نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

چکیده

اطلاعات دقیق از شالیزارها در مناطق وسیع برای حمایت از کشاورزی پایدار و برنامه امنیت غذایی ضروری است. پایش مستمر این اراضی با استفاده از فناوری سنجش از دور، اطلاعات مربوط به شدت کشت در مزرعه و همچنین تغییر دینامیک آن را فراهم می کند. ما پویایی پوشش گیاهی فصلی را از مجموعه داده‌های ماهواره‌ای MODIS چندمدت درازمدت به منظور تعیین شدت کشت و تجزیه و تحلیل تغییر دینامیک در شالیزار جاوا مشخص کردیم. نتایج نشان می دهد که روش بکار گرفته شده در این تحقیق، کاربردهای خاص بسیاری را در شالیزارها به عنوان ابزاری برای شدت کشت آنها متمایز می کند. علاوه بر این، فصول مهم‌ترین عامل تأثیرگذار بر تغییر پویایی در سیستم کشاورزی بودند. تغییرات شدید آب و هوا باعث ایجاد بسیاری از شالیزارها شد. به خصوص در زمین های غیر آبی، برای بایر ماندن نیز زمان کاشت به تعویق افتاد. در واقع، مشخص کردن پویایی بلندمدت پوشش گیاهی شالیزار، اطلاعاتی در مورد ویژگی‌ها و روند در این انواع کاربری اراضی، یا ناشی از عوامل طبیعی یا فعالیت‌های انسانی، فراهم می‌کند.
کلید واژه ها: 

تغییر دینامیک فصلی ؛ تصویر MODIS ; شالیزار ; جاوا ؛ اندونزی

 

1. مقدمه

اطلاعات در مورد استفاده از زمین های کشاورزی در مناطق وسیع برای حمایت از کشاورزی پایدار و برنامه امنیت غذایی ضروری است. از آنجایی که رشد جمعیت باعث افزایش تقاضا برای مواد غذایی می شود، حداقل تولیدات کشاورزی باید به دنبال نرخ رشد جمعیت افزایش یابد. در غیر این صورت، نیاز به واردات مواد غذایی برای برآورده شدن این خواسته ها وجود دارد [ 1 ، 2 ]. مصرف سرانه برنج در اندونزی با 139 کیلوگرم به ازای هر نفر بالاترین میزان در جهان است [ 2 ]. دولت اندونزی همچنین تخمین می زند که مردم این کشور به ترتیب برای تقریباً 40 تا 50 درصد پروتئین و کالری مورد نیاز روزانه خود به برنج متکی هستند [ 3 ].]. برای جمعیت بیش از 237 میلیون نفری اندونزی، وضعیت عرضه برنج داخلی آن مترادف با امنیت غذایی آن است [ 1 ].
درک دقیق تولید بالقوه شالیزارها از جمله روندهای آتی آن برای بهبود اثربخشی و کارایی برنامه های توسعه زمین کشاورزی ضروری است. علاوه بر این، یک پایگاه داده به روز و دقیق در مورد شدت کشت برنج، از جمله تغییرات دینامیک آن، ضروری است. یک تحقیق جدید در مورد شالیزارهای کاربری اراضی در اندونزی و روابط عمومی بین تنوع زیست محیطی در منابع آب و تولید محصول، اطلاعات به روز در مورد تولید بالقوه برنج و پیش بینی تأثیر تغییرات آب و هوایی جهانی بر کشاورزی را بهبود می بخشد. فعالیت و اکوسیستم
در مناطق گرمسیری (به عنوان مثال، جاوه، اندونزی)، اطلاعات مربوط به برخی از الگوهای کشت متوالی در شالیزار وجود دارد، مانند (الف) محصولات ثانویه شالیزاری – زمین بایر. (ب) شالیزار-شالیزار-بارنلند; و (ج) محصولات شالیزاری-ثانویه، که در آن توالی ها، سال به سال، پس از فصول تکرار می شوند [ 4 ]. بنابراین، توصیف پویایی پوشش گیاهی فصلی به دلیل نظارت مداوم بر تغییرات فصلی آن، اطلاعات کافی از کاربرد خاص در شالیزارها، از جمله شدت کشت برنج را فراهم می‌کند.
به نظر می‌رسد فناوری سنجش از دور ابزاری قدرتمند برای تولید نقشه‌های پوشش زمین کاربری زمین و شناسایی فرآیندهای تغییر در حال انجام و مکان‌های آن‌ها در مقیاس جهانی یا منطقه‌ای است [ 5 ]. با این حال، چالش اصلی در این فناوری این است که اطمینان حاصل شود که تغییر در نتیجه تغییرات کوتاه مدت در پوشش زمین [ 6 ] نیست. اخیراً، اکثر پایگاه‌های اطلاعاتی موجود در شالیزار در جاوا با استفاده از تصاویر ماهواره‌ای تک‌تاریخ و/یا عکس‌های هوایی، که لزوماً با انواع پوشش موقت، چه زمین‌های بایر و چه غرق‌شده (آب) منطبق بود، توسط داده‌های سنجش از دور تعیین شدند. سپس، ارزیابی دقت نتایج آنها نشان دهنده نیاز به ارزیابی چنین رویکرد مرسومی است.
با گسترش مضامین ذکر شده در بالا، بنابراین ما در مورد نظارت بر تغییرات فصلی در مزارع برنج در جزیره جاوا از طریق فنولوژی بلندمدت محصول برنج، به منظور درک شدت واقعی کشت، از جمله تغییرات پویایی آنها، اقدام کردیم. فنولوژی محصول مشخصه اکوسیستم های پیچیده بیولوژیکی است که منعکس کننده واکنش بیوسفر زمین به پویایی سالانه آب و هوا و چرخه هیدرولوژیکی زمین است [ 7 ]. نظارت بر تغییرات فصلی در فعالیت پوشش گیاهی و شناسایی مراحل فنولوژی محصول از مجموعه داده های سنجش از دور ماهواره ای ممکن است ما را قادر سازد تا رشد محصول را تحت شرایط آب و هوایی مختلف منطقه ای تخمین بزنیم. به عنوان مثال، در حالی که خشکسالی شدید منجر به تاخیر در برداشت و در نتیجه کاهش عملکرد برنج می شود [ 8 ، 9 ]]. اخیراً، تغییر فصلی (فنولوژی) برای تعیین تغییرات در گسترش و تشدید محصولات [ 10 ]، و همچنین برای بررسی پویایی پوشش گیاهی در اکوسیستم زمینی [ 11 ] استفاده شده است.
این مطالعه به بررسی پویایی پوشش گیاهی فصلی شالیزار بلندمدت با در نظر گرفتن تنوع آب و هوایی در جاوا می‌پردازد. توصیف شالیزارها در این مطالعه بر اساس تصاویر موجود است، که لزوماً همزمان با زمین‌های بایر موقت در هنگام استفاده از یک تصویر تک تاریخ نیست، زیرا ما تنوع در پویایی پوشش گیاهی زمانی شالیزار را در نظر می‌گیریم. توصیف پویایی پوشش گیاهی زمانی به دلیل نظارت مداوم بر تغییرات فصلی آن، اطلاعات کافی از شالیزار، از جمله شدت کشت را فراهم می‌کند. بنابراین نقشه پراکندگی کاربری خاص در شالیزارها به صورت سیستم های کشت تک کشت، مضاعف و سه کشت ارائه خواهد شد. سپس تغییرات دینامیکی این سیستم های کشت را تحلیل خواهیم کرد. علاوه بر این، از طریق این تحلیل الگو،

