خلاصه

نقشه‌های دقیق نوع محصول به‌عنوان داده‌های ورودی برای کاربردهای مختلف، به برنامه‌ریزی بهتر و استفاده پایدارتر از منابع منجر می‌شود، به فوریت مورد نیاز است. سنجش از دور ماهواره ای ابزار بهینه برای ارائه چنین داده هایی است. تصاویر حاصل از سنسورهای ماهواره ای رادار دیافراگم مصنوعی (SAR) ترجیحاً استفاده می شوند زیرا بدون توجه به پوشش ابری در هنگام گرفتن تصویر کار می کنند. با این حال، پردازش SAR پیچیده تر است و حسگرها دارای پتانسیل توسعه هستند. در مواجهه با چنین پیچیدگی، مطالعات کنونی باید تکرارپذیر، باز و بر اساس نرم‌افزار آزاد و منبع باز (FOSS) باشند. بنابراین، داده ها می توانند برای توسعه و اعتبارسنجی الگوریتم های جدید یا بهبود الگوریتم هایی که در حال حاضر استفاده می شوند، استفاده مجدد شوند. این مقاله یک مطالعه موردی از طبقه بندی محصولات از سنجش از راه دور مایکروویو، با تکیه بر داده های باز و نرم افزار باز ارائه می دهد. ما از 70 تصویر سنجش از دور مایکروویو چند زمانی از ماهواره Sentinel-1 استفاده کردیم. یک مدل ارتفاعی دیجیتال با وضوح بالا و با دقت بالا (DEM) به پیش پردازش کمک کرد. رویکرد چند داده ای (MDA) به عنوان چارچوبی برای نشان دادن مزایای گنجاندن داده های کاداستر خارجی استفاده شد. برای شناسایی منطقه کشاورزی قبل از طبقه‌بندی و ایجاد نقشه‌های کاربری/پوشش زمین (LULC) که شامل انواع محصول سالانه در حال تغییر است که معمولاً در داده‌های جغرافیایی رسمی وجود ندارد، استفاده شد. تمامی نرم افزارهای مورد استفاده در این مطالعه منبع باز هستند، مانند Sentinel Application Toolbox (SNAP)، Orfeo Toolbox، R و QGIS. داده های جغرافیایی تولید شده، تمام داده های ورودی و چندین داده میانی به طور آشکار در یک پایگاه داده تحقیقاتی به اشتراک گذاشته می شوند. اعتبارسنجی با استفاده از یک مجموعه داده اعتبارسنجی مستقل، دقت کلی بالای 96 را نشان داد.

کلید واژه ها:

سنجش از دور ؛ کاربری اراضی پوشش زمین ; اطلاعات جانبی ؛ الگوریتم های یادگیری ماشینی

1. معرفی

ناامنی غذایی جهانی دوباره در حال افزایش است [ 1 ]. چالش‌های فعلی و آینده از جمعیت رو به رشد جهان با افزایش تقاضای تغذیه تحت شرایط تغییرات آب و هوایی [ 2 ] پدید می‌آیند. بنابراین، ر. [ 3 ] بازده محصول بالاتری را از تولیدات کشاورزی می طلبند. برای دستیابی به این افزایش کارایی، تصمیم گیرندگان در این حوزه می توانند از اطلاعات سیستم های نظارت کشاورزی بر اساس داده های سنجش از دور ماهواره ای استفاده کنند [ 4 ].
با این حال، ر. [ 5 ] نقشه‌های نوع محصول را به عنوان یکی از بخش‌های گمشده و در عین حال ضروری سیستم‌های جهانی فعلی شناسایی کرد. علاوه بر این، داده‌های نوع محصول فضایی برای مدل‌سازی شار ماده در سیستم‌های خاک-پوشش-جو حیاتی هستند [ 6 ]. در حالی که در مقیاس محلی، اطلاعات نوع محصول برای تصمیمات مدیریت کشاورزی مورد نیاز و در دسترس است (به عنوان مثال، [ 7 ])، در مقیاس های منطقه ای، ملی یا قاره ای، چنین داده هایی از نوع محصول وجود ندارد [ 8 ]، به ویژه در سالانه اساس این شکاف داده‌ها قابلیت‌های مدل‌های اکوسیستم کشاورزی [ 9 ] را کاهش می‌دهد و منجر به اطلاعات کمتری درباره وضعیت فعلی تولید کشاورزی برای تصمیم‌گیران می‌شود.
مرزبندی نوع محصول نوع خاصی از طبقه بندی کاربری / پوشش زمین (LULC) است. LULC را می توان به طور موثر توسط سنجش از دور ماهواره ای استخراج کرد [ 10 ، 11 ، 12 ]، که نظارت مستمر از سطح زمین را در مناطق گسترده با هزینه نسبتاً کم فراهم می کند. جداسازی انواع برش با تصاویر سنجش از راه دور با استفاده از بازتاب خاص برش در تصاویر چند زمانی به دست می آید. با در نظر گرفتن فنولوژی گیاهان تحت بررسی، چارچوب های زمانی را می توان شناسایی کرد که در آن هر نوع محصول به راحتی از سایرین قابل تشخیص است. موضوع با استفاده از حسگرهای مختلف [ 13 ] و الگوریتم‌ها [ 14 ، 15 ] تحقیق می‌شود.]. یک رویکرد اخیر از اطلاعات خارجی در مورد توسعه محصول در طول سال برای طبقه بندی محصولات بدون نیاز به نقشه برداری از محصولات سالانه در حال تغییر استفاده می کند [ 16 ]. با این حال، روش‌های نظارت شده، با تکیه بر بررسی‌های زمینی، معمولاً به دقت بالاتری دست می‌یابند، و بنابراین توسط اکثر مطالعات [ 4 ، 17 ، 18 ] انتخاب می‌شوند.
با این حال، روش‌های نوری برای به دست آوردن داده‌های یک مرحله فنولوژیکی متمایز غیرقابل اعتماد هستند، زیرا ابرها در طول گرفتن تصویر مانع تمایز موفق محصول می‌شوند [ 14 ، 19 ]. گاهی اوقات اندازه گیری چند زمانی اجباری غیرممکن است و در نتیجه دقت نقشه کاهش می یابد. برای شرایط ابری، سیستم‌های رادار دیافراگم مصنوعی (SAR) راه‌حلی هستند زیرا رویکردهای طبقه‌بندی محصولات را در مناطق ابری قابل اعتمادتر می‌کنند [ 17 ، 18 ، 20 ، 21 ، 22 ، 23 ]. برای AOI ما، اگرچه چندین سیستم تصویربرداری ماهواره‌ای نوری را ترکیب می‌کند، رجوع کنید. [ 14] گزارش داد که هیچ تصویر سنجش از راه دور بدون ابر برای یک دوره هفت ساله در دسترس نبود. جای تعجب نیست که Sentinel-2 نوری هیچ تصویری بدون ابر از منطقه مورد نظر ما (AOI) در طول دوره مشاهده (ژانویه تا سپتامبر 2017) این مطالعه جمع آوری نکرد. این دوره بحرانی ترین مراحل فنولوژیک را در بین تمام فرهنگ های مورد نظر در بر می گیرد.
جالب اینجاست که ر. [ 24 ] بیان کرد که کاربردهای عملیاتی مایکروویو محدود است و دلیل آن پیچیدگی سیگنال رادار و قابلیت‌های محدود حسگر رادار است. علاوه بر این، مطالعات در مورد موضوع طبقه بندی نوع محصول از SAR قابل تکرار نیستند زیرا محدودیت های داده منجر به در دسترس نبودن داده های ورودی می شود. علاوه بر این، ر. [ 5 ] نتیجه گرفت که فقدان چنین داده هایی برای اهداف کالیبراسیون، محدودیت اولیه برای عملیاتی کردن سیستم های نظارت کشاورزی است. در یک زمینه کلی تر، شفافیت و باز بودن توسط تبلیغات شفافیت و باز بودن (TOP) خواسته شده است [ 25 ، 26 ].
چالش های بیشتر در تجزیه و تحلیل LULC ناشی از استفاده از نرم افزار اختصاصی است که گران است و کد منبع توسط دیگران قابل بررسی یا بهبود نیست. نرم افزار رایگان و منبع باز (FOSS) متفاوت عمل می کند: کد به صورت آنلاین در دسترس است و هیچ هزینه ای در هنگام استفاده، تغییر، یا توزیع مجدد نرم افزار متحمل نمی شود [ 27 ]. در یک حوزه متفاوت، رجوع کنید. [ 28 ] قبلا نشان داده اند که چگونه استفاده از FOSS به دستیابی به تکرارپذیری مطالعات سنجش از دور کمک می کند.
علاوه بر این، تجزیه و تحلیل داده‌های سنجش از دور، از جمله داده‌های جغرافیایی رسمی برای ایجاد نقشه‌های LULC سودمند بوده است. رویکرد چند داده ای (MDA) [ 29 ] به عنوان چارچوبی برای ترکیب تصاویر ماهواره ای چند زمانی و داده های جغرافیایی رسمی برای نقشه برداری LULC پیشنهاد شده است. این مفهوم برای طبقه بندی های نوع محصول با استفاده از تصاویر نوری [ 14 ] و تصاویر ماهواره ای مایکروویو [ 21 ] پذیرفته شده است. چنین داده‌های جغرافیایی رسمی، به عنوان مثال، توپوگرافی اخیراً به عنوان داده‌های باز به‌دست‌آمده توسط مرجع نقشه‌برداری و نقشه‌برداری ایالت نوردراین-وستفالن آلمان (NRW)، که شامل AOI ما است، منتشر شده است. در میان دیگر مجموعه‌های داده، برنامه open.NRW ثبت کامل املاک و مستغلات را با هندسه هر دارایی [ 30 ] ارائه می‌کند.]. یک مدل ارتفاع دیجیتال بسیار دقیق (DEM) نیز ارائه شده است. هر دو مجموعه داده open.NRW برای ادغام در جریان کار طبقه بندی نوع محصول از سنجش از دور ماهواره ای رادار ایده آل هستند.
در دسترس بودن تصاویر ماهواره‌ای مایکروویو باز، FOSS برای تجزیه و تحلیل LULC، و داده‌های جغرافیایی باز از منابع رسمی برای MDA فرصت‌های تحقیقاتی جدیدی ایجاد می‌کند. بنابراین، هدف کلی این مطالعه توسعه و اجرای یک گردش کار تحلیل سنجش از دور باز با داده های باز و FOSS برای نقشه برداری از نوع محصول در سطح مزرعه برای مقیاس های ملی بود. به عنوان اولین گام، ما بر روی منطقه ای در غرب آلمان، حوضه آبریز Rur تمرکز کردیم تا چنین گردش کار تجزیه و تحلیل داده های باز را توسعه، اجرا و تأیید کنیم. حوضه Rur منطقه مورد مطالعه CRC/TR32 با بودجه DFG است “الگوها در سیستم های خاک-گیاهی-اتمسفر: نظارت، مدل سازی، و جذب داده ها” (TR32) ( شکل 1)). در فعالیت‌های تحقیقاتی TR32، داده‌های LULC چند ساله شامل انواع محصول تولید شد ( شکل 1 ) و از سال 2008 از طریق پایگاه داده پروژه TR32 (TR32DB) در دسترس است [ 31 ].
مطالعه حاضر از داده‌های سنجش از دور باز از ماهواره SAR Sentinel-1 و داده‌های خارجی از open.NRW برای انجام یک طبقه‌بندی نوع محصول LULC استفاده کرد. ما کل گردش کار را با استفاده از FOSS طراحی کردیم تا خواسته های TOP را دنبال کنیم. مدل‌های داده استفاده‌شده، همه ورودی‌ها و داده‌های خروجی، از جمله مجموعه داده‌های مرجع برچسب‌گذاری شده از کمپین نقشه‌برداری ما، آشکارا در یک مخزن داده‌های علمی، TR32DB به اشتراک گذاشته می‌شوند. این ترکیب به دیگران امکان دسترسی، استفاده، تغییر، ارزیابی، بازتولید و حتی اصلاح یا بهبود نتایج مطالعه حاضر را می دهد.

