خلاصه

ظهور Google Earth Engine، یک پلت فرم محاسبات ابری برای داده های مکانی، یکپارچه سازی یکپارچه را برای تجزیه و تحلیل چند سنسوری و چند زمانی باز کرده است، که برای شناسایی کلاس های پوشش زمین بر اساس ویژگی های زمانی آنها مفید است. هدف مطالعه ما به‌کارگیری الگوهای زمانی از داده‌های رادار با دیافراگم مصنوعی باند C ماهانه سنتینل-1 (S1) و شاخص‌های طیفی ماهانه پر از ابر، به‌عنوان مثال، شاخص گیاهی تفاوت نرمال شده (NDVI)، شاخص تفاوت عادی اصلاح شده آب (MNDWI) است. و شاخص ایجاد تفاوت نرمال شده (NDBI)، از Landsat 8 (L8) OLI برای نقشه برداری مناطق کشت برنج در بخش شمالی استان جاوه مرکزی، اندونزی. تابع هارمونیک برای پرکردن مقادیر ابر و پوشش ابری در شاخص های طیفی از داده های Landsat 8 استفاده شد. و الگوریتم‌های جنگل‌های تصادفی (RF) و طبقه‌بندی و رگرسیون درختان (CART) برای نقشه‌برداری مناطق زراعی برنج با استفاده از ترکیبی از شاخص‌های طیفی ماهانه S1 و هارمونیک ماهانه L8 استفاده شد. یک متغیر دیگر زمین، شاخص ناهمواری زمین (TRI) از مجموعه داده SRTM، نیز در تجزیه و تحلیل گنجانده شد. نتایج ما نشان داد که مدل‌های RF با 50 (RF50) و 80 (RF80) درخت دقت بهتری برای نقشه‌برداری وسعت شالیزارها با دقت کاربر 85.65٪ (RF50) و 85.75٪ (RF80) و دقت تولید کننده 91.63٪ دارند. (RF80) و 93.48٪ (RF50) (دقت کلی 92.10٪ (RF80) و 92.47٪ (RF50))، در حالی که CART دقت کاربر فقط 84.83٪ و دقت تولید کننده 80.86٪ را به همراه داشت. اهمیت متغیر مدل در هر دو مدل RF50 و RF80 نشان داد که قطبش انتقال عمودی و دریافت افقی (VH) و NDVI متناسب با هارمونیک به‌عنوان پنج متغیر مهم برتر شناسایی شدند و متغیرهای نماینده فوریه، آوریل، ژوئن و دسامبر کمک بیشتری به مدل RF تشخیص VH و NDVI به‌عنوان متغیرهای برتر که تا 51 درصد از مدل جنگل تصادفی را تشکیل می‌دهند، اهمیت ترکیب چند حسگر را برای شناسایی شالیزارها نشان می‌دهد.

کلید واژه ها:

هارمونیک ها جنگل تصادفی ; درختان طبقه بندی و رگرسیون ; اهمیت متغیر

چکیده گرافیکی

1. معرفی

تلاش برای نظارت بر وسعت شالیزارها برای سال‌ها مورد توجه بوده است. بسیاری از کشورها برنج را به عنوان غذای اصلی مصرف می کنند، به ویژه کشورهای بزرگ و پرجمعیت مانند اندونزی. با این حال، جمعیت رو به رشد در اندونزی بر وسعت مناطق شالیزاری تاکید می‌کند و باعث تبدیل مناطق کشاورزی به محیط‌های ساخته شده، به‌ویژه در نواحی پست جزیره جاوه می‌شود [1 ] . انقباض در گستره شالیزار در اندونزی تا حد زیادی به گسترش مناطق سکونتگاهی نسبت داده شده است [ 2 ]. به عنوان مثال، در یوگیاکارتا، رشد مناطق سکونتگاهی 16 درصد از مناطق شالیزاری را بین سال‌های 1972 و 1990 جذب کرد، که همچنین شبکه جاده‌ای رو به رشد را تسهیل کرد [ 3]]. حفاظت از زمین های کشاورزی به دلیل اجرای ضعیف قانون همچنان یک چالش است [ 4 ]. بنابراین، نقشه برداری دقیق و نظارت بر شالیزارها، به ویژه برای کاهش تبدیل بیش از حد شالیزارهای مولد به سایر انواع کاربری زمین، مورد نیاز است.
داده ها و روش های مختلف سنجش از دور در مطالعات مختلف برای نقشه برداری شالیزار استفاده شده است. این مطالعات از خواص طیفی، بافتی، حرارتی و زمانی استفاده کرده اند که از هر متغیر به تنهایی یا ترکیبی از خواص طیفی، بافتی، حرارتی و زمانی استفاده می کنند. مطالعات همچنین از وضوح فضایی متوسط ​​تا درشت و حسگرهای غیرفعال و فعال استفاده کرده اند. از آنجایی که الگوی کشت کشاورزی تا حد زیادی به عوامل آب و هوایی وابسته است [ 5 ]، شالیزارها را می توان با ویژگی های زمانی آنها مشخص کرد. تلاش‌های اولیه برای نقشه‌برداری زمین‌های شالیزاری بر اساس ویژگی‌های زمانی آن‌ها، از مجموعه داده‌های MODIS به دلیل زمان مشاهده متراکم آن استفاده می‌کرد که شانس بیشتری برای به دست آوردن مشاهده بدون ابر ارائه می‌دهد [ 6 ، 7 ، 8], 9 , 10 ]. اگرچه Xiao، Boles، Frolking، Li، Babu، Salas و Moore III [ 7 ] بر اختلافات در اندازه شناسایی شده مناطق شالیزاری به دلیل عدم توانایی تفکیک فضایی 500 متری برای شناسایی تکه های کوچک منطقه و به دلیل آلودگی ابرها علاوه بر این، ترکیب با داده‌های دیگر، مانند دمای سطح زمین [ 11 ]، و داده‌های تفکیک مکانی بالاتر مانند Landsat [ 12 ، 13 ، 14 ]، دقت شناسایی شالیزار را افزایش داده است، که مزیت چندگانه را نشان می‌دهد. یکپارچه سازی حسگر برای نقشه برداری از زمین های شالیزاری.
مطالعات متعدد از ویژگی‌های راداری که می‌تواند به ابرها نفوذ کند و هم در روز و هم در شب کار کند، سود برده است. علاوه بر این، یک سیگنال رادار قادر است فنولوژی مزارع برنج را در مراحل مختلف رشد شالیزار به دلیل تفاوت متمایز آنها با برهمکنش رادار با محتوای آب گیاه، آب زمینه و ساختار گیاه مانند ارتفاع بوته، اندازه برگ، قطر ساقه و عملکرد محصول [ 15 ]. به عنوان مثال، در مرحله سیل، به دلیل انعکاس خاص پالس های رادار هنگام تعامل با آب، می توان صدای تیره تری پیدا کرد، در حالی که در طول مراحل رشد، به دلیل بازتاب چندگانه و پراکندگی حجمی از گیاه، مقادیر پس پراکندگی افزایش می یابد. [ 15]. بنابراین، این تجزیه و تحلیل چند زمانی را با استفاده از حسگرهای راداری، مانند ALOS/PalSar [ 16 ، 17 ] آغاز کرد که با دقت نسبتاً بالایی استفاده شده است، اگرچه طبقه‌بندی اشتباه بین محصولات دیم و باغ به دلیل دامنه پراکندگی مشابه آنها مشاهده شده است. 16 ]. در حال حاضر، نقشه‌برداری شالیزار از داده‌های Sentinel-1 SAR دو قطبی باند c با وضوح فضایی 10 متر و وضوح زمانی 12 روزه، [18، 19 ، 20 ، 21 ، 22 ، 23 ] بهره می‌برد . علاوه بر استفاده از داده های Sentinel-1، ترکیب با داده های دیگر، مانند Landsat 8 [ 24 ، 25], 26 , 27 ] و Sentinel-2 [ 26 , 28 , 29 ] نیز به منظور بهره برداری بهتر از اطلاعات طیفی، بافتی و زمانی برای شناسایی زمین های شالیزاری به کار گرفته شده اند.
استفاده از مجموعه داده‌های چند زمانی و چند حسگر، زمان و پردازش محاسباتی را به ویژه در مواقعی که به نقشه‌برداری با منطقه بزرگ نیاز است، نیاز دارد. بنابراین، استفاده فزاینده ای از پلت فرم محاسبات ابری Google Earth Engine (GEE) [ 30 ]، توسعه یافته در سال 2010، وجود داشته است که هدف آن از بین بردن محدودیت های سخت افزاری برای محاسبات چند مقیاسی، از مقیاس محلی به مقیاس جهانی است. از سال 2011 تا 2017، تقریباً 300 مطالعه علمی از خدمات GEE برای مطالعات مختلف رصد زمین استفاده شده است [ 31 ]. این مطالعات بر روی نقشه‌برداری محصول، منابع آب و نقشه‌برداری تغییر کاربری و پوشش زمین متمرکز بود و بیشتر با استفاده از داده‌های نوری با وضوح متوسط ​​نوری، مانند Landsat، و به دنبال آن داده‌های باند c Sentinel-1 [32] انجام شد .]. به طور کلی، پلتفرم GEE با استفاده از داده های سنجش از راه دور چند سنسوری و چند زمانی، قابلیت محاسبات مکانی چند مقیاسی را ارائه کرده است.
چندین مطالعه برای نقشه‌برداری زمین‌های شالیزاری از آرشیو داده‌های چند زمانی و چند سنسوری در پلتفرم GEE بهره‌مند شده‌اند [ 20 ، 23 ، 28 ، 33 ]. با این وجود، یک مشکل با گنجاندن تصاویر نوری در تجزیه و تحلیل که نیاز به پردازش اضافی برای جبران داده های مهم از دست رفته در طول فصل بارانی دارد، که شروع فصل کاشت برنج یا مرحله غرقابی است، وجود دارد [25 ] . راه برای جلوگیری از تصاویر ابری انتخاب تصاویر نسبتاً بدون ابر برای استفاده در تجزیه و تحلیل طبقه بندی است، همانطور که توسط Onojeghuo، Blackburn، Wang، Atkinson، Kindred و Miao [27] انجام شد .]. با این حال، این بدان معنی است که جزئیات زمانی از داده‌های نوری وجود ندارد و پردازش اضافی برای پر کردن شکاف به دلیل سایه ابر و ابر لازم است.
پرداختن به شکاف یا مقادیر از دست رفته به دلیل ابرها یا سایه‌های ابری در داده‌های نوری برای نگاشت شالیزار مهم است. مقادیر از دست رفته می تواند فنولوژی را تغییر دهد و منجر به طبقه بندی اشتباه الگوی کشت شالیزار شود [ 34 ]. بازسازی داده های از دست رفته به دلیل اختلالات جوی را می توان با استفاده از تکنیک های مختلف پر کردن شکاف از درونیابی مکانی، زمانی و مکانی-زمانی انجام داد [ 35 ]. استفاده از درونیابی های زمانی مانند Savitzky-Golay یا Whitaker و فیلتر تجزیه و تحلیل طیف منفرد به طور گسترده پذیرفته شده است، اگرچه اگر شکاف بیش از 20٪ باشد عملکرد کاهش می یابد [36 ] . روش دیگر از توابع منحنی هارمونیک برای پر کردن مقادیر از دست رفته استفاده می کند [ 37، 38 ، 39 ]، که به عنوان ورودی برای طبقه بندی و رگرسیون داده های چند زمانی [ 40 ، 41 ، 42 ] و همچنین برای نقشه برداری انواع زمین های شالیزاری [ 43 ] مفید بودند.
تلاش برای ادغام اطلاعات زمانی یا مراحل رشد شالیزارها با استفاده از داده‌های لندست معمولاً با شناسایی مرحله طغیان/سیل با استفاده از روش‌های آماری با استفاده از شاخص‌های طیفی مانند شاخص آب و پوشش گیاهی برای جبران داده‌های از دست رفته انجام می‌شد. ابرها و سایه های ابر [ 33 ، 34]. هدف مطالعه ما بررسی کاربرد و دقت نقشه‌برداری از ترکیب داده‌های ماهانه 2019 از شاخص‌های طیفی از Landsat 8 OLI پر از شکاف و داده‌های سری زمانی Sentinel-1 برای نقشه‌برداری زمین‌های شالیزاری با مناطق آزمایشی مناطق تگال و Cirebon است. استان‌های جاوه غربی و مرکزی، اندونزی. یک تابع هارمونیک برای پر کردن داده‌هایی که به دلیل ابرها و سایه‌های ابری در Landsat 8 OLI گم شده بودند استفاده شد و به طور همزمان با داده‌های میانه ماهانه Sentinel-1 به عنوان ورودی جنگل تصادفی (RF) و درخت طبقه‌بندی و رگرسیون استفاده شد. طبقه بندی (CART).