2. روش شناسی

2.1. سایت مطالعه

جزیره جاوه که در حاشیه جنوبی مجمع الجزایر اندونزی واقع شده است به دلیل تراکم جمعیت بالا و سیستم کشاورزی فشرده بسیار پربار آن جزیره ای منحصر به فرد است [ 12 ]. مساحت این جزیره 132792 کیلومتر مربع است و از نظر اداری به شش استان بانتن، جاکارتا، جاوای غربی، جاوه مرکزی، یوگیاکارتا و جاوا شرقی تقسیم شده است ( شکل 1 ). علاوه بر این، اخیراً زمین کشاورزی جاوه غذای حدود 60 درصد از جمعیت اندونزی را تامین می کند [ 2 ].
Ijgi 03 00110 g001 1024
شکل 1. محل مطالعه.
جاوه جزیره ای است که فعال ترین جزیره آتشفشانی جهان را تشکیل می دهد، بنابراین مناطق وسیعی از خاک های حاصلخیز را فراهم می کند که زمین های کشاورزی فشرده را پشتیبانی می کند. ترکیبی از میزان بارندگی بالا و خاک حاصلخیز، بسیاری از مناطق جزایر را برای کشاورزی مناسب می سازد. با توجه به [ 3 ]، حدود 70.62٪ از جاوا به عنوان کاربری کشاورزی در نظر گرفته می شود. شالیزارها، باغ‌های مختلط، مناطق مرتفع/خشک، چمن‌های روباز، حوضچه‌های ماهی و مزارع، با 5.43 درصد از مساحت منطقه تحت پوشش سکونتگاه‌ها.

2.2. ماهواره داده و پیش پردازش تصویر

محصول MODIS مورد استفاده در این مطالعه MOD13Q1 [ 13 ] است. این شامل شاخص های گیاهی (VI) ترکیبی 16 روزه جهانی 250 متری شبکه SIN V005 است که پویایی فصلی را برای الگوهای شالیزار ارائه می کند. این مجموعه داده به طور سیستماتیک برای اثرات پراکندگی گاز و آئروسل تصحیح شده بود. ما از مجموعه داده‌های MODIS EVI استفاده کردیم که در MOD13Q1 جاسازی شده‌اند. مجموعه داده های به دست آمده دوره از ژانویه 2001 تا دسامبر 2007 را نشان می دهد و بدون هیچ هزینه ای از مرکز بایگانی فعال توزیع شده فرآیندهای زمینی ناسا به دست آمده است [ 14 ]. گروه انضباط زمین MODIS [ 15 ] EVI را برای استفاده با داده های MODIS با استفاده از این معادله توسعه داد:

Ijgi 03 00110 i001

که در آن ρ* nir ، ρ* قرمز و ρ* آبی به ترتیب بازتاب های سنجش از دور در NIR ، قرمز و آبی هستند. L یک عامل تنظیم خاک است و C 1 و C 2 استفاده از نوار آبی را در تصحیح نوار قرمز برای پراکندگی آئروسل اتمسفر توصیف می کنند. ضرایب، C 1 ، C 2 ، و L به صورت تجربی به ترتیب 6.0، 7.5 و 1.0 تعیین می شوند. G یک ضریب افزایش است که روی 2.5 تنظیم شده است [ 16].

با این وجود، سری‌های زمانی این داده‌ها ناگزیر شامل اختلالات ناشی از نویز باقی‌مانده هستند، زمانی که اختلالات جوی نمی‌توانند به طور موثر توسط الگوریتم MODIS VI حذف شوند. در نتیجه، کاهش نویز یا تطبیق یک مدل برای داده‌های مشاهده، قبل از تعیین مراحل فنولوژیکی ضروری است [ 17 ، 18 ].
در این مطالعه، ما از مجموعه داده‌های MODIS EVI، که توسط تبدیل موجک فیلتر شده‌اند، به منظور کاهش اختلالات اجتناب‌ناپذیر در مجموعه داده‌های سری زمانی استفاده کردیم [ 4 ]. موجک سیگنال های تجزیه شده را در فضای فرکانس زمانی به منظور شناسایی و کاهش نویز کلی و همچنین حفظ اطلاعات مفید در داده های سری زمانی تبدیل می کند. علاوه بر این، تبدیل موجک بهترین مشخصات زمانی EVI را به منظور تشخیص مراحل فنولوژی ارائه داد [ 17 ].
پیش پردازش تصویر برای ارائه کیفیت کافی از تصاویر MODIS چند ساله به منظور ارزیابی تغییرات زمانی مشخص از شالیزار به صورت فصلی طراحی شده است. شکل 2 جریان پردازش داده ها و تجزیه و تحلیل تصویر را در این مطالعه نشان می دهد.
برای بررسی جزئیات الگوی زمانی MODIS EVI، ما از وضوح فضایی بهتر Landsat 5 TM و 7 ETM + و همچنین داده‌های مرجع به دست آمده از نقاط بررسی میدانی استفاده کردیم. منطقه مورد مطالعه توسط 14 صحنه از تصاویر Landsat که از سال 2001 تا 2007 جمع آوری شده است، پوشش داده شده است. علاوه بر این، بررسی های میدانی برای جمع آوری اطلاعات در طول فصول بارانی و خشک سال 2012 انجام شد.