2. سایت مطالعه و داده ها

2.1. حوضه آبریز روور

این مطالعه در پروژه تحقیقاتی مشارکتی TR32 انجام شد. این پروژه دارای یک منطقه مطالعاتی تعریف شده است که در مرزهای آلمان با بلژیک و هلند واقع شده است ( شکل 1 را مقایسه کنید ). برای مطالعه حاضر، تنها قسمت هایی که در داخل مرزهای آلمان قرار دارند در نظر گرفته شد. وسعت این منطقه حدود 2500 کیلومتر مربع است . این منطقه با خاک های لسی حاصلخیز و آب و هوای مرطوب و معتدل مشخص می شود. به شدت برای تولیدات کشاورزی استفاده می شود. مرجع. [ 14 ] منطقه مورد مطالعه را به تفصیل توصیف می کند.

2.2. Sentinel-1 داده های SAR را باز کنید

اثرات مثبت داده های باز توسط جامعه سنجش از دور دیده شده است، زیرا باز کردن آرشیو نوری Landsat در سال 2008 توسط سازمان زمین شناسی ایالات متحده (USGS) Landsat [ 32 ] تاثیر مثبتی بر نحوه استفاده از تصاویر ماهواره ای برای تحقیقات علمی داشت. اهداف [ 33 ]. در نتیجه، بیانیه برجسته [ 34 ] این بود که “مشاهدات زمین را به دسترسی آزاد تبدیل کنید.” آژانس فضایی اروپا (ESA) با توزیع تمام مشاهدات ماهواره‌ای برنامه ماهواره‌ای کنونی Copernicus Sentinel خود به عنوان داده‌های باز [ 35 ]، از مثال USGS پیروی کرد. از این رو، ماهواره راداری Sentinel-1 که در پژوهش حاضر مورد استفاده قرار گرفت، اولین ماهواره راداری عملیاتی با سیاست داده باز است.
دو ماهواره Sentinel-1 SAR در یک صورت فلکی کار می کنند تا یک چرخه تکرار شش روزه را برای ویژگی های تصویربرداری یکسان ارائه کنند. زمان بازبینی ویژگی‌های مختلف تصویر کوتاه‌تر است و بسته به موقعیت جغرافیایی متفاوت است. بر روی زمین، ماهواره ها به طور پیوسته با وضوح فضایی 5 متر × 20 متر نظارت می کنند [ 36 ].
برای این مطالعه، ما 70 تصویر Sentinel-1 را برای دوره رشد سال 2017، بین ژانویه و آگوست به دست آوردیم. همانطور که در جدول 1 مشاهده می شود ، تصاویر دو سری زمانی از مدارهای نسبی 88 و 37 هستند. فقط تصاویری که کل AOI را در حدود 2500 کیلومتر مربع پوشش می دهند در نظر گرفته شده اند. جدول 2 تاریخ های کسب فردی را نشان می دهد. قابل ذکر است، دو مدار نسبی انتخاب شده از دو ماهواره حداقل یک تصویر در هفته را ارائه می دهند. حتی تصاویر بیشتری نیز در دسترس خواهند بود که فقط تا حدی AOI را پوشش می دهند.
تصاویر Sentinel-1 SAR از Scihub آژانس فضایی اروپا به شکل شناسایی شده با محدوده زمینی پیش فرض (GRD) دانلود شد. مزایای این پیش پردازش سمت سرور، حجم دانلود کوچکتر و لکه های کمتر است. معایب کاهش وضوح فضایی و از دست دادن اطلاعات فاز است که برای تداخل سنجی و پلاریمتری SAR استفاده می شود [ 36 ]. از آنجایی که تصاویر Sentinel-1 با دقت هندسی بالا [ 37 ] ارائه می‌شوند، یک طبقه‌بندی تصویر چندزمانی بدون ثبت مشترک بیشتر امکان‌پذیر است. تمام صحنه های استفاده شده Sentinel-1 را می توان از TR32DB [ 38 ، 39 ، 40 ، 41 ] دانلود کرد.

