| تشخیص مزارع چغندرقند با استفاده از روشهای طبقهبندی تصاویر ماهوارهای متکی بر الگوریتمهای هوش مصنوعی |
| کد مقاله : 1243-SCWMSUP (R1) |
| نویسندگان |
|
علی اکبر نوروزی *1، حسین فرازمند2، آرمان فکری3، لیلا صدوقی4 1رئیس مرکز فناوری اطلاعات و اطلاع رسانی کشاورزی سازمان تات 2سازمان تات 3ندارد 4دانشجو |
| چکیده مقاله |
| این پژوهش با هدف بررسی توان دادههای سنجشازدور و روشهای یادگیری ماشین در تفکیک چغندرقند در استان خراسان رضوی انجام شد. چغندرقند بهعنوان یکی از محصولات مهم و استراتژیک کشاورزی، نیازمند پایش دقیق و بهروز در مقیاس مکانی و زمانی است، از اینرو بهکارگیری فناوریهای نوین از جمله سنجش از دور میتواند در استخراج اطلاعات زراعی و پشتیبانی از تصمیمگیریهای مدیریتی مؤثر باشد. در این مطالعه از تصاویر ماهوارهای چندزمانه و چندطیفی، بهویژه سنتیل2، و همچنین شاخصهای طیفی مانند شاخص تفاضل نرمال شده پوشش گیاهی (NDVI ) برای شناسایی الگوهای رشد و تمایز کلاسهای زراعی استفاده شد. و به منظور پردازش و تحلیل داده ها از بستر سامانه اطلاعات جغرافیایی و Google Earth Engine برای استخراج اطلاعات مکانی و زمانی استفاده شد تا سرعت و دقت پردازش افزایش یابد. سپس مدل طبقهبندی ماشین بردار پشتیبان (SVM) برای تفکیک کلاسهای موردنظر بهکار گرفته شد و دقت نتایج با معیارهای ارزیابی مناسب سنجیده شد. ارزیابی نتایج نشان داد که این رویکرد قادر است تفکیک مناسبی از اراضی چغندرقند ارائه دهد و در شرایطی که کلاسهای زراعی از نظر طیفی شباهت دارند، عملکرد مطلوبی داشته باشد. نتایج نشان داد که الگوریتم SVM توانست مزارع چغندرقند را با دقت کلی 75 درصد و ضریب کاپای 72/0 تفکیک کند که بیانگر عملکرد مناسب این مدل در شناسایی این محصول است. بر این اساس، ترکیب سنجشازدور و الگوریتمهای یادگیری ماشین میتواند رویکردی کارآمد برای پایش اراضی کشاورزی، برآورد سطح زیر کشت و برنامهریزی در بخش کشاورزی باشد. |
| کلیدواژه ها |
| طبقهبندی، خراسان رضوی، تصاویر ماهوارهای، چغندرقند |
| وضعیت: پذیرفته شده |