2.3. شناخت شدت کشت برنج

در مورد جزیره جاوا، یکی از مشکلات مجموعه داده‌های حاصل از داده‌های تصویری 250 متری در تشخیص شدت کشت برنج، اختلاف بین اندازه پیکسل تصویر و اندازه متوسط ​​وصله اندازه واقعی شالیزار بود. این نشان‌دهنده همان مسئله‌ای است که توسط [ 19 ] ذکر شده است، جایی که یک عامل پیچیده‌کننده تصاویر وضوح فضایی متوسط ​​این است که مقیاس ذاتی تغییرات فضایی در بسیاری از پوشش‌های زمین ظریف‌تر از مقیاس نمونه‌گیری تحمیلی توسط پیکسل‌های تصویر است. طبقه‌بندی قبلی پوشش کاربری زمین توسط [ 20 ]، با استفاده از Landsat ETM+، نشان داد که اندازه شالیزار جاوا دارای حداقل واحد نقشه مؤثر (MMU) 2.4 هکتار است و نشان داد که تقریباً تنها 20 درصد از پیکسل‌های MODIS دارای همگن هستند. انواع پوشش [ 4].
Ijgi 03 00110 g002 1024
شکل 2. جریان پردازش داده ها و تجزیه و تحلیل تصویر.
با گسترش موضوع ذکر شده در بالا، نمونه های پیکسل نماینده بر اساس نمونه گیری تصادفی انتخاب شدند. هر مکان با یک شبکه ماهی 250 متری مطابق با پیکسل های داده های MODIS پوشانده شد، و سپس هر سلول با میدان برنج طبقه بندی شده با استفاده از داده های Landsat [ 20 ] پوشانده شد. این روش نسبت سهم شالیزار 30 متر در 30 متر را در یک شبکه 250 متری ارائه کرد. در این مطالعه، شبکه‌های 250 متری با بیش از 70 درصد سطح شالیزار به صورت همگن در نظر گرفته شد و به‌عنوان نمونه پیکسلی در تجزیه و تحلیل شدت کشت برنج استفاده شد.
تمایز الگوهای زمانی مختلف به منظور تشخیص شدت کشت برنج با استفاده از روش خوشه‌بندی k- means، بر اساس فاصله اقلیدسی، در یک فضای EVI که در آن هر تصویر EVI یک بعد از فضای خوشه‌ای را ارائه می‌دهد، مشابه خوشه‌بندی طیفی، انجام شد. سپس خوشه‌های مجزا الگوهای متفاوتی از شدت کشت را نشان می‌دهند. سپس از این الگوها برای تمایز بین پیکسل ها در میدان برنجی جاوا استفاده شد.
روش خوشه‌بندی مجموعه‌های داده را از طریق یک فرآیند تکرار شونده به منظور بهینه‌سازی یک تابع معیار [ 21 ] به k خوشه تقسیم می‌کند. خوشه بندی تعدادی الگوی قابل توجه را به دست می دهد که با شدت کشت مطابقت دارد (نشان داده شده توسط شکل 3 ). تعداد الگوهای معنی‌دار، که هر یک نشان‌دهنده شدت کشت برنج است، بر اساس اندازه‌گیری آماری از شباهت آن الگو به الگوهای موجود در خوشه خود، در مقایسه با الگوهای دیگر خوشه‌ها، و سپس ترکیب خوشه‌ها در صورت نیاز، تعیین شد.
Ijgi 03 00110 g003 1024
شکل 3. خوشه بندی الگوهای زمانی برای تشخیص شدت کشت در مزارع شالیزاری.
علاوه بر این، الگوی معنی‌دار بر اساس نمایه زمانی آن، مجموعه داده‌های پیمایش زمینی مربوطه و سایر داده‌های تصویری، مانند Landsat یا اطلاعات دقیق، که با استفاده از بررسی زمینی به‌عنوان مرجع به‌دست آمد، شناسایی شد. شکل 4 استفاده از تصاویر متعدد Landsat را در ارتباط با الگوی هفت ساله MODIS EVI نشان می دهد. سپس بر اساس اطلاعات موجود در مجموعه ای از تصاویر و با پشتیبانی از بررسی زمینی، یک نوع شالیزار (شدت برش) شناسایی می شود.
Ijgi 03 00110 g004 1024
شکل 4. ( الف ) تاریخ های Landsat ETM+ در ارتباط با مجموعه داده های هفت ساله. ( ب ) الگوی زمانی نمایه MODIS EVI. نمایه زیر به مزرعه شالیزاری دوبار در جزیره جاوا اختصاص داده شد. مقدار EVI مستطیل قرمز هر تصویر در شکل 4 a با نقطه قرمز در شکل 4 b قرار دارد.

2.4. تجزیه و تحلیل سیگنال در دینامیک زمانی سالانه

2.4.1. تجزیه و تحلیل خودهمبستگی

یک الگوی زمانی اساساً ترکیبی از رویدادهایی است که به ترتیب در زمان های مختلف به طور مداوم تکرار می شوند. در این مطالعه، این الگوهای زمانی با توجه به همبستگی زمانی تحلیل می‌شوند. بر اساس یک اندازه گیری آماری از میزان تناسب آن الگو با الگوی خود تعیین شد. مجموعه ای از ضرایب همبستگی نشان می دهد که آیا الگوی زمانی داده ها دارای یک الگوی دوره ای است یا خیر، و با ضریب همبستگی خودکار (AFC) نشان داده می شود.
ضریب همبستگی بین x و y از نظر آماری به شرح زیر است:

Ijgi 03 00110 i002
به جای دو دوره مختلف، همبستگی بین یک سری زمانی و همان سری با یک یا چند واحد زمانی محاسبه می‌شود. در مرتبه اول خودهمبستگی، تاخیر یک واحد زمان است. ضریب همبستگی مرتبه اول یک ضریب همبستگی ساده از اولین مشاهدات N − 1 ، x 1 ، t = 1 ، 2 ، …، N − 1 و N − 1 بعدی ، x 1 ، t = 2 ، 3 است. … ، N.
همبستگی بین x 1 و x 1 + 1 توسط:

Ijgi 03 00110 i003

که در آن x (1) میانگین اولین N – 1 داده و x (2) میانگین آخرین N – 1 داده است.

همانطور که در رابطه (3) نشان داده شده است، اندازه گیری همبستگی بین داده های متوالی را خود همبستگی می نامند. برای N نسبتاً بزرگ ، همانطور که در داده‌های سری زمانی EVI در این مطالعه استفاده می‌شود، تفاوت بین میانگین‌های زیردوره x (1) و x (2) را می‌توان نادیده گرفت و r 1 را می‌توان به صورت تقریبی تخمین زد:

Ijgi 03 00110 i004

میانگین کلی کجاست 

Ijgi 03 00110 i005
معادله (4) را می توان تعمیم داد تا همبستگی بین مجموعه داده جدا شده توسط k گام های زمانی بدست آید:

Ijgi 03 00110 i006

کمیت r k ضریب خودهمبستگی در تاخیر k نامیده می شود .

در این مطالعه، تابع همبستگی میانگین EVI برآورد شد و به صورت گرافیکی در یک نمودار همبستگی رسم شد تا همبستگی rk بین میانگین جفت‌های EVI در دوره‌های معین و تفکیک‌های زمانی آنها ( تأخیر ) توصیف شود.
به منظور شناسایی تفاوت بین بازه های زمانی، تغییرات الگوی زمانی برای هر سال و همچنین، نابرابری در دوره های هفت ساله مورد تجزیه و تحلیل قرار گرفت. خطاهای استاندارد هر تاخیر بر روی نمودار همبستگی مشخص شده است تا قابلیت اطمینان آن را نشان دهد. مقدار خودهمبستگی برای تاخیرهای کوچک بالا خواهد بود و بعداً با کاهش تاخیرها کاهش می یابد.

2.4.2. تعیین آستانه برای تغییر الگوها

علاوه بر این، آزمون آماره t برای بررسی سطح معناداری خودهمبستگی زمانی انجام شد. این آزمون یک معیار قوی در شرایط عدم قطعیت مدل است [ 22 ]. در این مطالعه، تغییر در الگوی زمانی با کمترین تاخیر تعریف می‌شود ، زمانی که خود همبستگی زمانی با آزمون آماره t معنی‌دار نباشد . علاوه بر این، شناسایی نتایج را می توان به صورت بصری نیز تجزیه و تحلیل کرد. هنگامی که ضریب الگوی مناسب و به طور قابل توجهی بزرگتر از خطوط فاصله اطمینان 95٪ باشد، نشان دهنده یک الگوی دوره ای یا اجزای دوره ای است ( شکل 5).الف)، در این میان، زمانی که ضریب کمتر از خطوط فاصله اطمینان است و یک سنبله در وسط نمودار همبستگی نشان می دهد، به این معنی است که الگوی زمانی هیچ مولفه تناوبی ندارد ( شکل 5 ب).

2.5. ارزیابی دقت

ایجاد مجموعه داده های مرجع به منظور ارزیابی دقت برای نتیجه یکی از گام های مهم در این مطالعه است. همانطور که قبلا توضیح داده شد، ارزیابی دقت نقشه ای که از داده های تصویری 250 متری به دست می آید، اختلاف بین اندازه پیکسل تصویر و اندازه متوسط ​​وصله منظره بود. به منظور ایجاد یک مجموعه داده مرجع برای ارزیابی دقت، ما از وضوح فضایی بهتر Landsat 5 TM و 7 TM+ و همچنین داده‌های بررسی زمینی استفاده کردیم. مجموعه داده مشاهدات میدانی در طول فصل بارانی و خشک در سال 2012 جمع آوری شد. اکتشاف سایت، و همچنین مصاحبه، در هر مکان سایت انجام شد. تعداد نهایی نمونه در داده های مرجع 450 نمونه بود.
Ijgi 03 00110 g005 1024
شکل 5. نمودارهای همبستگی. ( الف ) الگوی تناوبی و ( ب ) الگوی غیر تناوبی.
دقت نتیجه با استفاده از چندین پارامتر دقت ارزیابی شد: دقت کل، دقت کاربر و دقت تولیدکننده. این پارامترهای دقت شامل ماتریس‌های خطا هستند که تعداد پیکسل‌هایی را که به درستی طبقه‌بندی شده یا اشتباه طبقه‌بندی شده‌اند را توصیف می‌کنند، که می‌تواند به ترتیب به عنوان خطای کمیسیون (دقت کاربر) و خطای حذف (دقت سازنده) مشخص شود [ 23 ].
علاوه بر این، ما یک مقایسه آماری با داده های آماری در سطح روستا [ 24 ، 25 ، 26 ] به منظور ارزیابی نتایج انجام دادیم. این امر به دلیل در دسترس بودن داده‌های مربوط به سطح آبی، زیرساخت‌های آبیاری، سطح برداشت، میزان مزرعه و تولید داده‌ها برای هر روستا امکان‌پذیر شد. از داده های آماری 24962 روستا (1988 دهستان) در جزیره جاوه استفاده شد. این داده ها جزئیات بیشتری را در مورد دقت ارائه کردند، زیرا آنها بر اساس یک سرشماری محلی بودند.

3. نتایج و بحث

3.1. شناخت شدت کشت برنج

در این مطالعه ما شدت کشت برنج را از تصاویر سری طولانی مدت MODIS تعریف کردیم. تغییر دینامیک فصلی، که سپس زمان و الگوهای کشت را نشان می دهد، می تواند به وضوح از الگوی نوسانات شاخص پوشش گیاهی تشخیص داده شود. به عنوان مثال، در حالی که شالیزار در فصل بارندگی زیر آب می رود و سپس پوشش گیاهی شروع به ظهور می کند.
تعداد چرخه‌های کشت (نهال تا برداشت) در مزارع شالیزاری که سالانه اتفاق می‌افتد بستگی به در دسترس بودن آب دارد و با توجه به الگوهای EVI، مزارع برنج در جاوه را می‌توان به انواع مختلفی از سیستم‌های کشت طبقه‌بندی کرد. در مناطق آبی، برنج شالیزاری می‌تواند در فصول خشک رشد کند، به طوری که در طول یک سال می‌توان محصول برنج را یک تا سه بار در این زمین کشت کرد. به همین دلیل، محصولاتی که در مناطق آبی کاشته می شوند، نوسانات EVI مداوم را حتی در فصل خشک نشان می دهند.
از نتایج خوشه‌بندی EVI، حداقل هشت نوع مزرعه برنج-شالی مشخص شد که به طور کلی نشان‌دهنده شدت کشت برنج در مزارع برنج جاوا است ( شکل 6 ). توزیع این مزارع برنج در شکل 7 آورده شده است.
Ijgi 03 00110 g006 1024
شکل 6. هشت نوع شدت کشت سالانه در شالیزار جاوا که از طریق الگوهای پوشش گیاهی موقت EVI (محصول MOD13Q1) شناسایی شده است. ( الف ) شالیکاری سه گانه (شالی-شالی-شالی). ( ب ) برش مضاعف برنج (شالی-ثانویه-برداشت/بره) در جاوای غربی. ( ج ) برش مضاعف برنج (شالی-ثانویه-برداشت/بره) در جاوا مرکزی. ( د ) کشت سه گانه شالیزاری (شالیزار-شالیزارهای ثانویه/برهنه). ( ه ) کشت مضاعف برنج (شالیزار-کشتهای ثانویه/برهنه) در جاوه شرقی. ( و) برشکاری دوتایی (شالیزار-ثانویه/برهنه). ( g ) شالیکاری تک / دوبل (شالیزار – محصولات ثانویه / لخت). ( h) شالیزار تک / دوبره (شالیزار – محصولات ثانویه / برهنه) در ارتفاعات.
Ijgi 03 00110 g007 1024
شکل 7. پراکندگی مزارع برنج-شالی که بر اساس شدت کشت سالانه آنها متمایز شده است.

3.2. تغییر تجزیه و تحلیل دینامیک فصلی در طول داده های هفت ساله EVI

تجزیه و تحلیل خودهمبستگی در الگوی زمانی EVI در طول هفت سال نشان می‌دهد که در دسترس بودن آب، که با نوسانات بارندگی سالانه نشان داده می‌شود، به طور قابل‌توجهی بر شدت کشت تأثیر می‌گذارد. تجزیه و تحلیل الگوی مزرعه شالی-برنج با سیستم کشت مضاعف در بیشتر مناطق مرتفع، همانطور که در شکل 8 الف نشان داده شده است، نشان می دهد که زمین دو بار در سال به طور مداوم کشت شده است، اما در سال گذشته، 2006 (اکتبر) -دسامبر 2006)، این الگو همانطور که از طریق همبستگی ضریب زیر حد اطمینان نشان داده شد تغییر کرد. علاوه بر این، یک فصل خشک شدید از ژوئیه تا سپتامبر 2006 باعث ایجاد اختلال در محصولات برنج در بسیاری از مناطق جاوه شمالی شد.
Ijgi 03 00110 g008 1024
شکل 8. الگوهای خودهمبستگی شالیزارهای فشرده در سه ناحیه خاص. ( الف ) شالیزار با سیستم کشت مضاعف در منطقه مرتفع. ( ب ) شالیزار با سیستم کشت مضاعف در منطقه دشت. ( ج ) شالیزار با سیستم کشت سه گانه.
علاوه بر این، با توجه به تجزیه و تحلیل الگوی همبستگی در مزرعه شالیزاری- برنج با سیستم کشت مضاعف در مناطق خاصی که در چندین ناحیه جاوه مرکزی مانند دماک و کودوس وجود دارد، زمین در فصل خشک هر سال زمین بایر یا بدون فعالیت زراعی باقی می ماند. سال؛ سالانه از سپتامبر تا اکتبر رخ می دهد ( شکل 8 ب). این الگو بر چنین پدیده هایی تأکید می کند، زمانی که ضریب همبستگی کمتر از آستانه بالایی باشد. این مناطق در نواحی دشتی و پوشیده از خاک های آبرفتی قرار دارند. مطالعه گذشته [ 27] توضیح داد که این مناطق در مناطق دشت با هجوم آب دریا در فصل خشک وجود دارد. سطح آب دریا بین جزر و مد در شرایط عادی تقریباً 50 سانتی متر است. با این حال، سطح می تواند حدود 2 متر افزایش یابد. سپس می تواند تا 15 تا 20 کیلومتر به زمین ها حمله کند. این شرایط منجر به آسیب احتمالی نمک در این زمین ها می شود. بنابراین، بیشتر ارقام زراعی این منطقه دشت، رقم « سیهرنگ »، رقم متقاطع IR 64 و ارقام دیگر است که در برابر چنین شرایطی مقاوم است.
الگوی خود همبستگی در شکل 8 ج نشان دهنده یک زمین کشاورزی فشرده با سیستم کشت سه گانه و امکانات آبیاری کافی است. در این منطقه سالی سه بار می توان زمین را با برنج شلتوک کشت کرد. به طور کلی، الگوهای کشت در این زمین از یک سلسله پوشش ها در طول سال پیروی می کند، مانند: (1) شالیزار-شالیزار و (2) شالیزار-شالیزار- محصولات ثانویه، که در آن این توالی سال به سال به دنبال آن تکرار می شود. فصل ها. این شالیزارها در جاوای شمال غربی و شرقی توزیع شده اند.

3.3. تجزیه و تحلیل تغییر دینامیک فصلی در داده های EVI بین سالانه (2001-2007)

نتایج تجزیه و تحلیل خودهمبستگی در داده های EVI بین سالانه در شکل 9 آورده شده است. شکل 9a نشان می دهد که سیستم کشت شالیزار در مناطق مرتفع در سال 2003 تغییر کرد، حتی اگر کرت های میانگین EVI سال به سال مشابه به نظر برسند. روند این الگوی زمانی را می توان عمدتاً با چندین ویژگی توضیح داد: (1) به طور کلی، منطقه تحت تأثیر بارندگی سالانه قرار گرفت و پوشش گیاهی در طول فصل خشک پاسخ منفی داد و در طول فصل بارندگی شروع به ظهور می کند. سپس، (2) فصل بارانی در اوایل سال 2003 شروع شد. (3) در سال 2005 بحران آب در این منطقه رخ داد که با نتیجه همبستگی نشان داده می شود، همچنین میانگین EVI در این مدت نیز وضعیت خشکسالی را نشان می دهد. پایش تغییرپذیری سالانه و فصلی در الگوی زمانی حاکی از آن است که این زمین کشاورزی دارای چرخه پنج ساله است.
شکل 9 ب توضیح می دهد که زمین های کشاورزی با سیستم کشت مضاعف دارای جزء دوره ای هستند. علاوه بر این، پس از کشت دوم در سال های 2001 و 2006، کشت در سال های 2001 و 2006 به دلیل فصل خشک شدید در سراسر مناطق به تعویق افتاد. این شکل مشخصات الگوی کشت نوع 6 را در شکل 6 نشان می دهد. اگرچه الگوی همبستگی خودهمبستگی شالیزار با سیستم کشت دوبل در مناطق خاص (نوع 2، نوع 3 و نوع 8) دارای مولفه تناوبی است، اما معیار دوم با توجه به آزمون آماری معنی دار به نظر نمی رسد. این نشان می دهد که در طول دوره کشت دوم، محصول متفاوتی کاشته شد. زمین به شالیزار برنج با سیستم دیم طبقه بندی می شود. در نتیجه کشت برنج شلتوک فقط در فصول بارندگی انجام می شود، در حالی که در فصل خشکی زمین به صورت آیش باقی می ماند.
نمودارهای الگوی ضرایب همبستگی برای مزارع برنج-شالی با سیستم های کشت آبی سه گانه در شکل 9 d نشان داده شده است. این زمین به عنوان یک زمین آبی بهسازی شده است، بنابراین می توان سالی سه بار در آن کشت کرد (سیستم کشت سه گانه). الگوی شالیزاری الگوی مهم کشت در این سرزمین است که با الگوهای بار اول و دوم بیان می‌شود. سپس، نوع سوم محصول یک محصول ثانویه است، زیرا آنها با الگوی متفاوتی بیان می شوند. فصل خشک باعث تغییر الگوی پوشش گیاهی در زمین های کشاورزی شد. در بسیاری از موارد، زمین در فصول خشک شدید بیکار بوده یا کشت نشده است، حتی در زمین های کشاورزی فشرده، کشاورز سعی می کرد زمین را با محصولات دیم زراعت کند ( palawija). با این حال، فصل خشک شدید تحت تأثیر ال نینو، در طی ژوئیه تا سپتامبر 2006، باعث شد بسیاری از زمین های کشاورزی بایر شوند و الگوی کشت مختل شد.
Ijgi 03 00110 g009 1024
شکل 9. تجزیه و تحلیل الگوی همبستگی بین سالانه شالیزار. ( الف ) شالیزار در منطقه مرتفع؛ ( ب ) شالیزار با سیستم کشت مضاعف در منطقه دیم. ج ) شالیزار در مناطق دشت و آبی. د ) شالیزار با سیستم کشت سه گانه در منطقه آبی.
با توجه به تجزیه و تحلیل تغییرات فصلی، ما نتیجه را برای هر نوع شالیزار همانطور که در جدول 1 ارائه شده است، خلاصه می کنیم .
جدول
جدول 1. خلاصه ای از تجزیه و تحلیل تغییرات فصلی هشت مزرعه شالیزاری خاص.

3.4. ارزیابی دقت

استفاده از الگوهای پوشش گیاهی موقتی این امکان را فراهم کرد که انواع شالیزارها به کاربردهای خاص بین سالیانه مانند سیستم کشت تک، دوتایی و سه‌گانه متمایز شوند. طبقه بندی انواع خاص توسط 450 نمونه مرجع ارزیابی شد که دقت کلی 71.11% را نشان داد ( جدول 2 ).
جدول
جدول 2. ماتریس سردرگمی برای هشت نوع خاص از زمین های شالیزاری.
بیشترین خطا مربوط به شالیزار نوع 3، نوع 4، نوع 5 و نوع 7 بود. به طور خاص، 37.04 درصد از نوع 3، 37.25 درصد از نوع 4، 48 درصد از نوع 5، و 32.08 درصد از نوع 7 اختصاص داده شد. به یک دسته بندی نادرست دقت کمتر در این تیپ ها نشان دهنده عدم توانایی MODIS در تعریف نوع مختلط پوشش گیاهی است. با این حال، اطمینان بالایی در پیکسل های طبقه بندی شده به عنوان شالیزار با سیستم برش سه گانه و دوگانه (شالیزار نوع 1 و 2) وجود دارد.

3.5. مقایسه نتایج و مجموعه داده های آماری

مزرعه شالیزار طبقه‌بندی شده از بلندمدت MODIS EVI با جدول آماری [ 24 ] همانطور که در شکل 10 نشان داده شده است مقایسه شد.. مناطق برآورد شده توسط MODIS EVI برای جاوای غربی، مرکزی و شرقی به ترتیب 10% بیشتر، 26% کمتر و 42% کمتر از مناطق تعریف شده از داده های آماری بود. علاوه بر این، این شکل نشان می‌دهد که روش MODIS EVI، مساحت نشان‌داده‌شده توسط مناطق بزرگ شالی‌کاری را بیش از حد برآورد می‌کند و تعداد شالیزارهای کوچک را دست‌کم می‌گیرد. تجزیه و تحلیل توزیع نشان داد که بیشتر برآوردهای بیش از حد (نقاطی که در زیر بهترین مناسب ترین خط مستقیم توزیع شده اند) در بخش غربی جاوا قرار دارند. اکثر موارد دست کم گرفته شده (نقاط بالای خط همبستگی) در جاوای مرکزی و شرقی قرار دارند. چنین نتایجی نشان‌دهنده ویژگی‌های متفاوت شلتوک برنج در جاوای غربی در مقایسه با جاوای مرکزی و شرقی است.
Ijgi 03 00110 g010 1024
شکل 10. مقایسه مساحت شالیزار برآورد شده توسط این مطالعه و مجموعه داده های آماری.
در برخی مناطق جاوای مرکزی و شرقی، حل کردن حداقل واحد شالیزار با MODIS EVI دشوار است. در نتیجه، توصیف پویایی زمانی برنج شلتوک نیز دشوار است. حتی اگر زیرساخت های آبیاری به صورت محلی در این مناطق وجود داشته باشد، اگر آب آبیاری نسبتاً محدود باشد، به ویژه در جاوه شرقی، ممکن است کشت دو یا سه برابر در یک سال معین امکان پذیر نباشد.
علاوه بر این، شکل 11 نشان می‌دهد که در مقیاس منطقه‌ای جاوا، تقریباً 50 تا 60 درصد الگوهای تغییر تحت تأثیر تغییرات شدید آب و هوا هستند. این به شدت با تغییرات آب و هوایی مرتبط است، به عنوان مثال ENSO (نوسانات جنوبی ال نینو)، که باعث یک فصل خشک شدید در سال 2006 شد، به طور قابل توجهی بر دسترسی به آب به دلیل بارش کم شدت تأثیر گذاشته است. بر این اساس برخی از زمین های کشاورزی در آن دوره ها به دلیل کمبود آب برای رشد گیاه بایر شد.
Ijgi 03 00110 g011 1024
شکل 11. مقایسه نتایج تشخیص تغییر در پویایی پوشش گیاهی زمانی و BPS-Statistics اندونزی در شالیزارها برای دو دوره تغییر. ( الف ) دوره 2003-2006 و ( ب ) دوره 2006-2008.
در شرایط عادی، کشت شالیزار مربوط به یک تقویم محصول خاص است، بنابراین، تغییر در الگوی پوشش گیاهی زمانی منعکس کننده تغییری است که در آن زمین یا تبدیل به کاربری های دیگر یا تغییر ناشی از عوامل دیگر رخ داده است. شکل 11 مقایسه مساحت شالیزار تغییر یافته در سطح ناحیه فرعی را بین نتایج تشخیص این مطالعه و جدول‌ها با [ 24 ، 25 ، 26 نشان می‌دهد.]. مناطق تغییر برآورد شده توسط این مطالعه برای دوره تغییر 2003-2006 و 2006-2008 به ترتیب 21٪ بیشتر و 25٪ کمتر از مناطق تعیین شده توسط داده های آماری بود. همانطور که قبلا ذکر شد، نتیجه مربوط به حداقل واحد منطقه تغییر یافته است که می تواند با داده های MODIS شناسایی شود. این رویکرد می تواند تغییر پیکسل های MODIS را در صورتی که تقریباً بیش از 40 درصد از پیکسل فرعی تغییر کند، تشخیص دهد.

4. نتیجه گیری

در این مطالعه، از تصاویر ماهواره‌ای بلندمدت برای شناسایی الگوی کشت برنج در جزیره جاوه استفاده شد. روش ما از تصاویر سری زمانی MODIS از سال 2001 تا 2007 به منظور آشکار کردن تغییرات زمانی فنولوژی برنج (الگوی پویایی پوشش گیاهی) با اشاره به تغییرات در دسترس بودن منابع آب (منطقه آبی / دیم) استفاده شد. یکی از ویژگی های برنج شالیزاری در اراضی دیم تغییر سالیانه الگوی کشت برنج است، در عین حال در اراضی آبی می توان کشت مضاعف یا سه گانه در دوره ها انجام داد، زیرا اراضی قابلیت کشت برنج را دارند. آب کافی برای رشد محصول را حتی در فصل خشک نگه دارید.
نتایج نشان می‌دهد که برای بیشتر مزارع برنج در جاوه، حتی در جایی که میانگین EVI کرت‌ها سال به سال مشابه به نظر می‌رسد، مناطق تحت تأثیر بارندگی سالانه قرار گرفتند. به عنوان مثال: زمین با کشت مضاعف را می توان به کشت سه گانه تبدیل کرد که در دسترس بودن آب کافی باشد، مانند سال 2005. سپس، در سال 2006، این الگو در طول فصل خشک شدید پاسخ منفی داد، که با نتیجه همبستگی نشان داده می شود. علاوه بر این، میانگین EVI در این زمان نیز وضعیت خشکسالی را نشان می دهد.
در واقع، توصیف پویایی پوشش گیاهی درازمدت مزرعه شالیزاری (فنولوژی پوشش گیاهی) اطلاعاتی در مورد ویژگی‌ها و روند تغییر در این نوع کاربری اراضی ارائه می‌دهد که ناشی از عوامل طبیعی (تنوع آب و هوا) یا فعالیت‌های انسانی (تبدیل زمین) است. در نتیجه، اثربخشی و کارایی برنامه / سیاست توسعه زمین کشاورزی را می توان برای هر منطقه خاص بهبود بخشید.

منابع

  1. سازمان خواربار و کشاورزی ملل متحد. FAOSTAT. در دسترس آنلاین: http://faostat.fao.org (ارزیابی شده در 5 اکتبر 2013).
  2. وزارت کشاورزی ایالات متحده – خدمات کشاورزی خارجی. اندونزی: رکود تولید برنج، نیاز مستمر به واردات را تضمین می کند . خدمات کشاورزی خارجی، وزارت کشاورزی ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2012.
  3. آمار بادان پوسات. آمار اندونزی 2010 ; آمار بادان پوسات: جاکارتا، اندونزی، 2010.
  4. ستیوان، ی. یوشینو، ک. Philpot، WD مشخص کردن پویایی پوشش گیاهی زمانی استفاده از زمین در مقیاس منطقه‌ای جزیره جاوا، اندونزی. J. کاربری زمین علمی. 2013 ، 8 ، 1-30. [ Google Scholar ] [ CrossRef ]
  5. هرولد، ام. Latham، JS; دی گرگوریو، آ. Schmullius، CC استانداردهای در حال تحول در خصوصیات پوشش زمین. J. کاربری زمین علمی. 2006 ، 1 ، 157-168. [ Google Scholar ] [ CrossRef ]
  6. Lunetta، RS; نایت، جی اف. ادیریویکرما، جی. لیون، جی جی. تشخیص تغییر پوشش زمین با ارزش و LD با استفاده از داده‌های چند زمانی MODIS NDVI. سنسور از راه دور محیط. 2006 ، 105 ، 142-154. [ Google Scholar ] [ CrossRef ]
  7. ژانگ، ایکس. فریدل، MA; Schaaf، CB; استراهلر، ق. هاجز، JCF; گائو، اف. رید، ق.م. Huete, A. پایش فنولوژی گیاهی با استفاده از MODIS. سنسور از راه دور محیط. 2003 ، 84 ، 471-475. [ Google Scholar ] [ CrossRef ]
  8. محمود، آر. تأثیر تغییرات دمای هوا بر فنولوژی برنج بورو در بنگلادش: پیامدهایی برای نیازهای آبیاری. کشاورزی برای. هواشناسی 1997 ، 84 ، 233-247. [ Google Scholar ] [ CrossRef ]
  9. ویلسون، DR; Muchow، RC; Murgatroyd، CJ مدل تجزیه و تحلیل محدودیت های دما و تابش خورشیدی برای بهره وری بالقوه ذرت در آب و هوای خنک. Field Crops Res. 1995 ، 43 ، 1-8. [ Google Scholar ] [ CrossRef ]
  10. گالفورد، جی ال. خردل، JF; ملیلو، جی. جندرین، ا. Cerri، CC; Cerri، تحلیل موجک CE سری زمانی MODIS برای تشخیص گسترش و تشدید کشاورزی ردیفی در برزیل. سنسور از راه دور محیط. 2008 ، 112 ، 576-587. [ Google Scholar ] [ CrossRef ]
  11. مارتینز، بی. Gilabert، MA دینامیک گیاهی از تحلیل سری زمانی NDVI با استفاده از تبدیل موجک. سنسور از راه دور محیط. 2009 ، 113 ، 1823-1842. [ Google Scholar ] [ CrossRef ]
  12. اولسون، جی.ام. بری، L. تخریب زمین در جاوه، اندونزی: میزان و تأثیر آن . مکانیسم جهانی با پشتیبانی بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، 2004. [ Google Scholar ]
  13. مرکز بایگانی فعال توزیع شده توسط زمین شناسی زمین شناسی ایالات متحده. استخر داده ها. در دسترس آنلاین: https://lpdaac.usgs.gov/lpdaac/get_data/ data_pool (در 10 اوت 2009 قابل دسترسی است).
  14. مرکز بایگانی فعال توزیع شده توسط زمین شناسی زمین شناسی ایالات متحده. جدول محصول داده های MODIS. در دسترس آنلاین: http://lpdaac.usgs.gov/products/modis_products_table (در 3 دسامبر 2010 قابل دسترسی است).
  15. شاخص های گیاهی 16 روزه L3 جهانی 250 متر. در دسترس آنلاین: https://lpdaac.usgsgov/lpdaac/products/modis_products_table/vegetation_indices/16_day_l3_global250m/mod13q1 (در 29 مه 2010 دسترسی پیدا کرد).
  16. Huete، AR؛ لیو، مقر; باچیلی، ک. ون لیوون، دبلیو. مقایسه شاخص‌های پوشش گیاهی بر روی مجموعه‌ای جهانی از تصاویر TM برای EOS-MODIS. سنسور از راه دور محیط. 1997 ، 59 ، 440-451. [ Google Scholar ] [ CrossRef ]
  17. ساکاموتو، تی. یوکوزاوا، م. توریتانی، ح. شیبایما، م. ایشیتسوکا، ن. Ohno, H. یک روش تشخیص فنولوژی محصول با استفاده از داده های MODIS سری زمانی. سنسور از راه دور محیط. 2005 ، 96 ، 366-374. [ Google Scholar ] [ CrossRef ]
  18. لو، ایکس. لیو، آر. لیو، جی. لیانگ، اس. حذف نویز با روش موجک برای تولید داده های زمانی با کیفیت بالا محصولات MODIS زمینی. فتوگرام مهندس Remote Sens. 2007 ، 73 ، 1129-1139. [ Google Scholar ]
  19. اتکینسون، PM؛ کاتلر، MEJ; لوئیس، H. نقشه برداری از پوشش زمین متناسب با پیکسل های فرعی با تصاویر AVHRR. بین المللی J. Remote Sens. 1997 ، 18 ، 917-935. [ Google Scholar ] [ CrossRef ]
  20. وزارت محیط زیست. Menuju Indonesia Hijau 2008 ; معاونت کنترل آسیب های زیست محیطی و تغییرات آب و هوایی، وزارت محیط زیست: جاکارتا، اندونزی، 2008.
  21. جین، AK; مورتی، MN; Flynn، PJ خوشه بندی داده ها: یک بررسی. کامپیوتر ACM. Surv. 1999 ، 31 ، 264-323. [ Google Scholar ]
  22. پریر، ای. وایلدینگ، L. ارزیابی روشهای محاسباتی برای مطالعات یکنواختی میدانی. Adv. آگرون. 1986 ، 39 ، 265-312. [ Google Scholar ] [ CrossRef ]
  23. کنگالتون، آر. گرین، ک. ارزیابی دقت داده‌های سنجش از راه دور: اصول و روش‌ها . CRC Press: Boca Raton، FL، USA، 1999. [ Google Scholar ]
  24. آمار بادان پوسات. آمار اندونزی 2003 ; Badan Pusat Statistik: جاکارتا، اندونزی، 2003.
  25. آمار بادان پوسات. آمار اندونزی 2006 ; Badan Pusat Statistik: جاکارتا، اندونزی، 2006.
  26. آمار بادان پوسات. آمار اندونزی 2008 ; آمار بادان پوسات: جاکارتا، اندونزی، 2008.
  27. ماتسوموتو، ای. سوویجانتو، اس. یوشیهیرو، ک. Yoshikazu، T. شرایط محیطی سه روستای نماینده در جاوه مرکزی: محیط طبیعی و رفتار اجتماعی-اقتصادی کشاورزان در تایلند و جاوه. مطالعه جنوب آسیا 1974 ، 12 ، 300-307. [ Google Scholar ]

;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