2.3. نقشه توزیع محصولات زراعی 2017

بیش از 1200 مزرعه کشاورزی در یک کمپین بررسی زمینی بازدید و نقشه برداری شد [ 42 ]. پس از انتقال نتایج نقشه برداری به سیستم اطلاعات جغرافیایی (GIS)، با استفاده از مجموعه داده های سنجش از دور Sentinel-1 که در بالا توضیح داده شد، مناطق از نظر قابل قبول بودن بررسی شدند. برای حذف لبه های میدان از تجزیه و تحلیل، یک بافر داخلی 20 متری برای همه میدان های نقشه برداری شده اعمال شد. علاوه بر این، فقط از فیلدهای درون AOI استفاده شد. اطلاعات تفصیلی در مورد آمار مساحت 775 فیلد نهایی که برای مطالعه حاضر استفاده شد در جدول 3 آمده است.. علاوه بر محصولات معمولی منطقه مانند ذرت، چغندرقند، کلزا، سیب زمینی، گندم و مرتع، 19 مزرعه نخود و هشت مزرعه هویج یافتیم. در نتیجه، ما علاوه بر این، آن محصولات را در طرح طبقه بندی خود قرار دادیم.
داده های زمینی به زمینه های آموزشی و اعتبار سنجی مستقل تقسیم شدند. برای تقسیم مساوی پیکسل ها و همچنین تعداد فیلدها به آموزش و اعتبارسنجی، ابتدا فیلدها بر اساس نوع برش و اندازه فیلد مرتب شدند. سپس آنها به طور متناوب به اعتبارسنجی یا آموزش اختصاص داده شدند، که از بلندترین میدان شروع می شد تا اعتبارسنجی. همانطور که در جدول 3 مشاهده می شود ، این روش منجر به ترکیبی همگن از آموزش و اعتبار سنجی می شود که فقط آمار ناحیه کمی بالاتر برای اعتبار سنجی است. تمام داده‌های کمپین زمینی [ 42 ] و مجموعه داده‌های آموزشی و اعتبارسنجی مستقل از پیش پردازش شده [ 43 ] تحت یک سیاست داده باز از طریق TR32DB توزیع می‌شوند.

2.4. داده های رسمی معتبر از Open.NRW

برای پیش پردازش داده های سنجش از دور، و به طور خاص داده های SAR، استفاده از یک مدل ارتفاعی دیجیتال (DEM) توصیه می شود [ 12 ]. در این مطالعه، ما از داده‌های ارتفاعی با وضوح بالا، با دقت بالا و در دسترس از open.NRW استفاده کردیم. DEM از داده های LIDAR با چگالی نقطه حداقل 4 نقطه در متر مربع تولید می شود و هر شش سال یکبار به روز می شود. وضوح فضایی نهایی 1 متر دارای خطای ارتفاع مطلق کمتر از 40 سانتی متر در بیشتر مناطق است [ 44 ]. جدیدترین نسخه DEM را می توان به صورت آنلاین یافت [ 44 ]، و یک نسخه از پیش پردازش شده از طریق AOI DEM را می توان از طریق TR32DB [ 45 ] به دست آورد.]. به دلایل سازگاری با نرم افزار پردازش رادار Sentinel Application Platform (SNAP) DEM به WGS84 پیش بینی شد و وضوح فضایی به 5 متر کاهش یافت [ 46 ].
برای ترسیم زمین های قابل کشت، ما از سیستم ثبت املاک Amtliches Liegenschaftskataster-Informationssystem (ALKIS) بهره برداری کردیم که به صورت رایگان برای ایالت Northrhinewestfalia (NRW) از Open.NRW [ 47 ] در دسترس است. ALKIS، علاوه بر اطلاعات دیگر، شامل استفاده از هر یک از 9 میلیون قطعه ملک در NRW است. برای شناسایی منطقه تغییر سالانه محصولات زراعی، قطعات کشاورزی با ویژگی “زمین زراعی” انتخاب شدند. بر اساس انتخاب، یک ماسک محصول/غیر زراعی محاسبه شد [ 48 ].

3. روش ها

3.1. پیش پردازش داده های رادار Sentinel-1 با استفاده از جعبه ابزار SNAP

تصاویر GRD پیش پردازش شده به صورت جداگانه با استفاده از جعبه ابزار SNAP [ 49 ] پردازش شدند. ابزارهای زیر در هر اکتساب اجرا شد:
  • به عنوان اولین گام، زیر مجموعه ای از تصاویر با برش تصاویر به میزان AOI محاسبه شد.
  • برای افزایش دقت هندسی، فایل‌های مدار دقیق به‌طور خودکار از سرور ESA دانلود و روی تصاویر اعمال شدند. فایل‌های مدار دقیق ظرف دو هفته پس از گرفتن تصویر محاسبه می‌شوند و دقت هندسی تصاویر Sentinel-1 را به طور قابل‌توجهی افزایش می‌دهند.
  • سپس، تصاویر به beta0 کالیبره شدند، که روشنایی رادار اندازه‌گیری شده [ 50 ] و پیش‌نیاز مرحله بعدی است.
  • DEM بسیار دقیق از Open.NRW برای انجام یک تصحیح رادیومتری زمین به gamma0 استفاده شد. بنابراین، بر اساس DEM، اثرات رادیومتری ناشی از زمین حذف می‌شوند و سیگنال برای منطقه روشن محلی نرمال می‌شود [ 50 ].
  • همه تصاویر SAR یک نویز شبیه نمک و فلفل را به ارث می برند [ 51 ]. برای کاهش آن از یک فیلتر لکه‌ای نقشه گاما با یک پنجره متحرک 3×3 استفاده شد.
  • برای نمایش تصاویر از محدوده شیب به محدوده زمین، یک اصلاح محدوده داپلر زمین با استفاده از DEM از Open.NRW انجام شد. [ 51 ]. قابل ذکر است، دقت بالاتر DEM به دقت افقی بالاتر تصویر پیش بینی شده ترجمه می شود. نمونه برداری مجدد از DEM پیش پردازش شده به سیستم تصویر با استفاده از درون یابی Bicubic انجام شد. محاسبه پیکسل های تصویر جدید در شبکه نهایی با استفاده از نمونه گیری مجدد نزدیکترین همسایه برای جلوگیری از اختلاط غیر ضروری با پیکسل های همسایه انجام شد. فاصله پیکسل نهایی روی 10 متر تنظیم شد و سیستم مرجع UTM 32 N با WGS 84 به عنوان بیضی مرجع است.
  • برای مدیریت بهتر داده ها، تبدیل مقادیر شطرنجی از خطی به مقیاس دسی بل (dB) ضریب پراکندگی برگشتی اعمال شد.
  • برای کاهش میزان فضای دیسک مورد استفاده برای تصاویر و تسریع طبقه‌بندی، عمق پیکسل به عدد صحیح بدون علامت با مقیاس خطی با استفاده از شیب و قطع هیستوگرام کاهش یافت.
نمودار برای اعمال آن مراحل در نرم افزار SNAP [ 52 ]، و ترکیب تصویر انباشته نهایی [ 53 ] را می توان از طریق TR32DB دانلود کرد.

3.2. طبقه بندی تصادفی جنگل نظارت شده

70 تصویر منفرد Sentinel-1 روی هم چیده شدند و یک طبقه بندی مبتنی بر پیکسل نظارت شده با استفاده از داده های آموزشی مستقل از کمپین نقشه برداری انجام شد. الگوریتم جنگل تصادفی (RF) به عنوان طبقه‌بندی کننده استفاده شد، زیرا قبلاً در دیگر سناریوهای طبقه‌بندی محصولات مبتنی بر SAR سودمند بوده است [ 15 ، 20 ، 21 ]. مزایای طبقه بندی کننده RF توانایی آن برای مدیریت داده های با ابعاد بالا و توانایی کار بدون داده های توزیع شده معمولی است. در حالی که الگوریتم های پیشرفته تری وجود دارد، مانند الگوریتم توسعه یافته توسط [ 22 ]، مطالعات قبلی طبقه بندی کننده RF را بسیار دقیق نشان داده است [ 54 ].
در اجرای طبقه‌بندی‌کننده RF، 2000 نمونه پیکسل به‌صورت تصادفی در هر کلاس از تمامی رشته‌های آموزشی انتخاب شد. سپس، آن نمونه‌ها به‌طور تصادفی برای آموزش و اعتبارسنجی هر درخت تقسیم شدند. دو سوم نمونه ها برای آموزش و یک سوم برای اعتبارسنجی استفاده شدند. پارامترهای تنظیم طبقه‌بندی‌کننده RF بدون تغییر به پیش‌فرض‌های بسته R باقی مانده است. این بدان معنی است که 500 درخت با اندازه گره نامحدود ساخته شده است، و متغیرهای امتحان شده در هر تقسیم به تعداد کلاس ها (یازده) تنظیم می شوند.
اعتبارسنجی طبقه‌بندی‌های به‌دست‌آمده با استفاده از فیلدهایی از کمپین نقشه‌برداری که برای آموزش طبقه‌بندی‌کننده استفاده نشده بودند، انجام شد. ماتریس خطای حاصل مبنایی برای معیارهای دقت خاص کلاس، دقت کاربر، دقت تولیدکننده [ 55 ] و امتیاز F1 [ 22 ] است. برای ارزیابی صحت کلی طبقه بندی، دقت کلی [ 55 ] محاسبه شد.

3.3. کاداستر املاک و فیلترهای پس از طبقه بندی

همانطور که در شکل 2 مشاهده می شود ، داده های خام ALKIS کاداستر دانلود شده از Open.NRW، با استفاده از نرم افزار NorGIS به پایگاه داده PostGIS وارد شدند. بنابراین، تمام داده‌های جغرافیایی موضوعی مختلف موجود در کاداستر در QGIS موجود است. منتخبی از تمام پاکت‌های کشاورزی دارای کاربرد کشاورزی در داده‌های کاداستر ALKIS، دستیابی به ماسک زراعی/غیر زراعی را ممکن کرد.
تنها پس از آن مرحله است که فیلتر پس از طبقه بندی معقول است. در غیر این صورت، پیکسل‌های غیر برش در فرآیند فیلتر در نظر گرفته می‌شوند و احتمالاً کیفیت طبقه‌بندی را کاهش می‌دهند. ما از یک فیلتر اکثریت با همسایگی دایره‌ای (فون نیومن) استفاده کردیم و پیکسل مرکزی را روی مقدار اکثریت مقادیر پیکسل در همسایگی تنظیم کردیم [ 56 ]. فیلتر دو بار انجام شد: اولی با شعاع همسایگی سه پیکسل، دومی با دو پیکسل.

3.4. نرم افزار منبع باز مورد استفاده در این مطالعه

یکی از اصول تحقیق حاضر تکیه صرف بر نرم افزار متن باز بود. پیش پردازش تصاویر رادار با استفاده از (SNAP) [ 49 ] انجام شد، که توسط ESA توسعه یافته و بنابراین، به ویژه برای پردازش حسگرهای ESA، مانند Sentinel-1 مورد استفاده در این مطالعه، مناسب است. طبقه‌بندی جنگل تصادفی چندزمانی واقعی در R [ 57 ] (نسخه 3.4.3) با استفاده از یک R-اسکریپت آزاد در دسترس [ 57 ] از [ 58 ] که از بسته‌های R زیر استفاده می‌کند انجام شد: جنگل تصادفی [ 59 ]، کتابخانه انتزاع داده‌های جغرافیایی (GDAL) [ 60 ]، Raster [ 61 ]، Maptools [ 62 ]، و SP [ 63]. برای پردازش پسا از جمله تولید ماتریس خطا و فیلتر طبقه‌بندی پس از آن، از جعبه ابزار Orfeo [ 64 ] استفاده کردیم که تعدادی ابزار پیشرفته سنجش از راه دور را ارائه می‌کند و یک جامعه فعال دارد. تهیه نقشه، ادغام ALKIS، برش داده های شطرنجی، و پیش پردازش نقشه های توزیع محصول در QGIS [ 65 ]، یکی از پیشروهای GIS منبع باز انجام شد. داده های ALKIS با استفاده از نرم افزار رایگان ALKISimport [ 68 ] به پایگاه داده جغرافیایی PostGIS [ 66 ]، که بر اساس PostgreSQL [ 67 ] است، وارد شد. پیش پردازش DEM با GDAL [ 69 ] به دست آمد.

4. نتایج

با استفاده از روش پیشنهادی، امکان طبقه‌بندی ۱۱ محصول مختلف با دقت حدود ۹۵ درصد فراهم شد. نقشه نهایی طبقه بندی محصولات در شکل 3 ارائه شده است . کل 2500 کیلومتر مربع AOI را با وضوح فضایی 10 متر پوشش می دهد. برای دانلود در TR32DB [ 70 ] موجود است.
همانطور که در جدول 4 و جدول 5 مشاهده می شود ، دقت همه طبقات محصول در محدوده دقت قابل قبولی بود، زیرا تمام معیارهای دقت کاربر و تولیدکننده فراتر از 80٪ بود، به استثنای یک استثنا: -72٪ دقت تولید کننده کلاس سیب زمینی، که با چغندر قند مخلوط شده بود.
ادغام داده‌های خارجی ALKIS امکان تمرکز روی مناطق کشت را فراهم کرد، زیرا تمام مناطق غیر زراعی پوشانده شدند. بنابراین، اعمال فیلتر اکثریت دو برابر امکان پذیر شد که منجر به افزایش دقت 1.7٪ شد (دقت کلی: 96.69٪). نقشه طبقه بندی نهایی در شکل 3 نشان داده شده است. اگرچه 1.7٪ ممکن است چشمگیر به نظر نرسد، اما مزایای این روش فراتر از تعداد خالص است. مهم‌تر از همه، مقادیر پیکسل‌هایی که به‌عنوان یک نوع محصول طبقه‌بندی شده‌اند و در کلاس ویژگی «زمین کشاورزی» ALKIS نیستند، حذف می‌شوند و کلاس کاربری صحیح ALKIS اختصاص داده می‌شود. در نتیجه، هیچ کاربری اراضی کشاورزی در نقشه نهایی LULC وجود ندارد. با این حال، اگر نقشه ای شامل ویژگی های ALKIS همراه با نوع محصول مورد نیاز باشد، ایجاد نقشه های LULC پیشرفته، همانطور که در شکل 4 نشان داده شده است، امکان پذیر است.
برای پیروی از اصول TOP، گردش کار مطالعه حاضر با FOSS شکل 2 طراحی و اجرا شد. تمام مراحل لازم برای انجام طبقه بندی نهایی محصولات را می توان با موفقیت در محیط های نرم افزاری زیر انجام داد:
  • تصاویر Sentinel-1 در SNAP پیش پردازش شده بودند [ 49 ].
  • انتقال ALKIS به پایگاه داده PostGIS با ALKISimport [ 68 ] انجام شد.
  • پردازش DEM از open.NRW در GDAL [ 69 ] انجام شد.
  • انجام طبقه بندی جنگل تصادفی در R [ 57 ] اجرا شد.
  • فیلتر کردن پس از طبقه بندی و ارزیابی طبقه بندی با جعبه ابزار Orfeo [ 64 ] به دست آمد.
  • ایجاد نقشه های نهایی طبقه بندی، همانطور که در شکل 3 و شکل 4 نشان داده شده است با QGIS [ 65 ] انجام شد.

5. بحث

این مقاله یک گردش کار سنجش از دور منبع باز و داده باز را برای استخراج نوع محصول برای منطقه ای در غرب آلمان، منطقه حوضه آبریز Rur ارائه می کند. قابلیت استفاده از حسگر SAR Sentinel-1 در تمام شرایط آب و هوایی، نتایج را مستقل از پوشش ابری می کند که برای منطقه مورد مطالعه معمول است [ 14 ]. داده های خارجی در قالب مدل ارتفاع و داده های کاداستر [ 30 ] به فرآیند طبقه بندی کمک کردند. طبقه بندی نهایی 11 محصول مختلف دقت بالایی در حدود. 97% دقت کلی در وضوح فضایی 10 متر.
مقایسه با تجزیه و تحلیل LULC بر اساس داده های نوری، نشان داده شده در شکل 1 ، تنها 56% توافق دو طبقه بندی را در منطقه کشاورزی نشان داد. از آنجایی که این مجموعه داده برای دانلود پروژه به صورت داخلی در دسترس است [ 71 ]، تفاوت ها را می توان بیشتر تحلیل کرد:
  • 11 درصد از تفاوت ها ناشی از تفکیک ناقص به سطح محصول در طبقه بندی نوری است. صرفاً طبقات برتر مانند مزرعه کشاورزی یا صیفی جات در طبقه بندی نوری آورده شده است.
  • 10% دیگر از طبقه چاودار است که در طبقه بندی گندم زمستانه در طبقه بندی نوری حل شده و در طبقه بندی این مطالعه به درستی متمایز شده است.
  • حدود 9٪ تفاوت به دلیل جاده ها و مسیرهایی است که در طبقه بندی MDA نوری مدل شده اند [ 14 ]. قابل بحث است که آیا آن منطقه معرف رشته های منطقه مورد مطالعه است یا خیر.
علاوه بر آن کاستی‌های طبقه‌بندی نوری، ماتریس خطا، نشان‌داده‌شده در جدول 6 ، سردرگمی بیشتری را نسبت به آنچه در مطالعه فعلی نشان داده شده در جدول 4 نشان می‌دهد . در نتیجه، دقت کلی حدود 5٪ کمتر از مطالعه حاضر است، اگرچه کلاس های کمتری در نظر گرفته شد. در نهایت، قدرت تفکیک مکانی از 15 متر به 10 متر افزایش یافته و جزئیات بیشتری از توزیع محصول ارائه می دهد. به طور خلاصه، برتری طبقه بندی مطالعه حاضر تقریباً در همه جنبه ها قابل استنباط است.
مقایسه دیگری با نتایج یک مطالعه اخیر توسط [ 22 ] انجام شد. او همچنین از تصاویر چند زمانی Sentinel-1 برای تشخیص انواع محصولات مشابه در منطقه مورد مطالعه دیگری که در آلمان واقع شده است، استفاده کرد. به طور کلی، نتایج این مطالعه با مطالعه [ 22 ]، که به این نتیجه رسیدند که سری های زمانی متراکم تصاویر SAR، پتانسیل جداسازی محصول بالایی را ارائه می کنند، مطابقت دارد. طبقه بندی نهایی محصولات در دسترس عموم نیست. از این رو، مقایسه باید با اعداد صحت مندرج در نشریه انجام می شد.
جدول 7 مقایسه مستقیم دقت کاربر و سازنده هر دو مطالعه را نشان می دهد. اطلاعات حاصل از [ 22 ] از پیچیده‌ترین طبقه‌بندی محصولات او گرفته شده است که از اطلاعات مربوط به فنولوژی محصول استفاده می‌کند. همانطور که مشاهده می شود، در مقایسه با مطالعه حاضر، بر دقت بالای مرتع، ذرت، چغندرقند و گندم همسانی وجود دارد. هر دو مطالعه چالش‌هایی را برای طبقه‌بندی صحیح سیب‌زمینی‌ها نشان دادند که احتمالاً به دلیل هم‌ترازی تپه‌های سیب‌زمینی و فنولوژی مختلف به دلیل تاریخ‌های کاشت متفاوت است [ 21 ]. طبقات چاودار و به ویژه جو بهاره در مطالعه حاضر به طور معنی داری بهتر طبقه بندی شدند. این سردرگمی می‌تواند ناشی از میدان‌های نقشه‌برداری شده کمتر و تصاویر کمتر Sentinel-1 در مطالعه [ 22 ] باشد.].
اگرچه نتایج مطالعه حاضر سردرگمی کمتری را نشان می‌دهد، الگوریتم [ 22 ] پیچیده‌تر به نظر می‌رسد، زیرا شامل اطلاعات فنولوژی محصول است. با این حال، مقایسه الگوریتم‌ها، داده‌های ورودی یا نتایج به‌دست‌آمده ممکن نیست، زیرا نه کد منبع و نه داده‌ها به صورت عمومی به اشتراک گذاشته شده‌اند.
آخرین جنبه نوآوری این مطالعه را برجسته می‌کند، که در پیاده‌سازی منحصربه‌فرد گردش کار نهفته است: همه مجموعه داده‌های مورد استفاده در این فرآیند، ارائه‌شده توسط ESA و open.NRW، به‌عنوان داده‌های باز توسط ارائه‌دهندگان داده و همچنین در TR32DB. همچنین مرجع زمینی تحقیق، حدود 1200 مزرعه کشاورزی برچسب دار، مشترک است. علاوه بر این، از آنجایی که کل گردش کار با FOSS طراحی شده است، هیچ هزینه اضافی برای نرم افزار وجود ندارد و کد منبع باز است. ترکیبی از داده‌های باز و FOSS امکان تکرارپذیری مطالعه را فراهم می‌کند، که دانشمندان دیگر را قادر می‌سازد بر اساس نتایج این مطالعه و ارزیابی رویکردهای خود با داده‌های ما.
در مرحله بعد، طبقه‌بندی‌های نوع محصول در مقیاس‌های بزرگ‌تر باید دنبال شوند و می‌توانند در سیستم‌های کشاورزی جهانی ادغام شوند [ 5 ]. در انجام این کار، چنین سیستم‌هایی می‌توانند خروجی‌های بهتری را فراهم کنند تا بتوان از اصول تشدید کشاورزی پیروی کرد و در نتیجه اثرات زیست‌محیطی کمتر و امنیت غذایی بالاتری داشت.
با این حال، ارتقاء رویکرد چالش‌های بیشتری را به همراه دارد. یکی در دسترس بودن و کیفیت داده های خارجی است. ژئوداده اغلب با دقت بالایی مانند داده های جغرافیایی ارائه شده توسط open.NRW در دسترس نیست. برای DEM ها، این مشکل را می توان با تکیه بر مجموعه داده های جهانی حل کرد، مانند DEM مشتق شده از TanDEM-X [ 72 ]، که اخیراً به طور رایگان برای اهداف علمی در وضوح 90 متر در دسترس قرار گرفته است. با این حال، انتشار وضوح کامل به عنوان داده باز مطلوب خواهد بود.
در مورد گنجاندن داده‌های کاداستر خارجی در فرآیند طبقه‌بندی [ 30 ] یا برای ادغام پس از طبقه‌بندی (مقایسه کنید شکل 4 ) نمی‌توان دقت فضایی بالایی را در بسیاری از مناطق جهان پیش‌بینی کرد. در چنین مواردی ر. [ 73 ] با استفاده از ترکیبی از تصاویر چندزمانی TerraSAR-X به عنوان مرجع فضایی، روشی هوشمند برای بهبود دقت داده‌های خارجی ارائه می‌کند. از آنجایی که Sentinel-1 دارای دقت فضایی مشابهی است [ 37 ]، این رویکرد می‌تواند برای مناطقی که صرفاً داده‌های جغرافیایی خارجی با دقت فضایی پایین‌تر در دسترس است، تطبیق داده شود.
همانطور که در بالا نشان داده شد، اجرای گردش کار در شش محیط مختلف FOSS انجام شد. هر محیطی ویژگی‌های خود را دارد که مستلزم تقاضای بالایی از توانایی‌های فنی لازم برای اجرای کل گردش کار است. یکی از راه‌های مقابله با آن مشکل، ایجاد مستندات جامع، انجمن‌های کاربر و فهرست‌های پستی کاربر است. همچنین می‌توان نرم‌افزار جدیدی را بر اساس محیط‌های مورد استفاده توسعه داد یا محیط‌های موجود را برای برآوردن الزامات طبقه‌بندی محصولات مبتنی بر SAR در یک محیط گسترش داد.

6. نتیجه گیری

این مطالعه امکان سنجی داده‌های SAR باند c چند زمانی مایکروویو از Sentinel-1 را برای تشخیص انواع محصول در سایت مطالعه ما در غرب آلمان نشان می‌دهد. طبقه بندی نهایی با دقت بالایی ارزیابی شد که از طریق ادغام نوآورانه داده های باز در دسترس عموم از Open.NRW به دست آمد. یکی از آنها DEM با وضوح بالا و با دقت بالا بود که به پیش پردازش SAR کمک کرد. مورد دیگر ثبت املاک و مستغلات بسیار دقیق مکانی بود که امکان حذف مناطق زراعی غیر و خاص را با استفاده از MDA فراهم می کرد. برای غلبه بر مشکل محدودیت کاربردهای راداری به دلیل پیچیدگی داده های راداری، تمام داده های استفاده شده و تولید شده در این مطالعه به طور آشکار در TR32DB در دسترس هستند. علاوه بر این، پردازش تنها با FOSS انجام شد. در نتیجه، تمام نتایج بدون هیچ گونه داده یا هزینه نرم افزار اضافی قابل تکرار هستند. از این رو، مطالعه حاضر کمک قابل توجهی به علم در زمینه طبقه بندی محصولات مبتنی بر مایکروویو می کند.

منابع

  1. فائو؛ IFAD; یونیسف؛ سازمان بهداشت جهانی. وضعیت امنیت غذایی و تغذیه در جهان 2017: ایجاد تاب آوری برای صلح و امنیت غذایی ؛ فائو: رم، ایتالیا، 2017. [ Google Scholar ]
  2. فائو آینده غذا و کشاورزی. روندها و چالش ها ؛ فائو رم: رم، ایتالیا، 2017. [ Google Scholar ]
  3. گادفری، HCJ; گارنت، تی. امنیت غذایی و تشدید پایدار. فیلو ترانس. R. Soc. B 2014 , 369 , 20120273. [ Google Scholar ] [ CrossRef ]
  4. آتزبرگر، سی. پیشرفت‌ها در سنجش از دور کشاورزی: ​​شرح زمینه، سیستم‌های نظارت عملیاتی موجود و نیازهای اطلاعاتی عمده. Remote Sens. 2013 , 5 , 949–981. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. فریتز، اس. ببینید، L. بایاس، JCL; والدنر، اف. ژاک، دی. بکر رشف، آی. ویتکرافت، آ. باروث، بی. بونیفاسیو، آر. کراچفیلد، جی. و همکاران مقایسه سیستم های نظارت بر کشاورزی جهانی و شکاف های فعلی کشاورزی سیستم 2018 . [ Google Scholar ] [ CrossRef ]
  6. Bareth، G. GIS و پشتیبانی تصمیم گیری فضایی مبتنی بر RS: ساختار یک سیستم اطلاعات محیطی فضایی (SEIS). بین المللی جی دیجیت. زمین 2009 ، 2 ، 134-154. [ Google Scholar ] [ CrossRef ]
  7. ماچویتس، ام. هاس، ای. جونک، جی. اودلهوون، تی. Schlerf, M. CropGIS – یک برنامه وب برای تجسم مکانی و زمانی توسعه زیست توده محصولات گذشته، حال و آینده. محاسبه کنید. الکترون. کشاورزی 2018 . [ Google Scholar ] [ CrossRef ]
  8. شیونگ، جی. سپسکبیل، ص. گوما، MK; Teluguntla، P. پونلت، جی. Congalton، RG; یداو، ک. تاو، دی. نقشه برداری خودکار زمین های زراعی قاره آفریقا با استفاده از محاسبات ابری موتور Google Earth. ISPRS J. Photogramm. Remote Sens. 2017 ، 126 ، 225–244. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. Kersebaum، KC; هکر، جی.ام. میرشل، دبلیو. Wegehenkel، M. مدل‌سازی دینامیک آب و مواد مغذی در سیستم‌های خاک – محصول: مقایسه مدل‌های شبیه‌سازی اعمال شده بر روی مجموعه داده‌های رایج. در مدل‌سازی دینامیک آب و عناصر غذایی در سیستم‌های خاک-کشت . Springer: New York, NY, USA, 2007; صص 1-17. [ Google Scholar ] [ CrossRef ]
  10. Anderson, JR A سیستم طبقه بندی کاربری و پوشش زمین برای استفاده با داده های سنسور از راه دور . دفتر چاپ دولت ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 1976; جلد 964.
  11. زی، ی. شا، ز. یو، ام. تصاویر سنجش از دور در نقشه برداری گیاهی: بررسی. J. Plant Ecol. 2008 ، 1 ، 9-23. [ Google Scholar ] [ CrossRef ]
  12. Jensen, JR Remote Sensing of Environment: An Earth Resource Perspective 2/e ; آموزش پیرسون: دهلی نو، هند، 2009. [ Google Scholar ]
  13. وولو، اف. نوویرث، ام. ایمیتزر، ام. آتزبرگر، سی. Ng، WT داده های چند زمانی Sentinel-2 چقدر طبقه بندی نوع محصول را بهبود می بخشد؟ بین المللی J. Appl. زمین Obs. Geoinf. 2018 ، 72 ، 122-130. [ Google Scholar ] [ CrossRef ]
  14. والدهف، جی. لوسم، یو. بارت، جی. رویکرد چند داده ای برای نقشه برداری تناوب زراعی منطقه ای مبتنی بر سنجش از دور: مطالعه موردی برای حوضه آبریز رور، آلمان. بین المللی J. Appl. زمین Obs. Geoinf. 2017 ، 61 ، 55-69. [ Google Scholar ] [ CrossRef ]
  15. سونوبه، آر. تانی، اچ. وانگ، ایکس. کوبایاشی، ن. Shimamura، H. طبقه‌بندی تصادفی جنگل از نوع محصول با استفاده از داده‌های قطبی دوگانه TerraSAR-X چند زمانی. سنسور از راه دور Lett. 2014 ، 5 ، 157-164. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. هیپل، ک. اسپنگلر، دی. Itzerott, S. A Progressive Crop-Type طبقه بندی با استفاده از داده های سنجش از راه دور چند زمانی و اطلاعات فنولوژیکی. PFG- Photogramm. سنسور از راه دور Geoinf. علمی 2018 ، 86 ، 1-17. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. مک نیرن، اچ. Shang, J. مروری بر رادار دهانه مصنوعی چندزمانی (SAR) برای نظارت بر محصول. در سنجش از دور چند زمانی ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2016; صص 317-340. [ Google Scholar ] [ CrossRef ]
  18. Kenduiywo، BK; بارگیل، دی. Soergel، U. نقشه برداری نوع محصول از دنباله ای از تصاویر Sentinel 1. بین المللی J. Remote Sens. 2018 ، 1–22. [ Google Scholar ] [ CrossRef ]
  19. Whitcraft، AK; Vermote، EF; بکر رشف، آی. عدالت، CO پوشش ابری در طول فصل رشد کشاورزی: ​​تأثیرات بر مشاهدات غیرفعال نوری زمین سنسور از راه دور محیط. 2015 ، 156 ، 438-447. [ Google Scholar ] [ CrossRef ]
  20. هوت، سی. کوپه، دبلیو. میائو، ی. Bareth, G. بهترین دقت طبقه بندی کاربری زمین/پوشش زمین (LULC) برای استخراج انواع محصول با استفاده از تصاویر ماهواره ای SAR چند زمانی، چندحسگر و چند قطبی. Remote Sens. 2016 , 8 , 684. [ Google Scholar ] [ CrossRef ][ Green Version ]
  21. هوت، سی. Waldhoff، G. رویکرد چند داده ای برای طبقه بندی محصولات با استفاده از داده های چند زمانی، دو قطبی TerraSAR-X و داده های جغرافیایی رسمی. یورو J. Remote Sens. 2018 ، 51 ، 62-74. [ Google Scholar ] [ CrossRef ]
  22. Bargiel, D. روشی جدید برای طبقه بندی محصولات زراعی با ترکیب سری های زمانی تصاویر رادار و اطلاعات فنولوژی محصول. سنسور از راه دور محیط. 2017 ، 198 ، 369-383. [ Google Scholar ] [ CrossRef ]
  23. ولن، تی. Siqueira، P. طبقه بندی سری زمانی داده های کشاورزی Sentinel-1 در داکوتای شمالی. سنسور از راه دور Lett. 2018 ، 9 ، 411-420. [ Google Scholar ] [ CrossRef ]
  24. اشمولیوس، سی. تیل، سی. پاث، سی. سری زمانی رادار سانتورو، M. برای نقشه برداری پوشش زمین و جنگل. در سری زمانی سنجش از دور ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; صص 323-356. [ Google Scholar ] [ CrossRef ]
  25. نوسک، کارشناسی; آلتر، جی. بانک ها، GC; بورسبوم، دی. بومن، SD; برکلر، اس جی; باک، اس. اتاق ها، سی دی; چانه، جی. کریستنسن، جی. و همکاران ترویج فرهنگ تحقیق باز Science 2015 ، 348 ، 1422-1425. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. McNutt, M. گرفتن تاپ. علوم 2016 , 352 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. اشتاینیگر، اس. Hunter، AJ نقشه نرم افزار GIS رایگان و منبع باز 2012 – راهنمای تسهیل تحقیق، توسعه و پذیرش. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 39 ، 136-150. [ Google Scholar ] [ CrossRef ]
  28. روچینی، دی. پتراس، وی. پتراسووا، آ. هورنینگ، ن. فورتکوویکووا، ال. نتلر، ام. لوتنر، بی. Wegmann, M. داده های باز و منبع باز برای آموزش سنجش از دور در محیط زیست. Ecol. آگاه کردن. 2017 ، 40 ، 57-61. [ Google Scholar ] [ CrossRef ]
  29. Bareth, G. Multi-Data Approach (MDA) برای افزایش کاربری اراضی و نقشه برداری پوشش زمین. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی قسمت B 2008 ، 8 ، 1059-1066. [ Google Scholar ]
  30. والدهف، جی. آیشفوس، اس. Bareth, G. ادغام داده‌های سنجش از دور و داده‌های جغرافیایی پایه در سطوح مختلف مقیاس برای بهبود تحلیل‌های کاربری زمین. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2015 ، 40 ، 85. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  31. کوردت، سی. Hoffmeister, D. خدمات مدیریت داده های تحقیقاتی برای یک پروژه تحقیقاتی چند رشته ای و مشارکتی: طراحی و پیاده سازی پایگاه داده پروژه TR32DB. برنامه 2015 ، 49 ، 494-512. [ Google Scholar ] [ CrossRef ]
  32. Woodcock، CE; آلن، آر. اندرسون، ام. بلوارد، ا. بیندشادلر، آر. کوهن، دبلیو. گائو، اف. گووارد، SN; هلدر، دی. هلمر، ای. و همکاران دسترسی رایگان به تصاویر لندست. Science 2008 , 320 , 1011. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. Wulder، MA; ماسک، جی جی. کوهن، WB; لاولند، TR; Woodcock، CE باز کردن بایگانی: چگونه داده های رایگان، وعده علم و نظارت لندست را فعال کرده است. سنسور از راه دور محیط. 2012 ، 122 ، 2-10. [ Google Scholar ] [ CrossRef ]
  34. Wulder، MA; Coops، NC امکان دسترسی آزاد به مشاهدات زمین: تصاویر ماهواره ای رایگان در دسترس، محصولات علمی و نظارت بر محیط زیست را بهبود می بخشد. طبیعت 2014 ، 513 ، 30-32. [ Google Scholar ] [ CrossRef ]
  35. ESA دسترسی رایگان به داده های ماهواره ای نگهبان کوپرنیک . 2013. در دسترس آنلاین: https://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Free_access_to_Copernicus_Sentinel_satellite_data/ (در 20 فوریه 2020 قابل دسترسی است).
  36. تورس، آر. اسنوئیج، پ. گئودتنر، دی. بیبی، دی. دیویدسون، ام. آتما، ای. پوتین، پ. رومن، بی. فلوری، ن. براون، ام. و همکاران ماموریت GMES Sentinel-1. سنسور از راه دور محیط. 2012 ، 120 ، 9-24. [ Google Scholar ] [ CrossRef ]
