شناسایی محدوده های کشت برنج با استفاده از تصاویر ماهواره ای سنتینل-1 (منطقه مورد مطالعه: استان مازندران)
  •   آرشیو : پاییز 1400
  •   کد پذیرش : 1279
  •   موضوع : مهندسی نقشه برداری
  • نویسنده/گان : محمود شمس رضائی، میثم داودآبادی فراهانی
  •   زبان : فارسی
  •   نوع مقاله : پژوهشی
  •   چکیده مقاله به فارسی : روشی که در این تحقیق بکار گرفته شده است، بر اساس یک مدل تصمیم گیری مبتنی بر ویژگی ها (Feature Base) می باشد. بطوری که بتوان نقشه مناطق کاشت برنج را با استفاده از تصاویر ماهواره ای سری زمانی باند C از تصاویر Sentinel-1 A استخراج و شناسایی کنیم. منطقه مورد مطالعه در این تحقیق محدوده ها و مزارع کشت استان مازندران انتخاب گردیده است. این استان به همراه استان گیلان بیش از 80 درصد برنج کشور را تأمین می کند. در این مطالعه، ابتدا از یک مدل کلی مرتبط با رشد محصول استفاده شده است. این مدل بر اساس یک تابع چند جمله ای مکعبی ساخته شده است که توسط مجموعه عوامل مربوط به سری زمانی (SAR) مرتبط با رشد گیاه که در دوره رشد برای برنج اتفاق می افتد، استخراج شده است.در این مدل، از پنج ویژگی مرتبط با مراحل رشد برنج که از اهمیت زیادی بر خوردار بوده و در شناسایی نوع گیاه اهمیت ویژه دارند، استفاده شده است. این شاخص ها مجموعه ویژگی هایی هستند که در مراحل اولیه رشد یعنی از زمان کاشت تا زمانی که گیاه برنج به حداکثر رشد خود می رسد، استخراج شده اند. شاخص های مربوطه، مجموعه عوملی هستند که در مرحله ابتدایی رشد برنج اتفاق می افتد بنابراین آنالیز سری زمانی در این پژوهش از اهمیت ویژه ای برخوردار بوده وکاملا اطلاعات مربوط به فنولوژی رشد برنج را در نظر گرفته است.
  •   لیست منابع : [1] اسحاقی, روح الله و شیدفر, محمدرضا. 1389. راهنمای برنامه ریزی سفر در استان مازندران، ساری. سازمان ایرانگردی و جهانگردی استان مازندران. 1389, Vol. 2.
    [2] اسماعیل زاده, مجید و امینی, جلال. 1395. كاليبراسيون هندسي تصاوير SAR به منظور حذف خطاهاي ناشي از توپوگرافي سطح زمين. علوم و فنون نقشه برداري. 1395.
    [3] بررسی تغییرات شوری خاک به کمک پردازش رقومی اطلاعات ماهواره لندست در دشت قهاوند (استان همدان). احمدیان, م, پاکپرور, م و عاشورلو, د. 1389. 1389, مجله پژوهش های خاک.
    [4] کاربرد فناوری سنجش از دور ماهواره ای در کشاورزی دقیق. تیموری, حسن و تیموری, حسین. 1395. 1395.
    [5] موسوی, م, امینی, ج و مقصودی, ی. 1394. ارائه فیلتر کاهش نویز اسپکل روی تصاویر رادار با روزنه ترکیبی. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1394.
    [6] Bouvet, A, Le Toan, T and Lam Dao, N. 2009. Monitoring of the rice cropping system in the Mekong Delta using ENVISAT/ASAR dual polarization data. IEEE Trans. Geosci. Remote Sens. 2009.
    [7] Chang, L, et al. 2021. Rice-Field Mapping with Sentinel-1A SAR Time-Series Data. Remote Sensing. 2021.
    [8] Congalton, R.G and Accuracy. 2001. Accuracy assessment and validation of remotely sense and other spatial information.Int. J. Wildland Fire. 2001.
    [9] Cortes, C and Vapnik, V. 1995. Support-vector networks. Mach. Learn. 1995.
    [10] Elert, E. Rice by the numbers. 2014. A good grain. . Nature . 2014, pp. S50–S51.
    [11] Engdahl, M E and Hyyppa, J M. 2003. Land-cover classification using multitemporal ERS- 1/2 InSAR data. Geoscience and Remote Sensing , IEEE Transactions,. 2003.
    [12] Goldblatt, R, You, W and Hanson, G. 2016. Detecting the Boundaries of Urban Areas in India: A Dataset for Pixel-Based Image Classification in Google Earth Engine. 2016, 634.
    [13] Hang, L M and Trung, V V. 2017. Mapping land cover using multi-temporal sentinel-1A data. A case study in Hanoi. 2017.