2. مواد و روشها

2.1. منطقه مطالعه

این مطالعه در نواحی تگال و سیربون، استان‌های جاوه غربی و مرکزی، اندونزی، در موقعیت 108.6 درجه شرقی تا 109.4 درجه شرقی، و 6.7 درجه شمالی تا 7.1 درجه شمالی انجام شد (شکل 1 ) . منطقه مورد مطالعه یک دشت ساحلی پست است که تحت تسلط پوشش زمین شهری، آبزی پروری، زمین های زراعی و شالیزاری است. این مناطق تقاضا برای برنج را تامین می‌کنند، جایی که منطقه Cirebon تقریباً 37.2٪ برنج را برای جاکارتا، پایتخت اندونزی تامین می‌کند [ 44 ]. این مناطق بر اساس داده‌های سال‌های 2009 تا 2013، با درصد تلفات 8.76 درصد و 5.88 درصد برای مناطق Cirebon و Tegal در ده منطقه برتر با بالاترین نرخ تبدیل از کشاورزی به غیر کشاورزی قرار دارند [45] . ].

2.2. رگرسیون هارمونیک برای Landsat 8 OLI

در این مطالعه از آرشیو داده‌های Landsat 8 OLI Tier 1 (LANDSAT/LC08/C01/T1_SR) 2019 در GEE برای تولید شاخص‌های طیفی زمانی به‌عنوان ورودی برای طبقه‌بندی استفاده شد. ما پوشش سایه ابر و ابر را با استفاده از باندهای با کیفیت از مجموعه داده Landsat و تصحیح توپوگرافی به داده‌های Landsat 8 OLI برای حذف اثر زمین و سایه زمین از مقادیر پیکسل انجام دادیم. تصحیح توپوگرافی به دنبال تصحیح Sun-Canopy-Sensor با روش تعدیل کننده C (SCS+C) در GEE با استفاده از کد پورتینگا و همکاران انجام شد. [ 46 ].

روش SCS+C که توسط Soenen و همکاران توسعه یافته است. [ 47 ] توسعه ای از روش اصلی SCS [ 48 ] بود که از پارامتر شیب زمین استفاده می کرد. αزاویه اوج خورشیدی ( θو زاویه تابش ( i ). با این حال، روش SCS تمایل دارد در یک پیکربندی زمین خاص بیش از حد تخمین بزند، به طوری که ترکیب با پارامتر C از روش C-correction [ 49 ] معرفی شد. پارامتر C از نسبت شیب رگرسیون ( b ) و قطع ( a ) از رابطه خطی (معادله (1)) از بازتاب اصلاح نشده ( L ) با کسینوس زاویه تابش محلی ( i ) به دست آمده است (معادله (2)). سپس پارامتر C به عنوان مولفه افزودنی به رویکرد اصلی SCS معرفی شد (معادله (3)). جزئیات تصحیح SCS+C برای تولید بازتاب تصحیح شده توپوگرافی ( Ln ) را می توان به صورت زیر نوشت:

L=آ+بcosمن
سی=آب
Ln=Lcosαcosθ+سیcosمن+سی
در GEE، شیب زمین با استفاده از مدل رقومی ارتفاع (DEM) از ماموریت توپوگرافی رادار شاتل (SRTM؛ USGS/SRTMGL1_003)، با زاویه اوج خورشیدی از ابرداده Landsat-8 گرفته شد، در حالی که زاویه تابش با کم کردن زاویه آزیموت خورشیدی با متغیر جنبه از داده های DEM محاسبه می شود.

پس از اصلاح توپوگرافی، چندین شاخص طیفی مانند شاخص گیاهی نرمال شده (NDVI) (معادله (4))، شاخص اختلاف نرمال شده آب اصلاح شده (MNDWI) (معادله (5)) [50] و شاخص ایجاد اختلاف نرمال شده ( NDBI ) (معادله (6)) [ 51 ]، برای به دست آوردن اطلاعات زمانی مورد استفاده برای شناسایی مناطق آبی [ 52 ] محاسبه شد. باندهای طیفی زیر سبز، قرمز، مادون قرمز نزدیک (NIR) و موج کوتاه مادون قرمز (SWIR1) از Landsat 8 OLI در محاسبه استفاده شدند:

نDVمن=نمنآر-آرهدنمنآر+آرهد
منDدبلیومن=جیrههn-اسدبلیومنآر1جیrههn+اسدبلیومنآر1
نDبمن=اسدبلیومنآر1-نمنآراسدبلیومنآر1+نمنآر

شاخص‌های طیفی NDVI، MNDWI و NDBI از Landsat 8 OLI حاوی مقادیر گمشده‌ای به دلیل پوشش ابر و سایه ابری با استفاده از لایه ارزیابی کیفیت (QA) بودند، بنابراین پر کردن شکاف اضافی با استفاده از رگرسیون هارمونیک انجام شد. تابع رگرسیون هارمونیک یک تحلیل سری زمانی حوزه فرکانس است که امواج تناوبی/فصلی را از توابع سینوسی و کسینوس داده های سری زمانی اصلی بازسازی می کند [ 39 ، 53 ]. مدل‌های هارمونیک برای محاسبه داده‌های سری زمانی برازش ( Y ( t ))، بر اساس کلینتون [ 54 ] و آدامز و همکاران. [ 55 ]، را می توان در معادله (7) به صورت زیر بیان کرد:

Y(تی)=β0+β1تی+∑j≥1(β2cos(2πjتی)+β3گناه(2πjتی))+هتی
در حالی که t نشان دهنده باندهای زمانی از 1 ژانویه 1970 است، j نشان دهنده ترتیب هارمونیک ها است. β0و β1تینشان دهنده ضرایب برش و شیب (روند)، β2و β3نشان دهنده ضرایب برازش مستقل، و هتیعبارت خطای باقیمانده را نشان می دهد.
مقادیر فصلی به دست آمده از برازش توابع هارمونیک در برنامه های مختلف نقشه برداری که از داده های سنجش از دور استفاده می کنند، به ویژه برای طبقه بندی پوشش زمین [ 56 ، 57 ] و تشخیص تغییرات کاربری زمین [ 41 ] استفاده شده است. اجرای رگرسیون هارمونیک در GEE از کد نیکلاس کلینتون [ 54 ] برای برازش فصلی یک چرخه در سال با مقادیر NDVI، MNDWI و NDBI اقتباس شد. انتخاب اولین هارمونیک برای جلوگیری از برازش بیش از حد و نشان دادن بهره وری کلی منطقه مورد مطالعه استفاده شد [ 39 ، 42]. پس از تجزیه و تحلیل رگرسیون هارمونیک، کامپوزیت های میانه از مقادیر هر یک از شاخص های طیفی برازش هارمونیک برای تولید داده های ماهانه برای سال 2019 به دست آمد. مقادیر میانه به دلیل توانایی نمایش بهتر خواص بیوفیزیکی پوشش گیاهی [58 ] با ماهیت آماری مقدار میانه، که تحت تأثیر مقادیر پرت قرار نگرفت. چند نمونه از مقادیر NDVI متناسب با هارمونیک (برگرفته از یک پیکسل از منطقه مورد مطالعه) را می توان در شکل 2 یافت .

2.3. فرآیند سری زمانی Sentinel-1

در این مطالعه از آرشیو 2019 داده‌های رادار با دیافراگم مصنوعی (SAR) Sentinel-1 Ground Range Detected (GRD) با وضوح فضایی 10 متر در GEE در مجموعه داده‌های COPERNICUS/S1_GRD استفاده شد. داده‌های بایگانی Sentinel-1 GRD در GEE تحت چندین فرآیند مانند حذف نویز حرارتی، کالیبراسیون رادیومتریک، تصحیح زمین با استفاده از داده‌های DEM از SRTM یا ASTER GDEM برای داده‌های عرض جغرافیایی بالاتر (بیش از 60 درجه شمالی و جنوبی) و گزارش ثبت می‌شوند. تبدیل پوسته پوسته شدن از ضریب پس پراکندگی (σدرجه)به دسی بل ( db ) با استفاده از معادله زیر (معادله (8)).

دب=10×ورود به سیستمσدرجه
علاوه بر این، ما مقادیر را با در نظر گرفتن مقادیر میانگین برای تغییر اندازه پیکسل از 10 متر به 30 متر جمع آوری کردیم تا از وضوح فضایی Landsat 8 OLI پیروی کنیم. ما از قطبش انتقال عمودی و دریافت عمودی دوگانه (VV) و قطبش انتقال عمودی و دریافت افقی (VH) استفاده کردیم. کامپوزیت های میانه ماهانه مدار صعودی Sentinel-1 از هر دو قطبش VV و VH در سال 2019 از ژانویه تا دسامبر تولید و به عنوان ورودی برای طبقه بندی استفاده شد. مقدار متوسط ​​به همان دلیلی که قبلاً در پردازش داده Landsat-8 OLI ذکر شد انتخاب و استفاده شد.

2.4. داده های جانبی

داده های جانبی در قالب داده های پیکربندی زمین برای طبقه بندی استفاده شد. تصور می شود گنجاندن پیکربندی زمین در فرآیند طبقه بندی باعث افزایش دقت طبقه بندی پوشش زمین می شود [ 58 ، 59 ]. داده‌های ماموریت توپوگرافی رادار شاتل (SRTM) از پایگاه داده GEE (USGS/SRTMGL1_003) با اندازه پیکسل 30 متر در منطقه مورد مطالعه برای تولید داده‌های شاخص ناهمواری زمین (TRI) استفاده شد. محاسبه TRI (معادله (9)) توسط رایلی و همکاران توسعه داده شد. [ 60 ]، و ناهمواری زمین را از اختلاف ارتفاع بین پیکسل مرکزی ( Xoo ) و پیکسل‌های اطراف ( Xij) نشان می‌دهد.) در یک پنجره متحرک مشخص شده در تصویر شطرنجی ارتفاع اصلی.

تیآرمن=∑(ایکسoo-ایکسمنj)22

2.5. طبقه بندی و ارزیابی دقت

این مطالعه از الگوریتم‌های RF و CART، موجود در سیستم GEE استفاده کرد. RF یک الگوریتم است که توسط Breiman [ 61] که می تواند برای طبقه بندی و تحلیل رگرسیون استفاده شود. در کار طبقه‌بندی، الگوریتم RF با ایجاد مجموعه‌ای از طبقه‌بندی‌کننده‌های درختی از زیرمجموعه‌های تصادفی داده‌های اصلی کار می‌کند و رأی اکثریت به عنوان مبنایی برای تصمیم‌گیری طبقه‌بندی استفاده می‌شود. پارامتر تنظیم برای تعداد درختان در RF با استفاده از روش جستجوی شبکه ای با مقادیر 10 تا 100 و فاصله زمانی 10 تعیین شد. خطای خارج از کیسه (OOB) برای هر تکرار مقایسه شد و مدل با کمترین خطای OOB انتخاب شد. سپس نتیجه اهمیت متغیر استخراج شد. OOB محصول جانبی یک الگوریتم بسته بندی، از جمله الگوریتم RF است، که از نمونه های استفاده نشده در فرآیند بوت استرپ استفاده می کند و برای ارزیابی خطا در مدل تولید شده مفید است [62 ] .
علاوه بر این، الگوریتم CART که در ابتدا توسط Breiman و همکاران توسعه داده شد. [ 63 ] در سال 1984، برای مقایسه استفاده شد. CART طبقه‌بندی‌کننده‌ای است که با ایجاد قوانین (که می‌تواند در قالب یک درخت تصمیم نمایش داده شود) برای طبقه‌بندی یا رگرسیون با به حداقل رساندن ناهمگنی اندازه‌گیری شده از معیار ناهمگنی، یعنی شاخص جینی یا آنتروپی [64] کار می‌کند . با نگاهی به روش‌های RF و CART می‌توان RF را توسعه‌ای از CART دانست که از درخت‌های متعدد در فرآیند تصمیم‌گیری استفاده می‌کند. با این حال، CART نسبتاً ساده است و بار محاسباتی آن کمتر از RF است، که می‌تواند برای اجتناب از محدودیت محاسباتی 1 میلیون امتیازی در GEE مفید باشد، که تحلیل مقایسه ما را تضعیف می‌کند.
هر دو طبقه بندی RF و CART از متغیرهای ورودی یکسانی استفاده کردند. لیست متغیرهای ورودی و نام رمز آنها در جدول 1 فهرست شده است . تعداد کل انباشته متغیرهای استفاده شده از ماهانه Landsat 8 و Sentinel 1، از جمله TRI از SRTM، 61، با ابعاد پیکسل 867 × 480 پیکسل برای هر لایه بود. بنابراین، یک پارامتر tileScale در طول فرآیند طبقه‌بندی روی 8 تنظیم شد تا از محدودیت حافظه 100 مگابایتی در GEE جلوگیری شود. برای الگوریتم طبقه بندی آموزش، 174 امتیاز داده آموزشی جمع آوری شد که شامل 62 امتیاز برای شالیزارها، 80 امتیاز برای شالیزارها و 32 امتیاز برای بدنه آبی بود.
ارزیابی دقت با ساخت ماتریس خطا با استفاده از نقاط نمونه‌برداری تصادفی انجام شد. در مجموع 3000 نقطه توزیع شد و اطلاعات پوشش زمین برای هر نقطه با انجام یک بررسی بصری با استفاده از نمای ماهواره ای با وضوح بالا Google Map اضافه شد. پس از بازرسی بصری، چندین مؤلفه دقت، یعنی سازنده (PA)، کاربر (UA) و دقت کلی (OA) محاسبه شد. قبل از انجام ارزیابی دقت، نقشه‌های طبقه‌بندی با استفاده از فیلتر اکثریت در یک پنجره 3×3 فیلتر شدند تا کلاس‌های کوچک و جدا شده از نقشه‌های نهایی حذف شوند.
گردش کار تحلیل ما در شکل 3 نشان داده شده است .

3. نتایج

3.1. خطای خارج از کیسه (OOB) و اهمیت متغیر

یک جستجوی شبکه و مقادیر خطای OOB مربوطه برای هر تکرار محاسبه شد ( شکل 4 ). از جستجوی شبکه، متوجه شدیم که خطا از 8.046٪ تا 15.517٪ متغیر است. کمترین خطا با تنظیم تعداد درخت بر روی 50 و 80 درخت با مقدار OOB 8.046 درصد به دست آمد. بنابراین، دو طبقه بندی با استفاده از 50 و 80 درخت به عنوان تنظیم پارامتر انجام شد و مقادیر متغیر اهمیت از این دو تجزیه و تحلیل طبقه بندی استخراج شد.
شکل 5 A,B 15 متغیر مهم با بالاترین مقادیر اهمیت را در مدل های RF50 و RF80 نشان می دهد. نمودارها نشان داد که پراکندگی پس‌انداز VH در ماه آگوست و اکتبر به‌عنوان مهم‌ترین متغیر در مدل‌های RF50 و RF80 ذکر شده است. سپس VH backscatter توسط FNDVI در آوریل و ژانویه به عنوان دومین متغیر کمک کننده در مدل های RF50 و RF80 دنبال شد. هر دو شکل 5 A,B نشان می دهد که متغیرهای VH و FNDVI برای ماه های مختلف در 15 متغیر برتر گنجانده شده اند. در مدل RF50، FNDBI در ماه مارس به عنوان یکی از 15 متغیر برتر شناسایی شد.
ارقام قبلی بالاترین متغیرهای کمک کننده به مدل‌های RF50 و RF80 را نشان می‌دهند. از آنجا که هر متغیر مورد استفاده در تجزیه و تحلیل RF دارای مقادیر اهمیت است، می توان آنها را بر اساس تاریخ (ماهی که داده ها نشان می دهد) و نوع خود مجموعه داده خلاصه کرد ( شکل 6 A,B). متغیر TRI در این تحلیل گنجانده نشد زیرا تاریخ را نشان نمی داد و فقط از یک لایه تشکیل شده بود. علاوه بر این، TRI مقادیر اهمیت نسبتاً ضعیفی را برای مدل‌های RF50 و RF80 نشان داد و به ترتیب در رتبه‌های 53 و 59 از 61 متغیر قرار گرفت.
شکل 6 الف نشان می دهد که متغیرهای مهم معمولاً مربوط به ماه های فوریه، آوریل، ژوئن و دسامبر برای مدل های RF50 و RF80 هستند. بیشتر ماه‌ها، به جز ژوئن، فصل بارانی در اندونزی بود که فصل رشد زمین‌های زراعی، به‌ویژه شالیزارها است. علاوه بر تاریخ، شکل 5 B نشان می دهد که خلاصه قطبش VH و FNDVI بهتر از سایر مجموعه داده ها مانند FMNDWI، قطبش VV و FNDBI عمل می کند.
شکل 6 B برتری قطبش متقاطع VH را از Sentinel-1C به عنوان مجموعه داده بهتر برای طبقه بندی زمین های شالیزاری به دنبال FNDVI و FMNDWI نشان می دهد. بر اساس خلاصه در شکل 6 B، پلاریزاسیون VH از 27.9 تا 28.2 درصد از اهمیت مدل کمک می کند، در حالی که FNDVI به ترتیب از 22.8 تا 22.9 درصد از اهمیت مدل در RF50 و RF80 کمک می کند. شکل 7تنوع زمانی پس پراکندگی VH را در منطقه مورد مطالعه برای درک بهتر فنولوژی مزارع شالیزار در طول یک سال نشان می دهد. در اینجا، مقادیر پس پراکندگی بالاتر را می توان از فوریه تا ژوئیه 2019 مشاهده کرد، که می تواند به افزایش جهش مضاعف از تعامل بین گیاهان شالیزار و پس زمینه آب نسبت داده شود. از شکل مشهود است که همه شالیزارها دارای الگوهای مشابهی نیستند که می توان آن را به الگوهای مختلف کشت و شدت کشت در این منطقه نیز نسبت داد.

3.2. نتایج طبقه بندی و ارزیابی دقت

شکل 8B-D نتایج طبقه‌بندی را از CART و دو مدل RF (مدل‌های RF50 و RF80) با پس‌زمینه قطبش VH که در اکتبر 2019 گرفته شده است نشان می‌دهد. قطبش VH به‌عنوان بهترین متغیر کمک‌کننده در مدل RF80 شناسایی شد. توزیع شالیزار تقریباً 20- دسی بل پس پراکنده VH داشت که بیشتر از آبزی پروری و آب دریا و پایین تر از کلاس شهری بود. مقادیر پس‌پراکندگی اکتبر زمین‌های شالیزاری در این ماه تحت تأثیر برهمکنش پالس رادار با خاک برهنه باز است. کمترین میزان پس پراکندگی توسط آبزی پروری و آب دریا به دلیل پالس کم رادار که به دلیل انعکاس معکوس از محتوای آب به حسگر بازگردانده شد، نشان داده شد.
شکل 8 B-D نتایج طبقه بندی (اکثریت فیلتر شده) را از CART و دو مدل RF (مدل های RF50 و RF80) نشان می دهد. همه نقشه‌ها توزیع فضایی نسبتاً مشابهی را نشان می‌دهند، اگرچه CART نسبت به سایر نقشه‌های مدل‌های RF50 و RF80 زمین‌های شالیزاری کمتری را شناسایی کرد و ناسازگاری بین نقشه‌ها پیدا شد. یک تناقض در جدایی بین مناطق کشاورزی دیم (جعبه سبز در شکل 7 ) بود که از تصاویر Google Earth شناسایی شد، که CART آن را به عنوان شالیزار تشخیص داد، در حالی که مدل‌های RF به طور مداوم شالیزارهای کمتری را برای آن منطقه خاص شناسایی کردند. چنین طبقه بندی نادرستی منجر به دقت پایین برای نقشه CART در مقایسه با نقشه های RF برای PA، UA، و OA شد ( جدول 2).). درصد PA پایین برای نقشه سبد خرید نشان‌دهنده خطای حذف بزرگ‌تر برای زمین‌های شالیزاری است که با تعداد کمتر زمین‌های شالیزاری شناسایی‌شده مشهود است. ماتریس خطای کامل را می توان در پیوست A یافت .

4. بحث

GEE بستری را برای پردازش داده‌های سنجش از راه دور چند سنسوری و چند زمانی فراهم کرد. ما تجزیه و تحلیل را در GEE با استفاده از ترکیبی از داده‌های سری زمانی ماهانه Sentinel-1 و Landsat 8 برای نقشه‌برداری زمین‌های برنج در بخش‌هایی از استان‌های جاوای غربی و مرکزی، اندونزی انجام دادیم. چندین متغیر مانند پراکندگی پشتی VV و VH، سری های زمانی NDVI، NDBI، و MNDWI برازش هارمونیک، و TRI از داده های Sentinel-1، Landsat 8 و SRTM به عنوان ورودی برای الگوریتم های طبقه بندی RF و CART استفاده شدند. . از تجزیه و تحلیل، اهمیت متغیر شناسایی شد و دقت طبقه بندی تعیین شد.
خلاصه اهمیت متغیر ( شکل 6 ) اهمیت را بر اساس فصلی بودن و نوع مجموعه داده نشان داد. بر اساس فصلی بودن، داده های جمع آوری شده در ماه های فوریه، آوریل، ژوئن و دسامبر به عنوان متغیرهای مهم برای فصل کاشت شالیزار در منطقه شناسایی شدند. الگوهای فصلی شالیزار، از جمله خیس کردن مجدد و نشاکاری، متمایز بود. جداسازی این طبقه از سایر طبقات که سیل فصلی را نشان می‌دهند، مانند کلاس تالاب‌ها مفید بود [ 13 ]. علاوه بر این، Lasko، Vadrevu، Tran و Justice [ 21 ] و Kontgis، Warren، Skillman، Chartrand و Moody [ 19 ]] همچنین دریافت که مقادیر پس پراکندگی در مرحله غرقابی و برداشت برای جداسازی شالیزارها از سایر طبقات مهم است. ویژگی‌های منحصربه‌فرد شالیزارها در طول مراحل مختلف کاشت، به‌ویژه پراکندگی برگشتی رادار، با برهمکنش پالس رادار بین گیاهان و آب تعریف شد [65]، که به تعریف مناطق شالیزار و سایر اطلاعات جانبی، مانند شدت محصول و تناوب زراعی.
هر مجموعه داده از پراکندگی عقب راداری و شاخص های طیفی مورد استفاده در این مطالعه سطوح اهمیت متفاوتی را برای شناسایی میدان های شالیزاری نشان داد. شکل 5 قطبش VH را به عنوان بهترین متغیر برای شناسایی زمین های شالیزاری نشان می دهد و FNDVI دومین متغیر مهم است. یافته‌های ما از بهترین متغیرها مشابه مطالعه Onojeghuo، Blackburn، Wang، Atkinson، Kindred و Miao [ 27 ] بود که قطبش VH و داده‌های سری زمانی NDVI را بهترین ترکیب برای شناسایی مزارع شالیزاری شناسایی کرد، در حالی که Lasko ، وادروو، تران و عدالت [ 21] پیشنهاد کرد که داده‌های نسبت بین سری زمانی VV و VH برای شناسایی زمین‌های شالیزاری بهتر عمل می‌کند، اگرچه دقت تنها 0.4 تا 1.1 درصد بهتر از زمانی است که از پلاریزاسیون VH به تنهایی استفاده می‌شود. شناسایی قطبش VH به عنوان بهترین پیش بینی را می توان به حساسیت کمتر به پس زمینه آب نسبت به قطبش VV نسبت داد، به طوری که مقادیر پلاریزاسیون VH، فنولوژی رشد شالی را بهتر منعکس می کند [27 ] . با این وجود، شناسایی متغیرهای VH و NDVI متناسب با هارمونیک (FNDVI) به عنوان متغیرهای مهم، پتانسیل هم افزایی بین داده‌های سری زمانی و چند سنسوری را برای نگاشت شالیزار و توانایی روش پر شده با شکاف تابع هارمونیک را مشخص کرد. بازسازی ویژگی های زمانی مهم در نقشه برداری زمین های شالیزاری.
جدا از متغیر مشتق شده از داده های Landsat 8 و Sentinel-1، مطالعه ما همچنین سهم پایین متغیر TRI را در مدل طبقه بندی شناسایی کرد. این ممکن است ناشی از ویژگی‌های منطقه مورد مطالعه باشد که نسبتاً دشت است، بنابراین تفاوت مشخصی در پیکربندی زمین بین کلاس‌های شالیزار و غیرشالیزار وجود ندارد. با این حال، اگر منطقه مورد مطالعه دارای یک زمین پیچیده باشد، اهمیت TRI بیشتر خواهد بود، زیرا این امر توزیع انواع کاربری زمین را تضعیف می کند.
از منظر دقت، دقت نقشه‌های تولید شده توسط مدل‌های RF نسبتاً بهتر از نتایج الگوریتم CART بود، اگرچه CART بار محاسباتی سریع‌تر و نسبتاً کمتری در GEE نسبت به RF داشت. از نتایج مدل RF ( جدول 2 )، مشهود است که UA برای زمین‌های شالیزاری نسبتاً پایین‌تر از PA است، که نشان‌دهنده طبقه‌بندی اشتباه در قالب حذف کلاس‌های زمین غیر شالیزاری است که به عنوان زمین‌های شالیزاری گنجانده شده‌اند. طبقه بندی اشتباه در RF50 و RF80 با 144 و 140 نقطه خطای حذف ( پیوست A ) یکسان بود و با حذف 2 نوع پوشش زمین همراه بود: (1.) مناطق کشاورزی دیم ( شکل 9 A,B) و ( 2.) مناطق ساحلی ( شکل 9ج، د). حذف کشاورزی دیم به‌عنوان نقشه‌برداری شالیزاری نیز در این مطالعه با استفاده از داده‌های سری زمانی ALOS/PALSAR به دلیل مقادیر پس‌پراکندگی نسبتاً مشابه رخ داد [ 16 ] اگرچه، این احتمال نیز وجود داشت که کشت‌های درون‌شالی در طول فصل بارانی وجود داشت. و سایر محصولات در منطقه کشاورزی دیم رخ داد که منجر به طبقه بندی اشتباه شد. از سوی دیگر، حذف مناطق ساحلی به‌عنوان شالیزار می‌تواند ناشی از طغیان‌های مکرر در فصل بارندگی باشد که مشابه ویژگی‌های شالیزارها است.
در مطالعه ما، GEE یک رابط دوستانه برای تولید متغیرهای ماهانه از داده‌های Landsat-8 و Sentinel-1 و ادغام آن‌ها در فرآیند طبقه‌بندی ارائه کرد. مزایای استفاده از GEE را می توان بر پیاده سازی آسان برای دسترسی و پیش پردازش مجموعه داده های سری زمانی اصلی از داده های Landsat-8 و Sentinel-1 برای ایجاد کامپوزیت های ماهانه تاکید کرد، بنابراین منجر به داده های کم نویز در داده های ترکیبی زمانی می شود. و زمان محاسباتی کمتر در دسترسی به داده ها و ذخیره سازی داده ها در مقایسه با فرآیند معمولی. با این حال، استفاده از GEE همیشه بدون مشکل نبود. در مطالعه ما، مشکل اصلی محدودیت حافظه در هنگام آموزش طبقه بندی RF با استفاده از 61 متغیر و 174 نقطه آموزشی بود، همانطور که گولیک، هنچر، دیکسون، ایلیوشچنکو، تاو و مور اشاره کردند [30] .به عنوان چالش‌های مقیاس‌بندی و عدم تطابق مدل محاسباتی زمانی که فرآیند قابل موازی‌سازی نیست و از مجموعه داده‌های بزرگ استفاده می‌شود [ 32 ]. مشکل محدودیت حافظه را می توان با افزایش اندازه کاشی، کاهش نقاط آموزشی و کاهش لایه های ورودی تنها با انتخاب متغیرهای مهم حل کرد. بنابراین، نتیجه اهمیت متغیر مطالعه ما می تواند به عنوان مبنایی برای انتخاب متغیر برای استفاده در مقیاس بزرگتر از نقشه برداری شالیزار استفاده شود.
علاوه بر این، تمیمینیا، صالحی، مهدیان پری، کواکنبوش، عادلی و بریسکو [ 32 ] نیز بر گزینه محدود الگوریتم طبقه بندی در GEE تاکید کردند، اگرچه بهبودهای آینده را می توان با همکاری GEE با تنسورفلو آغاز کرد. به طوری که در آینده، مطالعات گسترده با استفاده از GEE ممکن است از توسعه روش‌های یادگیری عمیق برای داده‌های تصاویر ماهواره‌ای سری زمانی، همانطور که در شبکه‌های عصبی کانولوشنال [66]، شبکه‌های عصبی مکرر [67]، کوتاه‌مدت استفاده می‌شود ، بهره‌مند شوند . حافظه [ 68 ]، و شبکه های عصبی کانولوشنال زمانی [ 69 ].

5. نتیجه گیری ها

مطالعه ما کاربرد داده‌های سری زمانی ماهانه Landsat 8 و Sentinel-1 را برای نقشه‌برداری زمین‌های شالیزاری در بخش‌هایی از استان‌های جاوه مرکزی و غربی، اندونزی، با استفاده از GEE برجسته کرد. نتایج با اهمیت متغیر نشان داد که داده‌های سری زمانی پلاریزاسیون VH به عنوان بهترین متغیر برای تشخیص مزارع شالیزاری به دلیل حساسیت بهتر VH-backscatter در مرحله کاشت شالیزار با داده‌های NDVI برازش هارمونیک نیز به عنوان دومین متغیر شناخته شد. متغیر مهم، و پس از آن FMNDWI و VV Polarization به عنوان سومین و چهارمین مجموعه داده برتر قرار دارند. نتیجه اهمیت نگاشت چند حسگر را برای زمین های شالیزاری توجیه می کند. پلاریزاسیون VH و FNDVI با هم از 50.9 تا 51.1 درصد از اهمیت مدل در RF کمک کردند، در حالی که ترکیبی از قطبش VH، FNDVI، FNDWI و VV به 88 رسید. 3 درصد از مدل RF. شناسایی FNDVI به عنوان دومین متغیر مهم همچنین توانایی تابع هارمونیک را برای حفظ اطلاعات زمانی مهم، که برای نقشه برداری میدان های شالیزاری مورد نیاز است، نشان داد. علاوه بر این، اگرچه GEE قابلیت محاسباتی خوبی را با استفاده از داده‌های سنجش از راه دور بزرگ ارائه می‌دهد، محدودیت حافظه طولانی‌مدت می‌تواند یکی از مشکلاتی باشد که باید در نظر گرفته شود، به ویژه برای نقشه‌برداری با استفاده از مجموعه داده‌های بزرگتر برای مناطق بزرگ. بنابراین، مطالعات آتی که بخواهند از متغیرهای سری زمانی برای نقشه‌برداری زمین‌های شالیزاری با استفاده از GEE استفاده کنند، می‌توانند بر روی متغیرهای مهم شناسایی‌شده در مطالعه ما تمرکز کنند. از نظر دقت، مدل‌های RF با 50 (RF50) و 80 (RF80) درخت نسبت به مدل‌های CART با PA 93.48% و 91.63% و UA 85.66% و 85.76 توانایی بهتری در طبقه‌بندی شالیزارها نشان دادند. ٪، متقابلا. UA پایین نشان دهنده خطای حذف بیشتر برای طبقه بندی نادرست کشاورزی دیم است و مناطق ساحلی دوره ای پرآب به عنوان شالیزار در برخی از قسمت های منطقه مورد مطالعه شناسایی می شوند، اگرچه این امکان وجود دارد که برخی از مناطق دیم زراعی شالیکاری شده باشند. به خصوص در فصل بارندگی در آینده، این مطالعه می تواند از اکتشاف با تجزیه و تحلیل یادگیری عمیق برای داده های سری زمانی برای بهره برداری بهتر از بعد زمانی در شناسایی مزارع شالیزاری بهره مند شود.

پیوست اول

جدول
جدول A1. ماتریس خطای کامل برای طبقه بندی RF و CART.

منابع

  1. وربورگ، پی اچ. بوما، جی. تغییر کاربری زمین تحت شرایط فشار جمعیت بالا: مورد جاوا. گلوب. محیط زیست چانگ. 1999 ، 9 ، 303-312. [ Google Scholar ] [ CrossRef ]
  2. Firman, T. مسائل عمده در توسعه زمین شهری اندونزی. سیاست کاربری زمین 2004 ، 21 ، 347-355. [ Google Scholar ] [ CrossRef ]
  3. دیمیاتی، م. میزونو، ک. کوبایاشی، س. Kitamura، T. تجزیه و تحلیل تغییر کاربری / پوشش زمین در اندونزی. بین المللی J. Remote Sens. 1996 , 17 , 931-944. [ Google Scholar ] [ CrossRef ]
  4. دیرمان، ای. سالنگ، ا. Sapiddin, A. حفاظت قانونی زمین کشاورزی غذایی برای بهبود امنیت غذایی در اندونزی. EES 2018 , 196 , 012047. [ Google Scholar ] [ CrossRef ]
  5. Wikkramatileke، R. مشکلات نقشه برداری کاربری زمین در مناطق استوایی. نمونه ای از سیلان جغرافیا 1959 ، 44 ، 79-95. [ Google Scholar ]
  6. پنگ، دی. Huete، AR؛ هوانگ، جی. وانگ، اف. Sun، H. تشخیص و برآورد الگوهای کشت مخلوط برنج شلتوک با داده های MODIS. بین المللی J. Appl. زمین Obs. Geoinf. 2011 ، 13 ، 13-23. [ Google Scholar ] [ CrossRef ]
  7. شیائو، ایکس. بولز، اس. فرلکینگ، اس. لی، سی. بابو، جی. سالاس، دبلیو. Moore III، B. نقشه برداری از کشاورزی برنج شالیزاری در جنوب و جنوب شرق آسیا با استفاده از تصاویر MODIS چند زمانی. سنسور از راه دور محیط. 2006 ، 100 ، 95-113. [ Google Scholar ] [ CrossRef ]
  8. شیائو، ایکس. بولز، اس. لیو، جی. ژوانگ، دی. فرلکینگ، اس. لی، سی. سالاس، دبلیو. Moore III، B. نقشه برداری از کشاورزی برنج شالیزاری در جنوب چین با استفاده از تصاویر MODIS چند زمانی. سنسور از راه دور محیط. 2005 ، 95 ، 480-492. [ Google Scholar ] [ CrossRef ]
  9. ساری، DK; اسم الله، آی.ح. سولاسدی، WN; Harto، AB تشخیص فنولوژی برنج در مزارع شالیزاری با الگوی کشت پیچیده با استفاده از داده‌های سری زمانی MODIS. جی. ریاضی. فاندم علمی 2010 ، 42 ، 91-106. [ Google Scholar ]
  10. 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 ]
  11. ژانگ، جی. شیائو، ایکس. دونگ، جی. کو، دبلیو. جین، سی. Qin، Y. ژو، ی. وانگ، جی. منارگوئز، MA; بیرادار، سی. نقشه برداری مناطق کاشت برنج شالیزاری از طریق تحلیل سری زمانی داده های دمای سطح زمین و شاخص پوشش گیاهی MODIS. ISPRS J. Photogramm. Remote Sens. 2015 ، 106 ، 157-171. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  12. Qin، Y. شیائو، ایکس. دونگ، جی. ژو، ی. زو، ز. ژانگ، جی. دو، جی. جین، سی. کو، دبلیو. وانگ، جی. و همکاران نقشه برداری منطقه کاشت برنج شلتوک در منطقه آب و هوای معتدل سرد از طریق تحلیل سری های زمانی Landsat 8 (OLI)، Landsat 7 (ETM+) و تصاویر MODIS. ISPRS J. Photogramm. Remote Sens. 2015 ، 105 ، 220-233. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  13. ژو، ی. شیائو، ایکس. Qin، Y. دونگ، جی. ژانگ، جی. کو، دبلیو. جین، سی. وانگ، جی. Li, X. نقشه برداری از منطقه کاشت برنج شالیزاری در مناطق همزیست تالاب برنج از طریق تجزیه و تحلیل تصاویر Landsat 8 OLI و MODIS. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 46 ، 1-12. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. وانگ، جی. شیائو، ایکس. Qin، Y. دونگ، جی. ژانگ، جی. کو، دبلیو. جین، سی. ژو، ی. ژانگ، ی. نقشه برداری از منطقه کاشت برنج شالیزار در مناطق کشت دوبل گندم-برنج از طریق ادغام تصاویر Landsat-8 OLI، MODIS و PALSAR. علمی Rep. 2015 , 5 , 10088. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. اشباخر، جی. پونگسریهادولچای، ا. کارنچاناسوتام، اس. رودپروم، سی. پائودیال، دی. Le Toan، T. ارزیابی داده های ERS-1 SAR برای نقشه برداری و نظارت بر محصول برنج. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور، IGARSS’95: سنجش از دور کمی برای علم و کاربردها، مرکز کنگره، Firenze، ایتالیا، 10-14 ژوئیه 1995; صص 2183–2185. [ Google Scholar ]
  16. ژانگ، ی. وانگ، سی. وو، جی. چی، جی. Salas، WA نقشه برداری برنج شلتوک با تصاویر چند زمانی ALOS/PALSAR در جنوب شرقی چین. بین المللی J. Remote Sens. 2009 ، 30 ، 6301-6315. [ Google Scholar ] [ CrossRef ]
  17. میاوکا، ک. مکی، م. سوزاکی، جی. هما، ک. نودا، ک. Oki، K. نقشه‌برداری منطقه کاشت برنج با استفاده از مجموعه‌های کوچک داده‌های SAR چند زمانی. IEEE Geosci. سنسور از راه دور Lett. 2013 ، 10 ، 1507-1511. [ Google Scholar ] [ CrossRef ]
  18. بزی، ح. بغدادی، ن. الحاج، م. زریبی، م. مین، DHT؛ ندیکومانا، ای. کورو، دی. Belhouchette، H. نقشه برداری برنج شلتوک با استفاده از سری زمانی Sentinel-1 SAR در Camargue، فرانسه. Remote Sens. 2019 ، 11 ، 887. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. کونتگیس، سی. وارن، ام اس؛ Skillman، SW; چارتراند، آر. داده‌های سری زمانی Moody، DI Leveraging Sentinel-1 برای نقشه‌برداری پوشش زمین کشاورزی و استفاده از زمین در مناطق استوایی. در مجموعه مقالات نهمین کارگاه بین المللی در مورد تجزیه و تحلیل تصاویر سنجش از دور چند زمانی (MultiTemp)، بروژ، بلژیک، 27-29 ژوئن 2017؛ صص 1-4. [ Google Scholar ]
  20. سینگا، م. دونگ، جی. ژانگ، جی. Xiao، X. نقشه‌های برنج شالیزاری با وضوح بالا در بنگلادش مستعد ابری و شمال شرق هند با استفاده از داده‌های Sentinel-1. علمی داده 2019 ، 6 ، 1-10. [ Google Scholar ] [ CrossRef ]
  21. لاسکو، ک. Vadrevu، KP; Tran، VT; عدالت، سی. نقشه برداری برنج شالیزاری دو و یک محصول با Sentinel-1A در مقیاس های فضایی و قطبش های مختلف در هانوی، ویتنام. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2018 , 11 , 498–512. [ Google Scholar ] [ CrossRef ]
  22. نگوین، دی بی؛ Wagner، W. نقشه برداری زمین زراعی برنج اروپایی با داده های Sentinel-1: مطالعه موردی منطقه مدیترانه. Water 2017 , 9 , 392. [ Google Scholar ] [ CrossRef ]
  23. میناسنی، بی. شاه، RM; چه سو، ن. عارف، ج. Indra Setiawan، B. نقشه برداری و نظارت خودکار بر میزان برنج، الگوهای کشت و مراحل رشد در جنوب شرقی آسیا با استفاده از سری زمانی Sentinel-1 در یک پلت فرم موتور Google Earth. Remote Sens. 2019 ، 11 ، 1666. [ Google Scholar ]
  24. Mansaray, LR; هوانگ، دبلیو. ژانگ، دی. هوانگ، جی. لی، جی. نقشه برداری مزارع برنج در شهری شانگهای، جنوب شرقی چین، با استفاده از مجموعه داده Sentinel-1A و Landsat 8. Remote Sens. 2017 , 9 , 257. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. توربیک، ن. چاودری، دی. سالاس، دبلیو. Qi، J. نظارت بر کشاورزی برنج در سراسر میانمار با استفاده از سری زمانی Sentinel-1 با کمک Landsat-8 و PALSAR-2. Remote Sens. 2017 , 9 , 119. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. Mansaray, LR; وانگ، اف. هوانگ، جی. یانگ، ال. کانو، AS دقت ماشین بردار پشتیبان و جنگل تصادفی در نقشه برداری برنج با مجموعه داده های Sentinel-1A، Landsat-8 و Sentinel-2A. Geocarto Int. 2020 ، 35 ، 1088-1108. [ Google Scholar ] [ CrossRef ]
  27. Onojeghuo، AO; بلکبرن، GA؛ وانگ، کیو. اتکینسون، PM؛ کیندرد، دی. Miao، Y. نقشه‌برداری از مزارع برنج شالیزاری با استفاده از الگوریتم‌های یادگیری ماشین برای داده‌های Sentinel-1A و Landsat چند زمانی. بین المللی J. Remote Sens. 2018 ، 39 ، 1042–1067. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. اینو، اس. ایتو، ا. Yonezawa، C. نقشه برداری شالیزارها در ژاپن با استفاده از سری زمانی Sentinel-1 SAR تکمیل شده توسط Sentinel-2 Images در موتور Google Earth. Remote Sens. 2020 , 12 , 1622. [ Google Scholar ] [ CrossRef ]
  29. کای، ی. لین، اچ. ژانگ، ام. نقشه برداری برنج شالیزاری به روش جنگل تصادفی مبتنی بر شی با استفاده از داده های سری زمانی Sentinel-1/Sentinel-2. Adv. Space Res. 2019 ، 64 ، 2233-2244. [ Google Scholar ] [ CrossRef ]
  30. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
  31. کومار، ال. برنامه‌های Mutanga، O. Google Earth Engine از بدو تأسیس: استفاده، روندها و پتانسیل. Remote Sens. 2018 , 10 , 1509. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. تمیمینیا، اچ. صالحی، ب. مهدیان پری، م. کواکنبوش، ال. عادلی، س. Brisco، B. Google Earth Engine برای برنامه های کاربردی داده های جغرافیایی بزرگ: یک متاآنالیز و بررسی سیستماتیک. ISPRS J. Photogramm. Remote Sens. 2020 , 164 , 152–170. [ Google Scholar ] [ CrossRef ]
  33. دونگ، جی. شیائو، ایکس. منارگوئز، MA; ژانگ، جی. Qin، Y. تاو، دی. بیرادار، سی. Moore III، B. نقشه برداری از منطقه کاشت برنج شالیزاری در شمال شرقی آسیا با تصاویر Landsat 8، الگوریتم مبتنی بر فنولوژی و موتور Google Earth. سنسور از راه دور محیط. 2016 ، 185 ، 142-154. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. کونتگیس، سی. اشنایدر، آ. Ozdogan، M. نقشه برداری وسعت و تشدید شالیزار برنج در دلتای رودخانه مکونگ ویتنامی با پشته های زمانی متراکم از داده های Landsat. سنسور از راه دور محیط. 2015 ، 169 ، 255-269. [ Google Scholar ] [ CrossRef ]
  35. ویس، دی جی; اتکینسون، PM؛ بهات، اس. مپین، بی. هی، SI; Gething، PW یک رویکرد موثر برای پر کردن شکاف در مقیاس قاره ای سنجش از دور سری های زمانی. ISPRS J. Photogramm. Remote Sens. 2014 ، 98 ، 106-118. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. کنداسامی، س. بارت، اف. ورگر، آ. Neveux، P. ویس، ام. مقایسه روش‌های هموارسازی و پر کردن شکاف سری‌های زمانی مشاهدات سنجش از راه دور – کاربرد در محصولات MODIS LAI. Biogeosciences 2013 ، 10 ، 4055-4071. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. روی، DP; Yan, L. مدل‌سازی سری زمانی محصول مبتنی بر Landsat قوی. سنسور از راه دور محیط. 2020 ، 238. [ Google Scholar ] [ CrossRef ]
  38. رورینک، جی. مننتی، م. Verhoef, W. بازسازی کامپوزیت های NDVI بدون ابر با استفاده از تحلیل فوریه سری های زمانی. بین المللی J. Remote Sens. 2000 ، 21 ، 1911-1917. [ Google Scholar ] [ CrossRef ]
  39. بروکس، EB; توماس، VA; Wynne، RH; Coulston، JW برازش منحنی چندزمانی: یک رویکرد سری فوریه برای مشکل داده‌های گمشده در تحلیل سنجش از دور. IEEE Trans. Geosci. Remote Sens. 2012 , 50 , 3340–3353. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. لیو، جی. هیسکانن، جی. مائدا، EE; Pellikka، PK تشخیص منطقه سوخته بر اساس سری زمانی Landsat در ساواناهای جنوب بورکینافاسو. بین المللی J. Appl. زمین Obs. Geoinf. 2018 ، 64 ، 210-220. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. ونکاتاپا، م. ساساکی، ن. Shrestha، RP; تریپاتی، NK; ما، H.-O. تعیین آستانه پوشش گیاهی برای ارزیابی تغییرات کاربری و کاربری زمین در کامبوج با استفاده از پلت فرم محاسبات ابری موتور Google Earth. Remote Sens. 2019 ، 11 ، 1514. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  42. دروین، جی.ام. توماس، VA; Wynne، RH; کولستون، جی دبلیو. Liknes، GC; بندر، اس. بلین، م. بروکس، EB; روفناخت، بی. Benton, R. برآورد پوشش تاج درخت با استفاده از ضرایب رگرسیون هارمونیک به دست آمده از داده های چند زمانی Landsat. بین المللی J. Appl. زمین Obs. Geoinf. 2020 ، 86 ، 101985. [ Google Scholar ] [ CrossRef ]
  43. لندمن، تی. عیدمن، دی. کورنیش، ن. فرانکه، جی. Siebert, S. بهینه سازی هارمونیک ها از داده های سری زمانی Landsat: مورد نقشه برداری کشاورزی دیم و آبی در زیمبابوه. سنسور از راه دور Lett. 2019 ، 10 ، 1038–1046. [ Google Scholar ] [ CrossRef ]
  44. سورجاسا، دی. گامبیرا سعید، ا. آریفین، بی. جی، اف. تحلیل زنجیره تامین برنج اندونزیایی و مدل انتخاب تامین کننده. بین المللی J. Inf. اتوبوس. مدیریت 2013 ، 5 ، 198. [ Google Scholar ]
  45. Febrina، WD Determinants of Paddy Field Conversion در جاوا 1995-2013. J. Home Aff. دولت 2017 ، 9 ، 1-13. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. پورتینگا، ا. تنسون، ک. شاپیرو، ا. انکوین، کیو. سان آنگ، ک. چشتی، ف. Saah, D. نقشه برداری مزارع در میانمار با ترکیب داده های landsat-8، sentinel-2 و sentinel-1 همراه با کمی سازی سیستماتیک خطا. Remote Sens. 2019 , 11 , 831. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. Soenen، SA; Peddle, DR; Coburn، CA SCS+ C: تصحیح توپوگرافی سایبان-سنسور خورشیدی اصلاح شده در زمین جنگلی. IEEE Trans. Geosci. Remote Sens. 2005 ، 43 ، 2148-2159. [ Google Scholar ] [ CrossRef ]
  48. گو، دی. گیلسپی، الف. نرمال سازی توپوگرافی تصاویر Landsat TM از جنگل بر اساس هندسه زیرپیکسلی خورشید-سایبان-حسگر. سنسور از راه دور محیط. 1998 ، 64 ، 166-175. [ Google Scholar ] [ CrossRef ]
  49. تیلت، پ. گیندون، بی. Goodenough, D. در مورد تصحیح شیب – جنبه داده های اسکنر چندطیفی. می توان. J. Remote Sens. 1982 ، 8 ، 84-106. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. Han-Qiu، X. مطالعه ای در مورد استخراج اطلاعات بدنه آبی با شاخص تغییر نرمال شده آب اصلاح شده (MNDWI). J. Remote Sens. 2005 ، 5 ، 589-595. [ Google Scholar ]
  51. ژا، ی. گائو، جی. Ni، S. استفاده از شاخص ایجاد تفاوت نرمال شده در نقشه برداری خودکار مناطق شهری از تصاویر TM. بین المللی J. Remote Sens. 2003 , 24 , 583-594. [ Google Scholar ] [ CrossRef ]
  52. بنبهریا، ز. سباری، من. حاجی، ح. Smiej، MF نقشه برداری خودکار مناطق آبیاری شده در زمینه مدیترانه با استفاده از تصاویر سری زمانی Landsat 8 و الگوریتم جنگل تصادفی. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IGARSS IEEE، والنسیا، اسپانیا، 22 تا 27 ژوئیه 2018؛ صفحات 7986-7989. [ Google Scholar ]
  53. راماناتان، ک. آنموژی، م. جورج، اس. آناندان، س. ویرآقاوان، ب. Naumova، EN ارزیابی تغییرات فصلی با رگرسیون هارمونیک: محل اقامت برای قله های تیز. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 1318. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  54. کلینتون، آزمایشگاه N. 6: تجزیه و تحلیل سری های زمانی. در آزمایشگاه کد سنجش از دور مقدماتی ; آزمایشگاه تجزیه و تحلیل جغرافیایی، دانشگاه سانفرانسیسکو: سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 2019. [ Google Scholar ]
  55. آدامز، بی. آیورسون، ال. متیوز، اس. پیترز، ام. پراساد، ع. Hix، D. نقشه برداری ترکیب جنگل با سری زمانی Landsat: ارزیابی کامپوزیت های فصلی و رگرسیون هارمونیک. Remote Sens. 2020 , 12 , 610. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. ویلسون، بی تی; نایت، جی اف. مک رابرتس، رگرسیون هارمونیک RE سری های زمانی Landsat برای مدل سازی ویژگی ها از داده های موجودی جنگل ملی. ISPRS J. Photogramm. Remote Sens. 2018 ، 137 ، 29–46. [ Google Scholar ] [ CrossRef ]
  57. نگوین، MD؛ Baez-Villanueva، OM; Bui، DD; نگوین، PT; Ribbe، L. هماهنگی Landsat و Sentinel 2 برای پایش محصول در مناطق مستعد خشکسالی: مطالعات موردی Ninh Thuan (ویتنام) و Bekaa (لبنان). Remote Sens. 2020 , 12 , 281. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. فهسی، ع. Tsegaye، T. تادسه، دبلیو. Coleman, T. ترکیب مدل های رقومی ارتفاع با داده های Landsat-TM برای بهبود دقت طبقه بندی پوشش زمین. برای. Ecol. مدیریت 2000 ، 128 ، 57-64. [ Google Scholar ] [ CrossRef ]
  59. سها، ع. آرورا، م. کساپلویکس، ای. گوپتا، آر. طبقه بندی پوشش زمین با استفاده از تصویر IRS LISS III و DEM در یک زمین ناهموار: مطالعه موردی در هیمالیا. Geocarto Int. 2005 ، 20 ، 33-40. [ Google Scholar ] [ CrossRef ]
  60. رایلی، اس جی. دی گلوریا، SD؛ الیوت، R. ایندکس که ناهمگنی توپوگرافی را کمی می کند. Intermt. J. Sci. 1999 ، 5 ، 23-27. [ Google Scholar ]
  61. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. بریمن، ال. تخمین خارج از کیسه. 1996. در دسترس آنلاین: https://www.stat.berkeley.edu/~breiman/OOBestimation.pdf (در 25 سپتامبر 2020 قابل دسترسی است).
  63. بریمن، ال. فریدمن، جی. اولشن، ر. Stone, C. طبقه بندی و رگرسیون درختان ; چپمن و هال/CRC: بوکا راتون، فلوریدا، ایالات متحده آمریکا، 1984. [ Google Scholar ]
  64. بل، ال. آلارد، دی. لوران، جی. چدادی، ر. بار-هن، A. الگوریتم سبد خرید برای داده های مکانی: کاربرد در داده های زیست محیطی و اکولوژیکی. محاسبه کنید. آمار داده آنال. 2009 ، 53 ، 3082-3093. [ Google Scholar ] [ CrossRef ]
  65. کوئنزر، سی. Knauer، K. سنجش از دور مناطق کشت برنج. بین المللی J. Remote Sens. 2013 ، 34 ، 2101-2139. [ Google Scholar ] [ CrossRef ]
  66. ژائو، اس. لیو، ایکس. دینگ، سی. لیو، اس. وو، سی. وو، LJG; سنجش، R. نقشه برداری از شالیزارهای برنج در مناظر پیچیده با شبکه های عصبی کانولوشنال و معیارهای فنولوژیکی. گیسی. Remote Sens. 2020 , 57 , 37–48. [ Google Scholar ] [ CrossRef ]
  67. ندیکومانا، ای. هو تانگ مین، دی. بغدادی، ن. کورو، دی. Hossard، L. شبکه عصبی بازگشتی عمیق برای طبقه بندی کشاورزی با استفاده از SAR Sentinel-1 چند زمانی برای Camargue، فرانسه. Remote Sens. 2018 , 10 , 1217. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  68. کریستومو د کاسترو فیلهو، اچ. آبیلیو د کاروالیو جونیور، او. فریرا د کاروالیو، OL; پوزوبون دی بم، پ. دوس سانتوس دی مورا، آر. اولینو دو آلبوکرکی، آ. رزا سیلوا، سی. Guimarães Ferreira، PH; فونتس گیماراس، آر. Trancoso Gomes، RA Rice Crop Detection با استفاده از مدل‌های LSTM، Bi-LSTM و یادگیری ماشین از سری زمانی Sentinel-1. Remote Sens. 2020 , 12 , 2655. [ Google Scholar ] [ CrossRef ]
  69. پلتیه، سی. وب، GI; پتیژان، اف. شبکه عصبی کانولوشنال زمانی برای طبقه بندی سری های زمانی تصاویر ماهواره ای. Remote Sens. 2019 , 11 , 523. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00663 g001 550
شکل 1. منطقه مطالعه، متشکل از بخش‌هایی از مناطق Cirebon و Tegal، استان‌های جاوه غربی و مرکزی، اندونزی.
Ijgi 09 00663 g002 550
شکل 2. نمونه ای از نتایج تجزیه و تحلیل برازش هارمونیک از شاخص تفاوت عادی شده گیاهی (NDVI) برای یک پیکسل.
Ijgi 09 00663 g003 550
شکل 3. گردش کار تجزیه و تحلیل. بیشتر تجزیه و تحلیل ها بر روی پلت فرم Google Earth Engine (GEE) انجام شده است.
Ijgi 09 00663 g004 550
شکل 4. خطاهای خارج از کیسه از جستجوی شبکه هنگام انجام تنظیم پارامتر.
Ijgi 09 00663 g005 550
شکل 5. اهمیت متغیر برای دو بهترین مدل، یعنی ( A ) مدل جنگل‌های تصادفی (RF) با 50 درخت (RF50)، و ( B ) مدل RF با 80 درخت (RF80).
Ijgi 09 00663 g006 550
شکل 6. خلاصه اهمیت متغیر بر اساس ( A ) زمانبندی (ماه) متغیر زمانی، و ( B ) نوع داده.
Ijgi 09 00663 g007 550
شکل 7. پیشرفت زمانی ماهانه شالیزار در سال 2019 از قطبش انتقال عمودی و دریافت افقی (VH) بر روی داده‌های مرکب میانه ماهانه Sentinel-1.
Ijgi 09 00663 g008 550
شکل 8. نقشه های طبقه بندی شالیزار (مناطق زرد) از ( B ) مدل طبقه بندی و رگرسیون درختان (CART)، ( C ) مدل RF50 و ( D ) مدل RF80. تصویر پس زمینه توسط قطبش VH برای داده های اکتبر ( A ) نشان داده شد. کادر سبز ناحیه کشاورزی دیم را نشان می دهد که بیشترین تناقضات بین نقشه ها در آن یافت شد.
Ijgi 09 00663 g009 550
شکل 9. نمونه‌هایی از خطاهای حذف در مدل‌های RF، که نشان‌دهنده کشاورزی دیم (شکل‌های ردیف بالا؛ ( A ، B )) و مناطق ساحلی (شکل‌های ردیف پایین؛ ( C ، D )) با نقاط قرمز نشان‌دهنده اعتبار است. نقاط و پس‌زمینه تصاویر Google Earth را نشان می‌دهد.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید