح 30 متر، مانند Landsat، امکان دریافت تصاویر بدون ابر در هر فصل تنها به حدود 50٪ در زمستان و پاییز و 60٪ در تابستان و بهار به طور متوسط ​​محدود است [57] . ]. ظاهراً این فرکانس نسبتاً پایین دریافت تصویر نمی‌تواند الزامات طبقه‌بندی محصول را برآورده کند. در این مطالعه، ما تصاویر Landsat و HJ را ترکیب کردیم و سری زمانی تصویر با وضوح زمانی نزدیک به 15 روز را به دست آوردیم. سری زمانی تصاویر ترکیبی می تواند محصولات را با دقت بالایی طبقه بندی کند (دقت کلی استفاده از مرجع زمین برای طبقه بندی محصولات در جدول 8 و جدول 9 آمده است.) که با سایر مطالعات نیز مطابقت دارد که استفاده ترکیبی از تصاویر از چند حسگر می تواند به روش طبقه بندی محصولات، به ویژه در مناطق بزرگ، سودمند باشد [ 58 ].

5.2. تأثیر تغییرات وضعیت رشد محصول بر شناسایی محصول

چالش دیگر برای شناسایی محصول با استفاده از دانش مرجع، تغییرات فنولوژیکی بین سالانه محصولات است که ناشی از تغییر دما و بارندگی در چند سال است [43 ، 59 ، 60 ، 61 ] . الگوهای زمانی NDVI ( شکل 10) تغییرات بین سالانه را در Bole و Manas نشان داده اند. سری زمانی NDVI پنبه در بین پنج سال به طور کلی مشابه است، به جز تغییرات جزئی در طول DOY 225 تا 300. برای ذرت بهاره، اوج NDVI پروفیل ها در همه سال ها مشابه است، تغییرات بین سالانه عمدتاً در بهار (DOY 100~150) و پاییز (DOY 225~300) است. انگور و گندم تنوع بین سالانه بیشتری دارند، NDVI انگور در سال 2007 در کل فصل رشد به طور قابل توجهی بالاتر است و نیمرخ گندم نشان داد که هر دو فاز سبز شدن و اوج NDVI در سال 2007 20 روز زودتر از سال های دیگر هستند. علاوه بر این، پیک های NDVI نیز به ترتیب 0.06 و 0.11 برای انگور و گندم متفاوت است.
هنگام استفاده از داده های تاریخی یک سال به عنوان دانش مرجع، دقت طبقه بندی به طور قابل توجهی متفاوت است. اگر شرایط محصول سال مرجع و سال طبقه بندی مشابه باشد، دانش مرجع می تواند به دقت قابل قبولی دست یابد (مانند استفاده از داده های مرجع سال 2010 در Bole، جدول 8 ). در غیر این صورت، دانش مرجع و الگوی NDVI سال طبقه بندی با هم مطابقت ندارند و دقت طبقه بندی پایین است (مانند استفاده از داده های مرجع سال 2007 در Manas، جدول 9 ). برخی از روش‌های پیچیده برای استفاده از شکل پروفایل‌های NDVI برای اندازه‌گیری شباهت پیشنهاد شده‌اند [ 62 ]. اما شکل سری زمانی NDVI گاهی اوقات به دلیل تغییرات فنولوژیکی بین سالانه تغییر می کند.43 ]، که ممکن است منجر به شکست معیارهای تشابه مبتنی بر شکل شود. توجه داشته باشید که سری‌های NDVI تاریخی از چندین سال در این مطالعه استفاده می‌شود و دانش مرجع چندین ساله شامل شرایط رشد بیشتری از یک محصول است و عملکرد طبقه‌بندی را در مقایسه با دانش مرجع یک سال بهبود می‌بخشد (جدول 8 و جدول 9 ) . . با این حال، یک محدودیت وجود دارد: اگر شرایط محصول در دانش مرجع ثبت نشده باشد، این روش ممکن است در شناسایی صحیح محصولات زراعی شکست بخورد. بنابراین، ما باید تا حد امکان داده های مرجع تاریخی را جمع آوری کنیم تا دانش سری های زمانی مرجع NDVI را غنی کنیم.
ما در این مطالعه ABNet را انتخاب می کنیم زیرا شاید اصل ABNet برای بدست آوردن سری های زمانی مرجع NDVI مناسب باشد. پروفایل های NDVI تمام نمونه ها در بین چندین سال برای استخراج آنتی بادی ها استفاده می شود. بنابراین، هر آنتی بادی می تواند یک وضعیت فنولوژیکی خاص یک محصول را نشان دهد. بنابراین، الگوهای متمایز متفاوتی از یک محصول مشابه توسط ABNet ثبت می شود. علاوه بر این، یکی دیگر از مزیت های ABNet این است که یک طبقه بندی کننده تطبیقی ​​است که در طول مراحل آموزشی نیازی به پارامترهای تعریف شده توسط کاربر ندارد.

5.3. تأثیر تبدیل NDVI

در این مطالعه، ما از سری زمانی MODIS NDVI به عنوان مرجع استفاده کردیم و MODIS NDVI را با استفاده از روابط خطی به Landsat/HJ NDVI تبدیل کردیم. بنابراین، ما نیازی به در نظر گرفتن تفاوت تشعشعات بین Landsat و HJ نداریم [ 37 ]. علاوه بر این، یافتن ناحیه همگن بسیار مهم است زیرا روابط خطی بین NDVI در وضوح فضایی متفاوت محاسبه می‌شوند. علاوه بر این، نمونه‌های مورد استفاده برای برازش مدل خطی باید طبقه‌بندی شوند و در محدوده NDVI برای هر فاز زمانی توزیع شوند. در غیر این صورت، NDVI بازه تعداد نمونه کوچک پس از تبدیل NDVI اشتباه تخمین زده می شود. در منطقه مورد مطالعه ما، مزارع محصول با همگن مشخص می شوند. و به طور کلی، سری زمانی NDVI مرجع تبدیل شده و نمایه NDVI در وضوح 30 متر مطابقت دارند (شکل 11 و شکل 12 ). با این حال، در برخی از مناطق مورد مطالعه دیگر با تکه‌های قطع شده، «خلوص» پایین‌تر پیکسل‌های MODIS ممکن است تأثیر منفی بر تبدیل NDVI داشته باشد. بنابراین، نمایه NDVI مرجع تبدیل شده و سری زمانی NDVI با وضوح بالا با هم مطابقت ندارند و دقت طبقه‌بندی کاهش می‌یابد.

6. نتیجه گیری

اکثر روش‌های طبقه‌بندی محصولات موجود بر روی داده‌های مرجع زمینی از همان سال تکیه می‌کنند که منجر به هزینه‌های بالای نیروی کار و مالی شده است. در این مطالعه، ما یک روش طبقه‌بندی محصول را با استفاده از سری زمانی NDVI تاریخی چند ساله (از 2006 تا 2010) برای طبقه‌بندی محصول در وضوح 30 متر ارائه کردیم. نتیجه گیری اصلی به شرح زیر است.
(1)
روش پیشنهادی در این مطالعه می‌تواند محصولات غالب را در مناطق مورد مطالعه شناسایی کند، زیرا دقت طبقه‌بندی کلی در Bole و Manas به ترتیب 87.13% و 83.48% بود. قابل ذکر است، هیچ داده مرجع زمینی سال طبقه بندی در فرآیند طبقه بندی مورد نیاز نبود.
(2)
سری‌های زمانی مرجع NDVI به‌دست‌آمده توسط پروفایل‌های NDVI تاریخی چند ساله می‌توانند دقت بالاتری نسبت به یک سال واحد داشته باشند. این به این دلیل است که تغییرات فنولوژیکی بین سالانه در بین سال‌های مختلف وجود دارد، و پروفایل‌های مرجع NDVI به‌دست‌آمده از چندین سال می‌توانند شامل شرایط محصول بیشتری باشند و عملکرد طبقه‌بندی بهتری را نشان دهند.
(3)
ترکیب داده‌های Landsat و HJ می‌تواند فرکانس اکتساب سری زمانی تصویر 30 متری را به 15 روز افزایش دهد، که مشابه وضوح زمانی پروفایل‌های NDVI مرجع است. علاوه بر این، مرجع NDVI به Landsat/HJ NDVI تبدیل شد. بنابراین، ما نیازی به در نظر گرفتن تفاوت تشعشع بین تصاویر Landsat و HJ نداریم.
محدودیت این روش این است که هنگام تبدیل MODIS NDVI به Landsat/HJ NDVI باید نواحی همگنی را پیدا کنیم که می تواند حاوی پیکسل های MODIS خالص باشد. بنابراین، دقت طبقه بندی ممکن است در برخی از مناطق ناهمگن تحت تاثیر قرار گیرد. علاوه بر این، پروفایل های تاریخی NDVI باید تا حد امکان جمع آوری شوند تا دانش سری های زمانی مرجع NDVI را غنی کنند. به طور کلی، روش پیشنهادی در این مطالعه می تواند برای شناسایی انواع محصول در وضوح 30 متر زمانی که داده های مرجع زمینی سال طبقه بندی وجود ندارد استفاده شود. از آنجایی که نتایج به‌دست‌آمده به ویژگی‌های منطقه مورد مطالعه بستگی داشت، ترکیب‌های دیگر انواع محصولات و ممکن است مشکلات جدیدی داشته باشند. بنابراین، مطالعات بیشتر برای نشان دادن امکان‌سنجی این رویکرد در مناطق مختلف مطالعه ضروری است.

منابع

  1. کوئنزر، سی. Knauer، K. سنجش از دور مناطق کشت برنج. بین المللی J. Remote Sens. 2013 ، 34 ، 2101-2139. [ Google Scholar ] [ CrossRef ]
  2. پان، YZ; لی، ال. ژانگ، جی اس؛ لیانگ، اس ال. زو، XF؛ Sulla-Menashe، D. برآورد سطح گندم زمستانه از داده های سری زمانی MODIS-EVI با استفاده از شاخص فنولوژی نسبت محصول. سنسور از راه دور محیط. 2012 ، 119 ، 232-242. [ Google Scholar ] [ CrossRef ]
  3. هانسن، ام سی; اگوروف، آ. پوتاپوف، PV؛ Stehman، SV; تیوکاوینا، آ. توروبانوا، SA; روی، DP; گوتز، اس جی. لاولند، TR; جو، جی. و همکاران نظارت بر تغییر پوشش زمین محدود ایالات متحده (CONUS) با داده های لندست (WELD) دارای قابلیت وب. سنسور از راه دور محیط. 2014 ، 140 ، 466-484. [ Google Scholar ] [ CrossRef ]
  4. کنراد، سی. Colditz، RR; دچ، اس. کلاین، دی. Vlek، PLG تقسیم بندی زمانی سری های زمانی MODIS برای بهبود طبقه بندی محصولات در سیستم های آبیاری آسیای مرکزی. بین المللی J. Remote Sens. 2011 , 32 , 8763-8778. [ Google Scholar ] [ CrossRef ]
  5. ویرا، MA; Formaggio، AR؛ رنو، سی دی; آتزبرگر، سی. Aguiar، DA; Mello، تجزیه و تحلیل تصویر مبتنی بر شی MP و داده کاوی روی یک سری زمانی Landsat سنجش از دور برای نقشه‌برداری از نیشکر در مناطق بزرگ اعمال شد. سنسور از راه دور محیط. 2012 ، 123 ، 553-562. [ Google Scholar ] [ CrossRef ]
  6. دی رینویل، اف.ام. دوراند، ع. فورتین، FA; تانگوی، ک. مالداگ، ایکس. پانتون، بی. Simard، MJ Bayesian طبقه‌بندی و یادگیری بدون نظارت برای جداسازی علف‌های هرز در محصولات ردیفی. الگوی مقعدی Appl. 2014 ، 17 ، 401-414. [ Google Scholar ] [ CrossRef ]
  7. هوارد، دی.م. Wylie، BK طبقه‌بندی نوع محصول سالانه دشت‌های بزرگ ایالات متحده برای سال‌های 2000 تا 2011. Photogramm. مهندس Remote Sens. 2014 ، 80 ، 537-549. [ Google Scholar ] [ CrossRef ]
  8. وو، زی. سپسکبیل، ص. Verdin، JP الگوریتم طبقه‌بندی زمین‌های زراعی خودکار (ACCA) برای کالیفرنیا با استفاده از سنجش از راه دور چند حسگر. فتوگرام مهندس Remote Sens. 2014 ، 80 ، 81-90. [ Google Scholar ] [ CrossRef ]
  9. سپسکبیل، ص. Wu, Z. یک الگوریتم طبقه‌بندی خودکار زمین‌های زراعی (ACCA) برای تاجیکستان با ترکیب Landsat، MODIS و داده‌های ثانویه. Remote Sens. 2012 , 4 , 2890-2918. [ Google Scholar ] [ CrossRef ]
  10. هان، دبلیو. یانگ، ز. دی، ال. مولر، R. Cropscape: یک برنامه کاربردی مبتنی بر وب برای کاوش و انتشار محصولات داده‌های زمین‌های زراعی جغرافیایی محدود برای پشتیبانی تصمیم‌گیری. محاسبه کنید. الکترون. کشاورزی 2012 ، 84 ، 111-123. [ Google Scholar ] [ CrossRef ]
  11. کنراد، سی. رحمان، م. ماچویتس، ام. استولینا، جی. پت، اچ. Dech، S. محاسبه مبتنی بر ماهواره نیازهای آبی محصول توزیع شده در فضایی برای کشت پنبه و گندم در دره فرغانه، ازبکستان. گلوب. سیاره چانگ. 2013 ، 110 ، 88-98. [ Google Scholar ] [ CrossRef ]
  12. شیائو، ی. مینوله، سی. ماری، جی اف. Benoit, M. مدل‌سازی توزیع فضایی توالی‌های محصول در مقیاس منطقه‌ای بزرگ با استفاده از داده‌های بررسی پوشش زمین: موردی از فرانسه. محاسبه کنید. الکترون. کشاورزی 2014 ، 102 ، 51-63. [ Google Scholar ] [ CrossRef ]
  13. بزیات، پ. ریوالند، وی. تالک، تی. یاروسز، ن. بولت، جی. جنتین، پ. Ceschia، E. ارزیابی یک رویکرد ساده برای پارتیشن بندی تبخیر و تعرق محصول و تجزیه و تحلیل توزیع بودجه آب برای چندین گونه محصول. کشاورزی برای. هواشناسی 2013 ، 177 ، 46-56. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. ژنگ، بی. Myint، SW; سپسکبیل، ص. Aggarwal، RM یک ماشین بردار پشتیبان برای شناسایی انواع محصولات آبیاری با استفاده از داده های سری زمانی Landsat NDVI. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2015 ، 34 ، 103-112. [ Google Scholar ] [ CrossRef ]
  15. فن، سی. ژنگ، بی. Myint، SW; آگاروال، آر. مشخص کردن تغییرات در الگوهای برش با استفاده از تصاویر متوالی Landsat: یک رویکرد آستانه تطبیقی ​​و کاربرد در فونیکس، آریزونا. بین المللی J. Remote Sens. 2014 , 35 , 7263-7278. [ Google Scholar ] [ CrossRef ]
  16. ژانگ، جی اچ. فنگ، LL; Yao, FM تخمین سطح زیر کشت ذرت را در مقیاس بزرگ با ترکیب داده های سری زمانی MODIS-EVI و اطلاعات فنولوژیکی محصول بهبود بخشید. ISPRS J. Photogramm. Remote Sens. 2014 ، 94 ، 102-113. [ Google Scholar ] [ CrossRef ]
  17. کم، اف. میشل، یو. دچ، اس. کنراد، سی. تأثیر انتخاب ویژگی بر دقت و عدم قطعیت فضایی طبقه‌بندی محصول در هر مزرعه با استفاده از ماشین‌های بردار پشتیبان. ISPRS J. Photogramm. Remote Sens. 2013 ، 85 ، 102-119. [ Google Scholar ] [ CrossRef ]
  18. ژونگ، LH؛ گونگ، پی. الگوریتم طبقه‌بندی محصول مبتنی بر فنولوژی GS و پیامدهای آن بر ارزیابی مصرف آب کشاورزی در دره مرکزی کالیفرنیا. فتوگرام مهندس Remote Sens. 2012 ، 78 ، 799-813. [ Google Scholar ] [ CrossRef ]
  19. گالیگو، جی. کریگ، ام. مایکلسن، جی. بوسینز، بی. فریتز، اس. بهترین روش ها برای تخمین سطح محصول با سنجش از دور . کمیسیون اروپا: بروکسل، لوکزامبورگ، 2008. [ Google Scholar ]
  20. ژونگ، LH؛ هاوکینز، تی. بیگینگ، جی. Gong, P. یک رویکرد مبتنی بر فنولوژی برای نقشه برداری از انواع محصولات در دره سان خواکین، کالیفرنیا. بین المللی J. Remote Sens. 2011 ، 32 ، 7777-7804. [ Google Scholar ] [ CrossRef ]
  21. براون، JC; Kastens، JH; کوتینیو، AC; ویکتوریا، دی. Bishop، CR طبقه‌بندی داده‌های چند ساله استفاده از زمین کشاورزی از ماتو گروسو با استفاده از داده‌های شاخص گیاهی MODIS سری زمانی. سنسور از راه دور محیط. 2013 ، 130 ، 39-50. [ Google Scholar ] [ CrossRef ]
  22. ژونگ، LH؛ گونگ، پی. نقشه برداری ذرت و سویا کارآمد، GS با قابلیت گسترش زمانی: یک آزمایش چند ساله با استفاده از تصاویر Landsat. سنسور از راه دور محیط. 2014 ، 140 ، 1-13. [ Google Scholar ] [ CrossRef ]
  23. فورستر، اس. کادن، ک. فورستر، ام. نقشه برداری از نوع محصول Itzerott، S. با استفاده از پروفایل های طیفی-زمانی و اطلاعات فنولوژیکی. محاسبه کنید. الکترون. کشاورزی 2012 ، 89 ، 30-40. [ Google Scholar ] [ CrossRef ]
  24. Rouse, JW; هاس، RH; شل، JA; Deering، DW; هارلان، JC نظارت بر پیشرفت های بهاری و پسرفت پوشش گیاهی طبیعی . سازمان ملی هوانوردی و فضایی (ناسا): واشنگتن، دی سی، ایالات متحده آمریکا، 1974.
  25. هیوت، ا. دیدان، ک. میورا، تی. رودریگز، EP; گائو، ایکس. Ferreira، LG مروری بر عملکرد رادیومتری و بیوفیزیکی شاخص‌های پوشش گیاهی MODIS. سنسور از راه دور محیط. 2002 ، 83 ، 195-213. [ Google Scholar ] [ CrossRef ]
  26. واردلو، بی.دی. Egbert، SL نقشه برداری محصول در سطح وسیع با استفاده از داده های NDVI MODIS 250 متری سری زمانی: ارزیابی برای دشت های بزرگ مرکزی ایالات متحده. سنسور از راه دور محیط. 2008 ، 112 ، 1096-1116. [ Google Scholar ] [ CrossRef ]
  27. واردلو، بی.دی. اگبرت، اس ال. Kastens، JH تجزیه و تحلیل داده های شاخص پوشش گیاهی سری زمانی MODIS 250 متر برای طبقه بندی محصولات در دشت های بزرگ مرکزی ایالات متحده. سنسور از راه دور محیط. 2007 ، 108 ، 290-310. [ Google Scholar ] [ CrossRef ]
  28. سیبندا، م. Murwira، A. استفاده از تصاویر MODIS چند زمانی با داده های زمینی برای تشخیص پنبه از مزارع ذرت و سورگوم در مناظر کشاورزی کوچک آفریقای جنوبی. بین المللی J. Remote Sens. 2012 ، 33 ، 4841-4855. [ Google Scholar ] [ CrossRef ]
  29. آرور، دی. جاناتان، م. Meirelles، MSP; دوبرویل، وی. Durieux, L. طبقه بندی سری های زمانی MODIS EVI برای نقشه برداری محصول در ایالت ماتو گروسو، برزیل. بین المللی J. Remote Sens. 2011 , 32 , 7847–7871. [ Google Scholar ] [ CrossRef ]
  30. لوبل، دی بی؛ Asner، GP Cropland توزیع از عدم اختلاط زمانی داده های MODIS. سنسور از راه دور محیط. 2004 ، 93 ، 412-422. [ Google Scholar ] [ CrossRef ]
  31. کوارمبی، NA; Townshend، JRG; حل و فصل، JJ. سفید، KH; میلنز، ام. هندل، TL؛ Silleos، N. مدل‌سازی مخلوط خطی به داده‌های AVHRR برای تخمین سطح محصول اعمال شد. بین المللی J. Remote Sens. 1992 ، 13 ، 415-425. [ Google Scholar ] [ CrossRef ]
  32. چانگ، جی. هانسن، ام سی; پیتمن، ک. کارول، ام. نقشه برداری DiMiceli، C. ذرت و سویا در ایالات متحده با استفاده از مجموعه داده های سری زمانی modn. آگرون. J. 2007 ، 99 ، 1654-1664. [ Google Scholar ] [ CrossRef ]
  33. آتزبرگر، سی. Rembold، F. نقشه برداری توزیع فضایی محصولات زمستانه در سطح زیر پیکسل با استفاده از سری زمانی AVHRR NDVI و شبکه های عصبی. Remote Sens. 2013 ، 5 ، 1335-1354. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. لیسیتا، ا. سانو، EE; Durieux, L. شناسایی مناطق بالقوه مزارع شاهدانه با استفاده از تجزیه و تحلیل تصویر مبتنی بر شی از داده های ماهواره ای Spot-5. بین المللی J. Remote Sens. 2013 ، 34 ، 5409-5428. [ Google Scholar ] [ CrossRef ]
  35. هائو، پی. وانگ، ال. نیو، ز. Aablikim، A. هوانگ، ن. خو، اس. چن، اف. پتانسیل سری‌های زمانی ادغام شده از Landsat-5 TM و HJ-1 CCD برای طبقه‌بندی محصول: مطالعه موردی برای شهرستان‌های Bole و Manas در سین‌کیانگ، چین. Remote Sens. 2014 , 6 , 7610–7631. [ Google Scholar ] [ CrossRef ]
  36. De Wit، AJW; هوشمندی، JGPW کارایی و دقت طبقه بندی در هر مزرعه برای نقشه برداری عملیاتی محصول. بین المللی J. Remote Sens. 2004 ، 25 ، 4091-4112. [ Google Scholar ] [ CrossRef ]
  37. هوانگ، WJ; هوانگ، جی اف. وانگ، XZ; وانگ، اف ام؛ Shi، JJ مقایسه بازتاب قرمز/نزدیک مادون قرمز و NDVI بر اساس تابع پاسخ طیفی بین MODIS و 30 سنسور ماهواره دیگر با استفاده از طیف تاج برنج. سنسورها 2013 ، 13 ، 16023-16050. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. LPDAAC. شاخص های گیاهی 16 روز l3 جهانی 250 متر. در دسترس آنلاین: https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/mod13q1 (در 23 ژوئن 2015 قابل دسترسی است).
  39. چاندر، جی. مارکهام، BL; Helder، DL خلاصه ای از ضرایب کالیبراسیون رادیومتری فعلی برای سنسورهای Landsat MSS، TM، ETM+ و Eo-1 ALI. سنسور از راه دور محیط. 2009 ، 113 ، 893-903. [ Google Scholar ] [ CrossRef ]
  40. ماهواره CRESDA GaoFen (GF-1). در دسترس آنلاین: http://www.cresda.com/n16/n1130/n188475/188494.html (در 11 مه 2016 قابل دسترسی است).
  41. وانونکلن، اس. لرمیت، اس. Van Rompaey, A. تأثیر روش‌های تصحیح جوی و توپوگرافی بر دقت طبقه‌بندی پوشش زمین. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2013 ، 24 ، 9-21. [ Google Scholar ] [ CrossRef ]
  42. ژونگ، ی. Zhang، L. یک شبکه ایمنی مصنوعی تطبیقی ​​برای طبقه‌بندی نظارت شده تصاویر سنجش از راه دور چند / فراطیفی. IEEE Trans. Geosci. Remote Sens. 2012 , 50 , 894–909. [ Google Scholar ] [ CrossRef ]
  43. لرمیت، اس. وربسلت، ج. Verstraeten، WW; Coppin، P. مقایسه اقدامات شباهت سری زمانی برای طبقه بندی و تشخیص تغییر دینامیک اکوسیستم. سنسور از راه دور محیط. 2011 ، 115 ، 3129-3152. [ Google Scholar ] [ CrossRef ]
  44. Kruse، FA; Lefkoff، AB; بوردمن، جی دبلیو. هایدبرشت، KB; شاپیرو، AT; بارلون، پی جی. گوتز، AFH سیستم پردازش تصویر طیفی (جرعه جرعه) – تجسم تعاملی و تجزیه و تحلیل داده های طیف سنج تصویربرداری. سنسور از راه دور محیط. 1993 ، 44 ، 145-163. [ Google Scholar ] [ CrossRef ]
  45. موراکامی، تی. اوگاوا، اس. ایشیتسوکا، ن. کوماگای، ک. Saito، G. تبعیض محصول با داده های SPOT/HRV چند زمانی در دشت های حماسه، ژاپن. بین المللی J. Remote Sens. 2001 ، 22 ، 1335-1348. [ Google Scholar ] [ CrossRef ]
  46. آدام، ای. Mutanga، O. تمایز طیفی پوشش گیاهی پاپیروس (Cyperus papyrus L.) در تالاب‌های باتلاقی با استفاده از طیف‌سنجی میدانی. ISPRS J. Photogramm. Remote Sens. 2009 , 64 , 612-620. [ Google Scholar ] [ CrossRef ]
  47. هوانگ، ن. او، JS; Niu, Z. برآورد الگوی فضایی تنفس خاک در علفزارهای آلپ تبت با استفاده از تصاویر Landsat TM و داده‌های MODIS. Ecol. اندیک. 2013 ، 26 ، 117-125. [ Google Scholar ] [ CrossRef ]
  48. گائو، اف. ماسک، جی جی. Wolfe, RE; Huang, C. ساخت یک مجموعه داده ماهواره ای با وضوح متوسط ​​با استفاده از محصولات طیف رادیومتر تصویربرداری با وضوح متوسط ​​به عنوان مرجع. J. Appl. Remote Sens. 2010 ، 4 . [ Google Scholar ] [ CrossRef ]
  49. گونگ، پی. وانگ، جی. یو، ال. ژائو، YC; ژائو، YY; لیانگ، ال. نیو، ZG; هوانگ، XM; فو، اچ. لیو، اس. و همکاران مشاهده و نظارت با وضوح دقیق تر پوشش زمین جهانی: اولین نتایج نقشه برداری با داده های Landsat TM و ETM +. بین المللی J. Remote Sens. 2013 ، 34 ، 2607-2654. [ Google Scholar ] [ CrossRef ]
  50. هاثورن، ب. ابزار تحلیل هاوث برای Arcgis. در دسترس آنلاین: http://www.spatialecology.com/htools/overview.php (دسترسی در 30 ژانویه 2016).
  51. کنراد، سی. دچ، اس. دوبوویک، او. فریچ، اس. کلاین، دی. کم، اف. شورشت، جی. زیدلر، جی. استخراج پنجره‌های زمانی برای تشخیص دقیق محصول در زمین‌های زراعی ناهمگن ازبکستان با استفاده از تصاویر چشم سریع چند زمانی. محاسبه کنید. الکترون. کشاورزی 2014 ، 103 ، 63-74. [ Google Scholar ] [ CrossRef ]
  52. فورکور، جی. کنراد، سی. تیل، م. اولمان، تی. Zoungrana، E. ادغام تصاویر رادار دیافراگم نوری و مصنوعی برای بهبود نقشه برداری محصول در شمال غربی بنین، غرب آفریقا. Remote Sens. 2014 , 6 , 6472–6499. [ Google Scholar ] [ CrossRef ]
  53. Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. 1991 ، 37 ، 35-46. [ Google Scholar ] [ CrossRef ]
  54. داستان، م. کنگالتون، ارزیابی دقت RG – دیدگاه کاربران. فتوگرام مهندس Remote Sens. 1986 , 52 , 397-399. [ Google Scholar ]
  55. ون نیل، تی جی; McVicar، TR تعیین پنجره های زمانی برای تبعیض محصول با سنجش از دور: مطالعه موردی در جنوب شرقی استرالیا. محاسبه کنید. الکترون. کشاورزی 2004 ، 45 ، 91-108. [ Google Scholar ] [ CrossRef ]
  56. جیا، ک. وو، بی. Li، Q. طبقه بندی محصولات با استفاده از داده های چند طیفی ماهواره ای HJ در دشت شمال چین. J. Appl. Remote Sens. 2013 ، 7 . [ Google Scholar ] [ CrossRef ]
  57. جو، جی سی. Roy, DP در دسترس بودن داده های Landsat ETM بدون ابر در سراسر ایالات متحده و در سطح جهانی. سنسور از راه دور محیط. 2008 ، 112 ، 1196-1211. [ Google Scholar ] [ CrossRef ]
  58. USDA. خدمات ملی آمار کشاورزی. در دسترس آنلاین: http://www.nass.usda.gov/research/Cropland/SARS1a.htm (در 11 مه 2016 قابل دسترسی است).
  59. Zhang، XY بازسازی یک سری زمانی کامل جهانی از مسیر شاخص پوشش گیاهی روزانه از داده های بلند مدت AVHRR. سنسور از راه دور محیط. 2015 ، 156 ، 457-472. [ Google Scholar ] [ CrossRef ]
  60. ملااس، EK; فریدل، MA; Zhu، Z. تشخیص تنوع بین سالانه در فنولوژی جنگل های پهن برگ با استفاده از داده های Landsat TM/ETM plus. سنسور از راه دور محیط. 2013 ، 132 ، 176-185. [ Google Scholar ] [ CrossRef ]
  61. ژانگ، XY; تان، بی. یو، YY تغییرات و روندهای بین سالانه در فنولوژی سطح زمین جهانی به دست آمده از شاخص پوشش گیاهی افزایش یافته در طول 1982-2010. بین المللی J.Biometeorol. 2014 ، 58 ، 547-564. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  62. ایوانز، جی پی؛ گیرکن، آر. طبقه بندی تیپ و پوشش گیاهی مرتع با استفاده از معیار تشابه مبتنی بر مولفه فوریه. سنسور از راه دور محیط. 2006 ، 105 ، 1-8. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00067 g001 1024
شکل 1. ( الف ) وسعت سین کیانگ و مکان های مناطق مورد مطالعه این مطالعه. و ( ب ) بخشهای پوشش گیاهی برای انواع مختلف محصولات در طول یک سال.
Ijgi 05 00067 g002 1024
شکل 2. توزیع داده های مرجع زمین: ( a ) Bole; و ( ب ) ماناس.
Ijgi 05 00067 g003 1024
شکل 3. روش جمع آوری داده های مرجع تاریخی: ( الف ) توزیع چارچوب های نمونه برداری. ( ب ) یکی از فریم های 1 کیلومتر در 1 کیلومتر. ( ج ) مرزهای میدان برش یک قاب. و ( د ) پیکسل های MODIS را انتخاب کنید که می توانند به عنوان نمونه مرجع زمین استفاده شوند. تصاویر در شکل از R: NDVI تصویر Landsat TM (29 مه 2007)، G: NDVI تصویر Landsat TM (1 اوت 2007) و B: NDVI تصویر Landsat TM (2 سپتامبر 2007) تشکیل شده‌اند.
Ijgi 05 00067 g004 1024
شکل 4. روش مطالعه.
Ijgi 05 00067 g005 1024
شکل 5. رابطه بین TM/HJ-CCD (NDVI محاسبه شده از تصاویر TM/HJ) و MODIS NDVI (NDVI محاسبه شده از تصاویر MODIS) در طول فصل رشد برای محصولات در Bole County در طول سال 2011. DOY، روز سال؛ n، تعداد نمونه های مورد استفاده برای تبدیل.
Ijgi 05 00067 g006 1024
شکل 6. رابطه بین TM/HJ-CCD (NDVI محاسبه شده از تصاویر TM/HJ) و MODIS NDVI (NDVI محاسبه شده از تصاویر MODIS) در طول فصل رشد محصولات در شهرستان ماناس در طول سال 2011 (n = 345 ) . DOY، روز سال؛ n، تعداد نمونه های مورد استفاده برای تبدیل.
Ijgi 05 00067 g007 1024
شکل 7. مرجع سری زمانی NDVI برای محصولات در منطقه مورد مطالعه.
Ijgi 05 00067 g008 1024
شکل 8. فواصل JM تمام مقایسه های جفتی محصول برای سری های زمانی مرجع NDVI.
Ijgi 05 00067 g009 1024
شکل 9. نقشه برش Bole و Manas.
Ijgi 05 00067 g010 1024
شکل 10. مقایسه تغییرات سالانه سری های زمانی MODIS NDVI تاریخی میانگین در Bole و Manas.
Ijgi 05 00067 g011 1024
شکل 11. سری های زمانی MODISNDVI و Landsat/HJ NDVI تبدیل شده در Bole.
Ijgi 05 00067 g012 1024
شکل 12. سری های زمانی MODISNDVI و Landsat/HJ NDVI تبدیل شده در Manas.
جدول
جدول 1. تاریخ تصاویر Landsat TM/ETM+ و HJ (در Bole).
جدول
جدول 2. تاریخ تصاویر Landsat TM/ETM+ و HJ CCD (در Manas).
جدول
جدول 3. نوارهای قرمز و NIR Landsat-5 TM و HJ-1 CCD.
جدول
جدول 4. تعداد نمونه های تاریخی (پیکسل در 250 متر) بر اساس سال و نوع محصول.
جدول
جدول 5. تعداد نمونه های آموزشی و اعتبار سنجی در سال 1390.
جدول
جدول 6. ماتریس سردرگمی فرآیند طبقه بندی “زراعت” و “غیر زراعی” (%).
جدول
جدول 7. فواصل JM برای همه مقایسه های جفتی محصول در کل سری زمانی.
جدول
جدول 8. ماتریس خطا برای Bole.
جدول
جدول 9. ماتریس خطا برای Manas.

به اشتراک بگذارید و استناد کنید

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370