    [14] Huang, C, Davis, L S and Townshend, J R. 2002. An Assessment of Support Vector Machines for Land Cover Classification.
    [15] International Journal of Remote Sensing,. 2002.
    [16] Idol, T, Haack, B and Mahabir, R. 2015. Comparison and integration of spaceborne optical and radar data for mapping in Sudan. International Journal of Remote Sensing. 2015, Vol. 36.
    [17] Kau, L and Lee, T L. 2013. An HSV model-based approach for the sharpening of color images. In Systems, Man, and Cybernetics (SMC). IEEE International Conference. (pp. 150-155, 2013.
    [18] Kurvonen, L, Pulliainen, J and Hallikainen, M. 2002. Active and passive microwave remote sensing of boreal forests. Acta Astronautica,. 2002, p. 51.
    [19] Lasko, K, Prasad Vadrevu, K and Tuan Tran, V. 2018. Mapping double and single crop paddy rice with Sentinel-1A at varying spatial scales and polarizations in Hanoi, Vietnam. IEEE J. Sel. Top Appl. Earth Obs. Remote Sens. . 2018.
    [20] Le Toan, T, et al. 1997. Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results.
    [21] IEEE Trans. Geosci. Remote Sens. 1997.
    [22] Lim, J, et al. 2017. Contras enhancement of noisy low-light images based on structure-texture-noise decomposition. Journal of Visual Communication and Image Representation. 2017.
    [23] Mohanty, S., et al. 2014. Rice and Climate Change Significance for Food Security and. Manila, Philippines. 2014, p. 49.
    [24] Mucherino, A, Papajorgji, P.J. and Pardalos, P.M. 2009. K-Nearest Neighbor Classification. Springer Optimization and Its Applications (SOIA). 2009, Vol. 34.
    [25] Nguyen, D.B., Gruber, A and Wagner, W. 2016. Mapping rice extent and cropping scheme in the Mekong Delta using Sentinel-1A data. Remote Sens. 2016.
    [26] Niu, X and Ban, Y. 2010. Multitemporal RADARSAT-2 Polarimetric SAR Data for Urban Land Cover Classification Using Support Vector Machine. EARSeL Symposium. 2010.
    [27] Oyoshi, K, Tomiyama, N and Okumura, T. 2015. Mapping rice-planted areas using time-series synthetic aperture radar data for the Asia-RiCE activity. Paddy and Water Environment. 2015.
    [28] Patel, N, Angiuli, E and Gamba, P. 2011. Multitemporal Settlement and Population Mapping from Landsat Using Google Earth Engine. International Journal of Applied Earth Observation and Geoinformation. 2011, 208.
    [29] Phan, H, Le Toan, T and Bouvet, A. 2018. Mapping of rice varieties and sowing date using X-band SAR data. Sensors 2018.
    [30] qUINLAN, J.R. 1995. Induction of decision trees. Mach. Learn. 1995.
    [31] Rice Market Monitor. FAO. 2018. 2018, FAO.
    [32] Santosh, S, Maya, R.G and Bela, A.F. 2007. Bayesian quadratic discriminant analysis. Mach. Learn. 2007.
    [33] Schneider, A and Fricdl, M. 2010. Mapping Global Urban Areas Using MODIS 500-M Data: New Methods and Datasets Based on. Urban Ecoregions. 2010.
    [34] Seto, K, Fragkias, M and Guneralp, V. 2011. A Meta-Analysis of Global Urban Land. 2011.
    [35] Shao, Y, et al. 2001. Rice monitoring and production estimation using multitemporal RADARSAT. Remote Sens. Environ. 2001.
    [36] Shelestov, A, et al. 2017. Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping. Frontiers in Earth Science. 2017.
    [37] Tian, H, et al. 2018. Mapping early, middle and late rice extent using Sentinel-1A and Landsat-8 data in the Poyang Lake Plain. Sensors. 2018.
    [38] Tzotsos, A and Arigialas, D. 2008. “Support Vector Machine Classification for Object-Based Image Analysis. Berlin: Springer. 2008.
    [39] Waske, B and Benediktsson, J A. 2007. Fusion of Support Vector Machines for Classification of Multisensor Data. IEEE Trans. Geosci. Remote Sensing. 2007.
    [40] Xiao, M, He, Z and Jia, Y. 2007. Fusion of multisensor images based on the curvelet transform. in Geo informatics. 2007.
  •   کلمات کلیدی به فارسی : سنجش از دور، تصاویر ماهواره ای، سنتینل-1، برنج، مزارع برنج، استان مازندران، مدل تصمیم گیری.
  •   چکیده مقاله به انگلیسی :
  •   کلمات کلیدی به انگلیسی :
  •  صفحات : 1-14
  •   دانلود فایل ( 764.40 KB )