  37. شوبرت، آ. کوچک، دی. میراندا، ن. گئودتنر، دی. دقت مکان یابی محصول Meier، E. Sentinel-1A: نتایج فاز راه اندازی. Remote Sens. 2015 ، 7 ، 9431–9449. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. کوپرنیک. Sentinel-1a IW GRDH Images from Orbit 37, Growing Season 2017. CRC/TR32 Database (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1846 (در 20 فوریه 2020 قابل دسترسی است).
  39. کوپرنیک. Sentinel-1b IW GRDH Images from Orbit 37, Growing Season 2017. CRC/TR32 Database (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1847 (در 20 فوریه 2020 قابل دسترسی است).
  40. کوپرنیک. Sentinel-1a IW GRDH Images from Orbit 88, Growing Season 2017. CRC/TR32 Database (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1848 (در 20 فوریه 2020 قابل دسترسی است).
  41. کوپرنیک. Sentinel-1b IW GRDH Images from Orbit 88, Growing Season 2017. CRC/TR32 Database (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1849 (در 20 فوریه 2020 قابل دسترسی است).
  42. والدهف، جی. Herbrecht, M. Crop Type Distribution Mapping 2017. پایگاه داده CRC/TR32 (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1820 (در 20 فوریه 2020 قابل دسترسی است).
  43. Hütt, C. داده‌های آموزشی و اعتبارسنجی برای طبقه‌بندی نوع محصول TR32-2017—بر اساس نقشه‌برداری توزیع نوع محصول 2017. پایگاه داده CRC/TR32 (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1818 (در 20 فوریه 2020 قابل دسترسی است).
  44. Bezirksregierung Köln. Digitales Geländemodell (DGM). 2018. در دسترس آنلاین: https://www.bezreg-koeln.nrw.de/brk_internet/geobasis/hoehenmodelle/gelaendemodell/index.html (در 20 فوریه 2020 قابل دسترسی است).
  45. Bezirksregierung Köln. مدل ارتفاعی دیجیتال (DGM1) حوضه آبریز Rur، بر اساس داده‌های Bezirksregierung Köln، بن، آلمان. پایگاه داده CRC/TR32 (TR32DB). 2017. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1690 (در 20 فوریه 2020 قابل دسترسی است).
  46. Hütt، C. DGM1، WGS84، 5m، بر اساس داده‌های Bezirksregierung Köln، Bonn، آلمان. پایگاه داده CRC/TR32 (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1851 (در 20 فوریه 2020 قابل دسترسی است). [ CrossRef ]
  47. Bezirksregierung Köln. Liegenschaftskataster. 2018. در دسترس آنلاین: https://www.bezreg-koeln.nrw.de/brk_internet/geobasis/liegenschaftskataster/index.html (در 20 فوریه 2020 قابل دسترسی است).
  48. Hütt, C. Crop Mask 2017 برگرفته از ALKIS. پایگاه داده CRC/TR32 (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1850 (در 20 فوریه 2020 قابل دسترسی است). [ CrossRef ]
  49. SNAP-ESA. Sentinel Application Platform نسخه 5.0.1. 2017. در دسترس آنلاین: https://step.esa.int/main/download/snap-download/ (در 20 فوریه 2020 قابل دسترسی است).
  50. کوچک، D. گامای مسطح: تصحیح زمین رادیومتری برای تصاویر SAR. IEEE Trans. Geosci. Remote Sens. 2011 , 49 , 3081–3093. [ Google Scholar ] [ CrossRef ]
  51. کورلندر، جی. McDonough, R. Synthetic Aperture Radar: Systems and Signal Processing ; JohnWiley & Sons: نیویورک، نیویورک، ایالات متحده آمریکا، 1991. [ Google Scholar ]
  52. Hütt, C. فایل گرافیکی پیشرفته برای پردازش تصاویر Sentinel-1 با استفاده از SNAP. پایگاه داده CRC/TR32 (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1803 (در 20 فوریه 2020 قابل دسترسی است). [ CrossRef ]
  53. Hütt, C. Sentinel-1 Composite of the Growing Season 2017. پایگاه داده CRC/TR32 (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1845 (در 20 فوریه 2020 قابل دسترسی است). [ CrossRef ]
  54. رودریگز-گالیانو، وی اف. قیمیر، بی. روگان، جی. چیکا اولمو، م. Rigol-Sanchez، JP ارزیابی اثربخشی طبقه‌بندی‌کننده تصادفی جنگل برای طبقه‌بندی پوشش زمین. ISPRS J. Photogramm. Remote Sens. 2012 ، 67 ، 93-104. [ Google Scholar ] [ CrossRef ]
  55. Congalton، RG; گرین، ک. ارزیابی دقت داده‌های سنجش از راه دور: اصول و روش‌ها . CRC Press, Taylor & Francis: Boca Raton, FL, USA, 2008. [ Google Scholar ]
  56. تیم توسعه Orfeo. منظم سازی نقشه طبقه بندی. 2018. در دسترس آنلاین: https://www.orfeo-toolbox.org/CookBook/Applications/app_ClassificationMapRegularization.html (در 20 فوریه 2020 قابل دسترسی است).
  57. تیم اصلی R. R: زبان و محیطی برای محاسبات آماری. 2018. در دسترس آنلاین: https://www.R-project.org/ (دسترسی در 20 فوریه 2020).
  58. Horning، N. RandomForestClassification. 2013. در دسترس آنلاین: https://bitbucket.org/rsbiodiv/randomforestclassification/commits/534bc2f (در 20 فوریه 2020 قابل دسترسی است).
  59. لیاو، ا. وینر، ام. طبقه بندی و رگرسیون توسط جنگل تصادفی. R News 2002 , 2 , 18-22. [ Google Scholar ]
  60. بیوند، ر. کیت، تی. Rowlingson, B. Rgdal: Bindings for the ‘Geospatial’ Data Abstraction Library; بسته R نسخه 1.2-15. 2017. در دسترس آنلاین: https://CRAN.R-project.org/package=rgdal (در 20 فوریه 2020 قابل دسترسی است).
  61. Hijmans، RJ Raster: تجزیه و تحلیل داده های جغرافیایی و مدل سازی; بسته R نسخه 2.6-7. 2017. در دسترس آنلاین: https://CRAN.R-project.org/package=raster (در 20 فوریه 2020 قابل دسترسی است).
  62. بیوند، ر. Lewin-Koh, N. Maptools: Tools for Reading and Handling Spatial Objects; بسته R نسخه 0.9-2. 2017. در دسترس آنلاین: https://CRAN.R-project.org/package=maptools (در 20 فوریه 2020 قابل دسترسی است).
  63. Pebesma، EJ; بیوند، کلاس‌ها و روش‌های RS برای داده‌های مکانی در R. R News 2005 ، 5 ، 9-13. [ Google Scholar ]
  64. تیم توسعه Orfeo. Orfeo Toolbox V. 5.8.0. 2017. در دسترس آنلاین: https://www.orfeo-toolbox.org (در 20 فوریه 2020 قابل دسترسی است).
  65. تیم توسعه QGIS. پروژه بنیاد زمین فضایی متن باز. 2017. در دسترس آنلاین: https://qgis.org (در 20 فوریه 2020 قابل دسترسی است).
  66. PostGIS. اشیاء مکانی و جغرافیایی برای PostgreSQL 2.4.3. 2017. در دسترس آنلاین: https://postgis.net (دسترسی در 20 فوریه 2020).
  67. PostgreSQL. پیشرفته ترین پایگاه داده رابطه ای منبع باز جهان 10.2. 2017. در دسترس آنلاین: https://www.postgresql.org/ (دسترسی در 20 فوریه 2020).
  68. NorGIS. واردات ALKIS. 2017. در دسترس آنلاین: https://github.com/norBIT/alkisimport (در 20 فوریه 2020 قابل دسترسی است).
  69. تیم توسعه GDAL. GDAL—Geospatial Data Abstraction Library; نسخه 2.2.3. 2017. در دسترس آنلاین: https://www.gdal.org (دسترسی در 20 فوریه 2020).
  70. Hütt, C. C. Crop Classification 2017 of Rur Catchment with Use Sentinel-1 and Data from open.NRW. پایگاه داده CRC/TR32 (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1844 (در 20 فوریه 2020 قابل دسترسی است). [ CrossRef ]
  71. والدهف، جی. Herbrecht، M. طبقه‌بندی کاربری پیشرفته 2017 برای حوضه Rur. پایگاه داده CRC/TR32 (TR32DB). 2018. در دسترس آنلاین: https://www.tr32db.uni-koeln.de/data.php?dataID=1795 (در 20 فوریه 2020 قابل دسترسی است). [ CrossRef ]
  72. زینک، م. باخمن، ام. براتیگام، بی. فریتز، تی. هاجنسک، آی. موریرا، ا. وسل، بی. Krieger, G. TanDEM-X: DEM جهانی جدید شکل می گیرد. IEEE Geosci. سنسور از راه دور Mag. 2014 ، 2 ، 8-23. [ Google Scholar ] [ CrossRef ]
  73. ژائو، کیو. هوت، سی. Lenz-Wiedemann، VI; میائو، ی. یوان، اف. ژانگ، اف. بارث، جی. ارجاع جغرافیایی داده‌های چندمنبعی جغرافیایی با استفاده از تصاویر چند زمانی TerraSAR-X: مطالعه موردی در مزرعه Qixing، شمال شرقی چین. Photogrammetrie-Fernerkundung-Geoinformation 2015 ، 2015 ، 173-185. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00120 g001 550
شکل 1. موقعیت منطقه مورد مطالعه حوضه آبریز و کاربری اراضی / پوشش زمین (LULC) در سال 2017 با استفاده از رویکرد چند داده ای (MDA) [ 14 ] با داده های ماهواره ای نوری و داده های خارجی. تصویری از WebGIS آنلاین موجود از پایگاه داده پروژه TR32 (TR32DB).
Ijgi 09 00120 g002 550
شکل 2. فلوچارت جریان داده ها و مراحل پردازش این کار.
Ijgi 09 00120 g003 550
شکل 3. طبقه بندی نهایی با فیلتر اکثریت پس از طبقه بندی دو برابری کل منطقه مورد نظر (AOI) که حدود 2500 کیلومتر مربع را پوشش می دهد .
Ijgi 09 00120 g004 550
شکل 4. نقشه کاربری/پوشش زمین (LULC) افزایش یافته با ترکیب طبقه بندی محصولات مبتنی بر Sentinel-1 با داده های کاداستر تعمیم یافته ATKIS.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید