اگرچه سری های زمانی شاخص پوشش گیاهی از تصاویر نوری به طور گسترده ای برای نقشه برداری محصولات استفاده می شود، به دلیل زمان بازدید مجدد ماهواره و آب و هوا در برخی مناطق، دستیابی به داده های سری زمانی کافی همچنان دشوار است. برای پرداختن به این وضعیت، این مقاله شهرستان ون، استان هنان، چین مرکزی را به عنوان منطقه تحقیقاتی در نظر گرفت و ویژگی‌های چند منبعی مانند ضریب پراکندگی پس‌انداز، شاخص پوشش گیاهی و سری‌های زمانی بر اساس داده‌های Sentinel-1 و -2 را برای شناسایی محصولات در هم آمیخت. این مقاله از طریق آزمایش‌های مقایسه‌ای، امکان شناسایی محصولات زراعی را با داده‌های چند زمانی و داده‌های ترکیبی مورد مطالعه قرار داد. نتایج نشان داد که دقت داده های چند زمانی Sentinel-2 در مقایسه با داده های Sentinel-2 تک زمانی 9.2 درصد افزایش یافته است و دقت داده های همجوشی چند زمانی به ترتیب 17.1 و 2.9 درصد بهبود یافته است. در مقایسه با داده های چند زمانی Sentinel-1 و Sentinel-2. داده های چند زمانی به خوبی مراحل فنولوژیک رشد محصول را مشخص می کند، در نتیجه دقت طبقه بندی را بهبود می بخشد. ادغام داده‌های رادار دیافراگم مصنوعی Sentinel-1 و داده‌های نوری Sentinel-2 داده‌های سری زمانی کافی را برای شناسایی محصول فراهم می‌کند. این تحقیق می تواند مرجعی برای شناخت محصول در کشاورزی دقیق باشد.

کلید واژه ها:

سری زمانی ؛ Sentinel-1 ; Sentinel-2 ; جنگل تصادفی ; همجوشی در سطح ویژگی

1. مقدمه

از آنجایی که جمعیت جهان همچنان به رشد خود ادامه می دهد و همه گیری COVID-19 ابهاماتی را به همراه دارد، امنیت غذایی توجه فزاینده ای را به خود جلب کرده است [ 1 ، 2 ، 3 ]. در عین حال، با هدایت انقلاب دیجیتال در کشاورزی، دو تغییر عمده در کشاورزی جهان رخ داده است: توسعه کشاورزی دقیق، و توسعه اقتصاد دیجیتال کشاورزی [ 4 ، 5 ، 6 ]. ادغام GIS و سنجش از دور برای به دست آوردن و تجزیه و تحلیل اطلاعات کاشت محصول، کلید تحقق کشاورزی هوشمند است [ 7 ]]. سنجش از دور، با سرعت، دقت و مزایای متعدد دیگر، اکنون به طور گسترده برای استخراج و طبقه بندی محصولات، که برای کشاورزی هوشمند حیاتی است، استفاده می شود [ 8 ].
سنجش از دور غیرفعال چند زمانی نقش مهمی در کشاورزی ایفا می کند [ 9 ]. از آنجایی که رشد محصولات از ریتم‌های فصلی و تغییرات فنولوژیکی منظم پیروی می‌کند، یک سری زمانی از داده‌های سنجش از دور چند زمانی می‌تواند محصولات را به عنوان تابعی از زمان مشخص کند [ 10 ، 11 ، 12 ]. سونوبه و همکاران (2017) از داده‌های تصویرگر زمین عملیاتی لندست 8 برای طبقه‌بندی محصولات در هوکایدو، ژاپن استفاده کرد و به دقت کلی 94.5 درصد دست یافت [ 13 ]. یی و همکاران (2019) ویژگی‌های مختلفی را از داده‌های چند زمانی Sentinel-2 برای طبقه‌بندی محصولات استخراج کرد و دقت کلی 94٪ را به دست آورد [ 14 ].
داده های نوری Landsat 8 و Sentinel-2 فوق توسط پلت فرم های سنجش از دور غیرفعال به دست آمد [ 15 ]. Sentinel-2 یک ماهواره تصویربرداری با وضوح بالا چندطیفی است که حامل یک ابزار چندطیفی (MSI) است [ 16 ]. این ماهواره دارای دو ماهواره 2A و 2B است و هر ماهواره هر 10 روز یک بار یک رصد زمین را تحت شرایط مشاهده ثابت انجام می دهد [ 16 ]. مکمل بودن دو ماهواره می تواند به وضوح زمانی 5 روز دست یابد. MSI دارای 13 باند است که از 442 تا 2202 نانومتر را پوشش می دهد و بالاترین وضوح فضایی 10 متر است [ 16 ]]. Sentinel-2 با سه نوار خود در لبه قرمز می تواند اطلاعات غنی را برای تشخیص محصول ارائه دهد و در نتیجه دقت تخمین برای محتوای کلروفیل، پوشش کسری سایبان های جنگلی و شاخص سطح برگ را بسیار بهبود بخشد [ 17 ]. علاوه بر این، داده‌های Sentinel-2 دارای وضوح زمانی بالایی هستند، بنابراین استفاده از آن‌ها می‌تواند اطلاعات زمانی غنی را برای شناسایی کوتاه‌مدت محصولات در مناطق بزرگ فراهم کند [ 18 ]. اگرچه ویژگی شاخص‌های گیاهی (VIs) تصاویر نوری روشی کارآمد برای شناسایی محصول فراهم می‌کند، اما به راحتی تحت تأثیر پوشش ابر قرار می‌گیرند و به‌عنوان سری‌های زمانی کامل به‌دست آوردن آنها دشوار است [ 19 ].
از آنجایی که امواج مایکروویو می توانند به ابرها نفوذ کنند، سنجش از راه دور فعال می تواند مستقل از شرایط آب و هوایی انجام شود، که تا حد زیادی به دست آوردن تصاویر سری زمانی پیوسته را تسهیل می کند [ 20 ]. Sentinel-1 یک ماهواره راداری است که توسط آژانس فضایی اروپا با قدرت تفکیک مکانی بالا و یک دوره بازبینی کوتاه به فضا پرتاب شد. دارای چهار حالت کار است: موج (WV)، نوار عریض تداخل سنجی (IW)، نوار فوق عریض (EW) و نقشه نواری (SM) [ 21 ]، و می تواند تک قطبی (HH یا VV)، دو قطبی را ارائه دهد. (HH + HV یا VV + VH)، داده‌های تصویربرداری رادار با دیافراگم مصنوعی چندزمانی، با وضوح بالا (تا 5 متر) و باند C. محققان قبلاً داده های Sentinel-1 را برای شناسایی محصول اعمال کرده اند [ 22 , 23 , 24، 25 ]. تجا و همکاران از داده‌های SAR موقت Sentinel-1 برای تخمین مناطق کاشت برنج خریف استفاده کرد و دقت کلی 91% را بدست آورد [ 25 ]. برای شناسایی بهتر محصولات، بسیاری از محققان از داده های Sentinel-1 و -2 استفاده کردند [ 26 ، 27 ، 28 ]. با این حال، مطالعات کمی بر روی ترکیب در سطح ویژگی متمرکز شده اند، که برای مقابله با افزونگی اطلاعات مفید است [ 29 ].
طبقه‌بندی‌کننده جنگل تصادفی (RF) می‌تواند داده‌های سنجش از راه دور ذوب شده را طبقه‌بندی کند [ 30 ]. RF یک روش یادگیری گروهی است که برای حل مسائل طبقه بندی و رگرسیون استفاده می شود [ 31 ]. یادگیری گروهی یک طرح یادگیری ماشینی است که دقت پیش‌بینی را با ادغام چند مدل برای حل یک مسئله معین بهبود می‌بخشد [ 32 ]. طبقه‌بندی‌کننده‌های متعددی که در طبقه‌بندی گروهی شرکت می‌کنند، نتایج دقیق‌تری نسبت به یک طبقه‌بندی واحد تولید می‌کنند [ 32]. علاوه بر این، RF می‌تواند ویژگی‌های چند منبعی را از طریق درخت‌های تصمیم‌گیری چندگانه استخراج کند، بنابراین از ویژگی‌های مورد استفاده در داده‌های ترکیبی بیشترین استفاده را می‌کند. به طور خاص، برای ویژگی های سری زمانی، RF از ویژگی های آماری داده های سری زمانی برای استخراج و تجزیه و تحلیل ویژگی های سری زمانی نمونه های مختلف استفاده می کند [ 33 ]. در نهایت، به دلیل روش تصمیم گیری ساده و کارآمد رأی اکثریت، طبقه بندی کننده های RF می توانند به سرعت مقادیر زیادی از داده های سنجش از دور را طبقه بندی کنند [ 34 ].
این مقاله بر روی محصولات پاییزی در شهرستان ون، شهر جیائوزو تمرکز دارد. با استفاده از داده‌های چند زمانی Sentinel-1 و -2، این مطالعه ضریب پراکندگی پس‌انداز Sentinel-1 و شاخص تفاوت گیاهی نرمال شده (NDVI) داده‌های Sentinel-2 را در سطح ویژگی ترکیب کرد، سپس از یک پلت فرم GIS برای ساخت نمونه‌ها استفاده کرد. و در نهایت از RF برای طبقه بندی استفاده کرد. نتایج طبقه‌بندی داده‌های ذوب شده، داده‌های Sentinel-2 تک زمانی، داده‌های Sentinel-1 چند زمانی، و داده‌های Sentinel-2 چند زمانی برای روشن کردن مزایای داده‌های چند زمانی و داده‌های ترکیبی برای شناسایی محصول مقایسه شدند.

2. مواد و روشها

2.1. منطقه مطالعه

شهرستان ون، شهر جیائوزو در شمال غربی استان هنان، چین (112°57’39″–113°02’43″ شرقی، 34°50’15″ تا 34°57’37″ شمالی) واقع شده است و دارای قاره ای معتدل گرم است. آب و هوای موسمی میانگین دما بین 14 تا 15 درجه سانتی گراد و میزان بارندگی سالانه بین 550 تا 700 میلی متر است. بیشتر شهرستان ون دشت است و میانگین ارتفاع (نسبت به میانگین سطح دریا) بین 102.3 تا 116.1 متر است. طغیان‌های تاریخی متعدد رودخانه زرد و رودخانه Qin شکل‌های منحصر به فرد ساحل جنوبی، فرورفتگی شمالی و تپه میانی در شهرستان ون را تشکیل دادند. رودخانه های داخلی به سیستم رودخانه زرد تعلق دارند. رودخانه زرد، رودخانه کین و سیستم رودخانه زهکشی در این منطقه جریان دارد و منابع آبی کافی و آبیاری راحت را فراهم می کند. انواع اصلی خاک در این منطقه خاک فلووآکوئیک زرد و خاک فلووآکوئیک دارچینی است و کشاورزی طولانی مدت پتانسیل تولید قابل توجهی به این منطقه می دهد. این مقاله عمدتاً بر روی محصولات پاییزی در شهرستان ون متمرکز است که عمدتاً شامل ذرت، بادام زمینی و سیب زمینی چینی است که حدود 96٪ از کل محصولات را تشکیل می دهد. سایر محصولات غیر عمده، عمدتاً شامل سیب زمینی شیرین، محصولات روغنی، سبزیجات و میوه ها، خارج از محدوده این مقاله هستند.شکل 1 جغرافیای شهرستان ون را نشان می دهد.

2.2. Sentinel-1, -2 Data

برای این تحقیق، تصاویر سطح 1 Sentinel-1 Sentinel-1 (GRD) در حالت IW از وب سایت ASF Data Search دانلود شد. حالت IW از ادغام عرض نوارهای گسترده تر (250 کیلومتر) پشتیبانی می کند و تصاویر دانلود شده دارای وضوح متوسط ​​(10 متر) هستند. محصولات GRD شامل دو حالت پلاریزاسیون VV و VH می باشد. رزولوشن برد و آزیموت به ترتیب 20 و 22 متر و فاصله پیکسل ها 10 متر است. جدول 1 داده های محصولات تصویرسازی Sentinel-1 را نشان می دهد.
این مطالعه از داده های چند زمانی Sentinel-2 برای شناسایی محصول استفاده می کند. جدول 2 تاریخ های دریافت تصویر Sentinel-2 را فهرست می کند. این داده های Level-2A دوره های مختلف رشد گیاه را از ژوئن 2020 تا اکتبر 2020 پوشش می دهند و داده ها از پلت فرم موتور PIE (Pixel Information Expert) به دست آمده است.

2.3. داده های میدانی

برای درک وضعیت کاشت محصول محلی در شهرستان ون و به دست آوردن مجموعه آموزشی و برچسب‌های مجموعه آزمایشی برای طبقه‌بندی محصولات، این مطالعه بازدیدهای میدانی را در سه مکان مختلف در منطقه مورد مطالعه در سپتامبر 2020 انجام داد. این مطالعه با بخش‌های تولید کشاورزی محلی مشورت کرد. کشاورزان با جزئیات در مورد فنولوژی کاشت محصولات پاییزه. نتایج آماری در جدول 3 آورده شده است و شکل 2 تصاویر محصول را نشان می دهد.
در بازدیدهای میدانی، علاوه بر ثبت ویژگی های محصول برای هر بسته، مختصات طول و عرض مرکز هر بسته با ابزار موقعیت یابی GPS دیفرانسیل دستی با استفاده از سیستم مختصات WGS1984-UTM (منطقه 49N)، با کمتر از 2 ثبت شد. m خطای موقعیت یابی با استفاده از پلت‌فرم نرم‌افزار ArcGIS10.6 (Esri، Redlands، CA، USA)، داده‌های ایجاد شده توسط موقعیت‌یابی GPS و داده‌های ویژگی ادغام شدند و به فرمت شکل فایل ESRI تبدیل شدند و با تصاویر سنجش از دور با وضوح بالا Google مطابقت داشتند. این مطالعه از تفسیر بصری برای برچسب زدن چند ضلعی ها در Google Image با شکل فایل به عنوان مرکز استفاده کرد. از نظر فاصله نمونه زمینی داده های Sentinel-1 و -2، هر چند ضلعی حداقل 10 متر از مرز فاصله داشت تا از اختلاط پیکسل ها در مرز جلوگیری شود. برخی از برچسب ها در نشان داده شده استشکل 3 . “سایر” شامل محصولات غیر عمده، مناطق ایجاد شده، آب، جاده ها و درختان است.
جدول 4 نسبت سطح برچسب گذاری شده به سطح محصول مربوطه را فهرست می کند. داده‌های سطح محصول از داده‌های سالنامه آماری شهر جیائوزو 2020 به دست آمده است.

2.4. مواد و روش ها

روش تحقیق مورد استفاده در اینجا عمدتاً بر ادغام داده‌های Sentinel-1 و -2 متمرکز است. این مقاله نه تنها نقش داده‌های چند زمانی را در شناسایی محصول مورد مطالعه قرار می‌دهد، بلکه مزایای ادغام تصاویر سنجش از راه دور فعال و غیرفعال را برای طبقه‌بندی محصولات مورد بحث قرار می‌دهد. شکل 4 نمودار جریان فرآیند را نشان می دهد.

2.4.1. مجموعه داده های سری زمانی

Sentinel-1 با استفاده از نرم افزار پردازش سنجش از دور منبع باز Sentinel Applications Platform (SNAP) آژانس فضایی اروپا و ENVI5.3 (Esri، Redlands، CA، USA) پیش پردازش شد. فرآیندهای اصلی شامل حذف نویز مرزی و نویز حرارتی، فیلتر لکه، کالیبراسیون رادیومتریک، تصحیح زمین، تبدیل به دسی بل، و برش تصویر [ 35 ] بود.]. مجموعه داده‌های سری زمانی با قطبش VV و VH با پیش پردازش به‌دست آمدند که شامل ضریب پراکندگی برگشتی است. این مطالعه ویژگی‌ها را در هر دو مجموعه داده عادی کرد: مقادیر پیکسل هر تصویر به یک مقیاس مشترک تبدیل شد و شباهت‌ها و تغییرات ذاتی حفظ شد. عادی سازی ویژگی ها می تواند عملکرد الگوریتم های یادگیری ماشین را بهبود بخشد. نرمال سازی از نوع نرمال سازی min-max با حداقل مقدار 2% و حداکثر مقدار 98% استفاده می کند تا حساسیت به موارد پرت را کاهش دهد.

داده‌های Sentinel-2 با استفاده از موتور PIE پیش پردازش شدند، ویژگی‌های نوری استخراج شدند و یک مجموعه زمانی سری زمانی شاخص تفاوت نرمال‌شده (NDVI) ساخته شد. استخراج ویژگی های سری زمانی NDVI Sentinel-2 کلید مطالعه نقشه برداری محصول است [ 14 ]. NDVI به شدت با شاخص سطح برگ و کلروفیل گیاه همبستگی دارد و ابزار مهمی برای مطالعه وضعیت رشد گیاهی و پوشش گیاهی و حذف خطاهای تشعشعی است [ 36 ]. منحنی سری زمانی آن منعکس کننده چرخه رشد محصولات زراعی، از جمله کاشت، جوانه زنی، طبقه بندی، بلوغ و برداشت است [ 37 ، 38 ، 39]. NDVI با توجه به تبدیل نرمال شده بازتاب مادون قرمز نزدیک و قرمز محاسبه می شود که در رابطه (1) به دست می آید.

NDVI=ρنمنآر-ρآرEDρنمنآر+ρآرED،

جایی که ρنمنآربازتاب در باند مادون قرمز نزدیک است و ρنمنآربازتاب در نوار قرمز است.

برای استخراج منطقه مورد مطالعه، مرزهای بردار شهرستان ون به عنوان کلاس های ویژگی در موتور PIE خوانده شد و بر روی تصاویر Sentinel-2 قرار گرفت. سپس، این مطالعه عملیاتی مانند حذف ابر، ریاضی باند NDVI، فیلتر کردن و صادرات دسته ای را انجام داد. به طور خاص، باند ارزیابی کیفیت برای تشخیص ابرها و سایه‌های ابر برای تشخیص و حذف ساده و کارآمد ابر استفاده شد. برای تسهیل محاسبات درگیر در یادگیری ماشین، عادی سازی ویژگی در مجموعه داده سری زمانی NDVI به دست آمده انجام شد.
2.4.2. تلفیقی از سنجش از راه دور فعال و غیرفعال
ادغام داده های حسگرهای مختلف به طور کلی نیاز به ارجاع جغرافیایی و تلفیق تصویر دارد [ 40 ]. در این مطالعه، هر دو مجموعه داده‌های سری زمانی سنجش از دور فعال و غیرفعال به سیستم مختصات WGS1984-UTM (منطقه 49N) پیش‌بینی شدند، بنابراین قبل از ادغام نیازی به ارجاع جغرافیایی نیست.
بیشتر ادغام تصاویر نوری و راداری از یک استراتژی همجوشی اولیه استفاده می کند، که در آن سری زمانی تصویر نوری و سری زمانی تصویر رادار به شکل یک مکعب داده در کنار هم قرار می گیرند [ 41 ، 42 ، 43 ، 44 ]. این روش همجوشی شاخص پوشش گیاهی و ضریب پراکندگی پس از آن را استخراج نمی کند، بنابراین اجرای آن ساده و آسان است. با این حال، داده های همجوشی دارای اطلاعات بسیار زیادی هستند، که بیشتر آنها برای شناسایی محصول مهم نیستند، بنابراین افزونگی اطلاعات یک مشکل است [ 29 ]]. بنابراین، این مطالعه در اینجا روش همجوشی سطح ویژگی را اتخاذ کرد که به موجب آن این مطالعه ویژگی ضریب پراکندگی پس‌پراکندگی را از Sentinel-1 و ویژگی VI از Sentinel-2 را انتخاب کرد و داده‌های ذوب شده را با انباشتن مجموعه داده‌های سری زمانی مربوطه به‌دست آورد. با جزئیات بیشتر، داده های همجوشی شامل 9 NDVI، 10 ضرایب قطبش پس پراکندگی VV و 10 ضرایب پس پراکندگی قطبش VH هستند.
2.4.3. طبقه بندی جنگل تصادفی
این مطالعه از یک الگوریتم تقسیم‌بندی معنایی بر اساس طبقه‌بندی کننده RF برای طبقه‌بندی داده‌های ذوب شده Sentinel-1 و -2 استفاده کرد. بر خلاف تقسیم‌بندی نمونه، که یک شی واحد را بدون توجه به دسته‌بندی آن به عنوان یک موجودیت مجزا در نظر می‌گیرد، تقسیم‌بندی معنایی با تمام اشیاء هم‌رده به‌عنوان متعلق به یک موجود رفتار می‌کند [ 45 ، 46 ]. با توجه به پیچیدگی کاربردهای تصویر سنجش از دور و ساختار مشابه محصولات، این مطالعه از روش طبقه‌بندی تقسیم‌بندی معنایی استفاده کرد. RF یک الگوریتم یادگیری ماشینی نظارت شده است که نیازهای بخش بندی معنایی را برآورده می کند [ 47 ]]؛ از چندین درخت تصمیم تشکیل شده است و دسته بندی هر پیکسل از خروجی آن به حداکثر تعداد آرا در مجموعه درختان بستگی دارد. RF سریع‌تر از سایر طبقه‌بندی‌کننده‌ها است، پارامترسازی آسان‌تر و قوی‌تر است [ 48 ] که از تجزیه و تحلیل ویژگی‌های مختلف مورد استفاده در اینجا پشتیبانی می‌کند. شکل 5 ساختار RF را نشان می دهد و طبقه بندی کننده RF شامل چهار مرحله اصلی است:
(1)
یک مجموعه نمونه با ظرفیت N N بار با جایگزینی یکباره استخراج شد تا اینکه N نمونه تشکیل شد، که سپس به عنوان نمونه در گره ریشه درخت تصمیم برای آموزش درخت تصمیم استفاده شد.
(2)
هر نمونه دارای ویژگی های M است. هنگامی که درخت تصمیم نیاز به تقسیم داشت، ویژگی های m << M به طور تصادفی از این ویژگی های M انتخاب شدند. ویژگی با بهترین قابلیت طبقه بندی این ویژگی های m به عنوان ویژگی تقسیم گره انتخاب شد.
(3)
برای تشکیل درخت تصمیم، هر گره طبق مرحله 2 تقسیم شد تا زمانی که ویژگی انتخاب شده توسط گره فرزند، ویژگی مورد استفاده در هنگام تقسیم گره والد باشد. یعنی گره فرزند یک گره برگ بود. در این مرحله، شکاف متوقف شد. توجه داشته باشید که هر درخت به حداکثر میزان رشد کرد و در طول تشکیل درخت تصمیم هیچ گونه هرس انجام نشد. و
(4)
این مطالعه مراحل 1-3 را برای ساخت k درخت تصمیم برای تشکیل RF دنبال کرد. با فرض اینکه مجموعه دسته ها { ج1، ج2, … , جن}، خروجی پیش بینی از ساعتمندر نمونه x به عنوان یک بردار N- بعدی بیان شدساعتمن1ایکس، ساعتمن2ایکس، …، ساعتمننایکستی، جایی که ساعتمنjایکسنشان دهنده خروجی از ساعتمندر دسته بندی جj، و تصمیم با رای اکثریت گرفته شد (معادله (2)).
اچایکس=جj،  ∑من=1کساعتمنjایکس>0.5∑متر=1ن∑من=1کساعتمنمترایکسرد کردن،  دیگران،
یعنی اگر دسته ای بیش از نیمی از آرا را می آورد، پیش بینی آن دسته بود و در غیر این صورت پیش بینی رد می شد.
طبقه‌بندی‌کننده RF دو پارامتر برای تنظیم داشت: تعداد k درخت‌های تصمیم در طبقه‌بندی‌کننده و تعداد m ویژگی‌هایی که باید هنگام یافتن بهترین تقسیم در نظر گرفته شوند [ 49 ]. هر چه تعداد درخت های تصمیم در طبقه بندی کننده RF بیشتر باشد، طبقه بندی بهتر است، اما زمان محاسبه طولانی تر است. هرچه تعداد ویژگی‌ها کمتر باشد، واریانس کمتر است، اگرچه سوگیری افزایش می‌یابد. بنابراین دقت طبقه بندی و بازده زمانی به طور جامع در نظر گرفته شد. در این مطالعه از 300 درخت تصمیم استفاده شد و ریشه تعداد کل ویژگی ها به عنوان تعداد ویژگی ها در نظر گرفته شد.
2.4.4. آموزش و پیش بینی
برای آموزش طبقه بندی و آزمایش، برچسب های نمونه بر روی تصاویر ذوب شده برای به دست آوردن نمونه ها پوشانده شد. برای اجتناب از تأثیر خودهمبستگی فضایی [ 50 ]، نمونه‌هایی از دو مکان در منطقه مورد مطالعه به‌عنوان مجموعه آموزشی و نمونه‌های دیگر به‌عنوان مجموعه آزمایش استفاده شدند. جدول 5 تعداد پیکسل ها و بسته های مجموعه آموزشی و مجموعه آزمایشی را فهرست می کند.
داده های مجموعه آموزشی در طبقه بندی کننده RF پارامتری برای آموزش وارد شد و سپس از مدل RF آموزش دیده برای پیش بینی تصاویر مجموعه آزمایشی استفاده شد. برای ارزیابی مزایای داده های ذوب شده و داده های چند زمانی، سری زمانی ضرایب پس پراکندگی Sentinel-1، سری زمانی NDVI Sentinel-2، و تصاویر NDVI Sentinel-2 تک زمانی (در این روز، همه دسته ها به راحتی قابل تشخیص هستند) همچنین برای آموزش طبقه بندی کننده و پیش بینی با همان پارامترها استفاده شد.
2.4.5. دقت

برای ارزیابی صحت پیش‌بینی‌ها از چهار طرح استفاده شد. متداول ترین تکنیک مورد استفاده برای ارزیابی دقت طبقه بندی محصولات زراعی شامل ماتریس سردرگمی [ 51 ] است. ماتریس سردرگمی تصاویر پیش‌بینی‌شده مجموعه آزمایش را با برچسب‌های مجموعه آزمایش مقایسه می‌کند و دقت کلی (OA%) و ضریب کاپا (K) (معادلات (3) و (4)) را تولید می‌کند، که این احتمال است که پیکسل ها به درستی طبقه بندی می شوند و سازگاری بین نتیجه طبقه بندی و نتیجه واقعی را اندازه گیری می کنند [ 48 ]. OA توسط

OA=∑من=1nپمن،j∑j=1n∑من=1nپمن،j،

جایی که پمن،jتعداد کل پیکسل های متعلق به دسته i و اختصاص یافته به دسته j و n تعداد دسته ها است. ضریب کاپا توسط

ک=ن2×OA-∑من=1nآمنبمنن2-∑من=1nآمنبمن،

که در آن N تعداد کل پیکسل ها است،  آ1، آ2,…, آnتعداد پیکسل های واقعی در هر نوع هستند و ب1، ب2,…, بnتعداد پیکسل های پیش بینی شده برای هر نوع هستند [ 52 ]. علاوه بر این، برای تأیید کامل نتایج طبقه‌بندی به‌دست‌آمده، این مطالعه نتایج طبقه‌بندی داده‌های ترکیب شده را با داده‌های سالنامه آماری شهر جیائوزو 2020 مقایسه کرد.

3. نتایج

3.1. منحنی سری زمانی

شکل 6 منحنی های متغییر زمان ضرایب پس پراکندگی قطبش VV و VH را برای دسته های مختلف پس از نرمال سازی ویژگی نشان می دهد. مقدار پیکسل این ضریب پراکندگی برگشتی، مقدار متوسط ​​هر نمونه کلاس است. از شکل 6 می توان دید که مقادیر پیکسل با گذشت زمان تغییر می کند. مقادیر پیکسل VV کمی تغییر کرد، در حالی که مقادیر پیکسل VH بسیار تغییر کرد.
شکل 7 مقادیر پیکسل NDVI را پس از عادی سازی ویژگی و به عنوان تابعی از زمان برای دسته های مختلف نشان می دهد. مقدار پیکسل NDVI میانگین مقادیر پیکسل NDVI برای همه نمونه های آن دسته است. نتایج نشان داد که ارزش NDVI محصولات با گذشت زمان تغییر کرد که با روند رشد محصولات همخوانی داشت [ 11 ]. در 5 آگوست، دسته ها به راحتی قابل تشخیص بودند، بنابراین این مطالعه داده های Sentinel-2 را در این روز به عنوان داده های تک زمانی انتخاب کرد.

3.2. دقت

ضرایب OAs و Kappa در جدول 6 آورده شده است. در مقایسه با داده 5 آگوست 2020 Sentinel-2، OA داده چند زمانی Sentinel-2 6.3٪ افزایش یافت و ضریب Kappa 0.047 افزایش یافت. داده های ترکیبی چند زمانی Sentinel-1 و -2 در مقایسه با Sentinel-2 چند زمانی (87.6%)، 5 آگوست 2020 Sentinel-2 (81.3%) و چند زمانی Sentinel-1 به بالاترین OA 90.5% دست یافتند. (73.4 درصد).
برای مقایسه بیشتر، ماتریس سردرگمی داده های ذوب شده در جدول 7 نشان داده شده است . ذرت با 91.5 درصد بالاترین دقت تولید را به دست آورد، پس از آن سایر پوشش زمین (89.6 درصد)، سیب زمینی (88.6 درصد) و بادام زمینی (85.2 درصد) قرار گرفتند. از نظر دقت استفاده کننده، ذرت با 4/96 درصد و پس از آن سایر پوشش زمین (4/81 درصد)، بادام زمینی (5/79 درصد) و سیب زمینی با 1/75 درصد بیشترین دقت را به خود اختصاص دادند.

3.3. مقایسه جزئیات پیش بینی

شکل 8 پیش بینی های مختلف و برچسب های مجموعه آزمایشی را به صورت بصری مقایسه می کند. از یک سو، داده‌های Sentinel-2 چند زمانی، نویز تصویر کمتری نسبت به داده‌های Sentinel-2 تک زمانی ایجاد کردند و یکنواختی داخلی بسته‌ها بیشتر شد. از سوی دیگر، ادغام داده های چند زمانی Sentinel-1 و -2 باعث کاهش نویز تصویر داده های Sentinel-2 چند زمانی شده و دقت پیش بینی داده های Sentinel-1 چند زمانی را بهبود می بخشد. با داده‌های چند زمانی Sentinel-1، لبه‌های بسته‌های محصول پاییزی مناطق اصلی پیش‌بینی ضعیف هستند، با اشیاء خطی جزئی، مانند مسیرها و نهرها، که به اشتباه به عنوان محصولات پاییزی پیش‌بینی می‌شوند.

3.4. نقشه برداری محصول

شکل 9 توزیع فضایی محصولات پاییزی را در منطقه مورد مطالعه نشان می دهد که با ادغام داده های چند زمانی Sentinel-1 و -2 تعیین می شود. از نقطه نظر فضایی، بادام زمینی، ذرت و سیب زمینی چینی عمدتاً در مناطق خارج از بخش جنوب شرقی شهرستان ون توزیع می شوند. از نظر سطح، ذرت بیشترین بخش از سطح محصول را پوشش می دهد (74.95٪)، و پس از آن سیب زمینی چینی (15.27٪) و بادام زمینی (9.48٪) قرار دارند.

3.5. مقایسه با داده های دولتی

همانطور که در جدول 8 نشان داده شده است ، مناطق بادام زمینی، ذرت و سیب زمینی چینی گزارش شده توسط دولت همگی در محدوده پیش بینی شده در اینجا بر اساس داده های ذوب شده قرار دارند. بنابراین، نتایج طبقه‌بندی به‌دست‌آمده در اینجا با داده‌های سالنامه آماری 2020 Jiaozuo مرتبط است.

4. بحث در مورد نتایج

این مطالعه بر طبقه بندی محصولات بر اساس داده های سنجش از دور چند زمانی تمرکز دارد. نتایج نشان داد که استفاده از داده های چند زمانی Sentinel-2 به طور قابل توجهی دقت طبقه بندی را بهبود بخشید. این نتیجه به این واقعیت نسبت داده می شود که محصولات به دلیل ویژگی های فیزیکوشیمیایی مانند رطوبت و محتوای کلروفیل شباهت های خاصی در طول رشد دارند و در نتیجه ویژگی های طیفی بسیار مشابهی دارند [ 53 ]. این بدان معنی است که محصولات مختلف ممکن است ویژگی های طیفی یکسانی داشته باشند. بنابراین استفاده از تصاویر سنجش از دور چند زمانی برای روشن شدن این ابهامات بسیار مهم است.
سری زمانی داده‌های سنجش از دور چند زمانی، محصولات را بر مبنای زمانی مشخص می‌کند، که مبنای وسیع‌تری برای شناسایی انواع محصولات فراهم می‌کند، همانطور که با چهار نکته زیر نشان داده می‌شود: (1) بعد زمانی ارائه شده توسط داده‌های سری زمانی بنابراین مشکل محصولات مختلف دارای ویژگی‌های طیفی یکسان یا ویژگی‌های طیفی متفاوت مربوط به یک محصول را حل کرد، بنابراین امکان تعیین دقیق و زمان‌بندی ویژگی‌های محصولات را فراهم کرد [ 54 ]]. (2) شناسایی محصول بر اساس داده های سری زمانی محدود به فصول یا فنولوژی محصول نیست. با بازسازی یا تجزیه منحنی‌های سری زمانی، می‌توان اثرات تغییرات فنولوژیکی محصول در دوره‌های مختلف را حذف کرد و ویژگی‌های رشد کلی‌تر محصولات را بررسی کرد و در نتیجه تغییرات کاذب ناشی از عوامل فصلی را حذف کرد [ 55 ]. (3) تغییرات شناسایی شده بر اساس داده های سری زمانی منعکس کننده تغییرات چند ساله در محصولات [ 56 ] است، که به مردم اجازه می دهد تا چگونگی تکامل محصولات را در طول زمان تجزیه و تحلیل کنند. (4) وضوح زمانی بالای داده های سری زمانی امکان استخراج دقیق تغییرات زمانی در محصولات را فراهم می کند.
نتایج نشان می‌دهد که داده‌های Sentinel-2 به دقت بسیار بیشتری نسبت به داده‌های Sentinel-1 منجر می‌شوند [ 57 ، 58 ]. NDVI Sentinel-2 یک شاخص مهم برای وارونگی سطح محصول است و به طور گسترده برای استخراج محصولات زراعی و سایر پوشش های گیاهی استفاده می شود [ 14 ، 36 ]. برای داده‌های Sentinel-1، محصولات را می‌توان تنها با توجه به تغییر ضریب پراکندگی پس‌زمینه استخراج کرد، که تشخیص و تشخیص محصولات سخت است.
ادغام داده های Sentinel-1 و -2 کلید این مطالعه است. نتایج نشان می‌دهد که در مقایسه با سایر داده‌ها، داده‌های Sentinel-1 و -2 ذوب شده بالاترین دقت طبقه‌بندی را ارائه می‌کنند. این مطالعه از یک روش همجوشی سطح ویژگی برای ساخت یک مدل ترکیبی سنجش از راه دور چند منبعی استفاده کرد که ویژگی‌های چند منبعی مانند طیف، سری‌های زمانی و ضریب پراکندگی پس‌انداز را ادغام می‌کند. از یک طرف، ترکیب داده‌های Sentinel-1 و -2 ویژگی‌های بیشتری را برای شناسایی محصولات زراعی فراهم کرد. از سوی دیگر، داده های SAR دارای توانایی ضد تداخل قوی هستند و تحت تأثیر پوشش ابری قرار نمی گیرند. می توان آن را در طول روز یا شب تحت شرایط آب و هوایی مختلف به دست آورد. استفاده از داده‌های Sentinel-1 برای تکمیل داده‌های Sentinel-2، مشکل پوشش ابری و داده‌های سری زمانی ناکافی را حل می‌کند.
برخی از خطاهای شناسایی در این مطالعه رخ داده است. مقایسه جزئیات طبقه بندی نشان داد که پیکسل هایی که باید به عنوان بادام زمینی طبقه بندی شوند در عوض به عنوان یام های چینی طبقه بندی می شوند و بالعکس. با توجه به شاخص‌های فنولوژی رشد و پوشش گیاهی این دو محصول، می‌توان دریافت که حالت‌های رشد آنها مشابه است، که توضیح می‌دهد که چرا تشخیص سیب زمینی چینی از بادام زمینی با استفاده از سنجش از دور دشوار است. با این حال، طبقه بندی ذرت بهتر است زیرا فنولوژی و VIs ذرت با سایر محصولات متفاوت است. علاوه بر این، ذرت منطقه بزرگی را پوشش می‌دهد، بنابراین نمونه‌ها فراوان هستند، که برای آموزش یک طبقه‌بندی کننده RF مفید است.
نقشه طبقه بندی محصولات کشاورزی و داده های دولتی توزیع محصولات کشاورزی در شهرستان ون را نشان می دهد. ذرت بیشترین توزیع را دارد، بسیار بیشتر از سیب زمینی یا بادام زمینی چینی، زیرا ذرت محصول اصلی غذایی است و تقاضای بازار بالایی دارد، در حالی که بادام زمینی و سیب زمینی چینی محصولات نقدی محلی با تقاضای کمی هستند. ون یک شهرستان معمولی کشاورزی در چین است، بنابراین طبقه بندی خوب به دست آمده در این کار به این معنی است که روش پیشنهادی در اینجا می تواند به سایر مناطق چین منتقل شود.
تحقیقات آینده باید سه جنبه زیر را در نظر بگیرند: (1) در انتخاب ویژگی، مدل همجوشی سنجش از دور چند منبعی باید با ادغام باند طیفی، شاخص طیفی، ویژگی بافت، تنوع شاخص طیفی و ترکیب آنها مورد مطالعه قرار گیرد. (2) انواع الگوریتم های یادگیری ماشین را می توان در تحقیقات تطبیقی ​​آزمایش کرد. (3) در نهایت، برای بهبود دقت طبقه‌بندی، داده‌های ذوب‌شده سنجش از راه دور چند منبعی را می‌توان بیشتر با داده‌های ابرطیفی هوابرد، داده‌های ابر نقطه‌ای، داده‌های ارتفاعی و داده‌های با وضوح بالا غنی‌تر کرد.

5. نتیجه گیری ها

با توجه به رشد جمعیت در دهه های اخیر، استفاده منطقی از منابع زمین برای کاشت محصولات اهمیت پیدا کرده است و سنجش از دور روشی موثر برای پایش محصولات کشاورزی فراهم می کند. از ماهواره های رادار می توان برای نظارت بر سطح زمین در روزهای ابری و بارانی و از داده های نوری برای به دست آوردن شاخص های پوشش گیاهی برای نظارت بر محصولات استفاده کرد. بنابراین، در مقایسه با داده‌های سنجش از دور سنتی، ترکیب داده‌های رادار و نوری می‌تواند دقت طبقه‌بندی محصولات را بهبود بخشد. چند حسگر توسعه یافته توسط برنامه کوپرنیک، ترکیب داده ها را برای بهبود شناسایی محصول ارائه می دهد. در این مطالعه، ویژگی‌های چند منبعی مانند ضریب پراکندگی پس‌انداز، VIs و سری‌های زمانی از داده‌های Sentinel-1 و Sentinel-2 استخراج شدند و این ویژگی‌ها در سطح ویژگی ترکیب شدند.

منابع

  1. آیانلاده، ا. Radeny، M. COVID-19 و امنیت غذایی در جنوب صحرای آفریقا: پیامدهای قرنطینه در طول فصول کاشت کشاورزی. NPJ Sci. Food 2020 , 4 , 13. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. Stark، JC Food تولید، سلامت انسان و سلامت سیاره در میان COVID-19. کاوش.-جی. علمی سلامت 2021 ، 17 ، 179-180. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. وانگ، ی. پنگ، دی. یو، ال. ژانگ، ی. یین، جی. ژو، ال. ژنگ، اس. وانگ، اف. لی، سی. نظارت بر رشد محصول در طول دوره انتشار سریع کووید-19 در چین توسط سنجش از دور. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2020 , 13 , 6195–6205. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. چن، جی. یانگ، الف. کشاورزی هوشمند و فناوری‌های کلیدی آن بر اساس معماری اینترنت اشیا. دسترسی IEEE 2019 ، 7 ، 77134–77141. [ Google Scholar ] [ CrossRef ]
  5. چنگ، ال. Zhang, Y. تجزیه و تحلیل سیستم کشاورزی هوشمند و حالت کنترل بر اساس کنترل فازی و شبکه حسگر. جی. اینتل. سیستم فازی 2019 ، 37 ، 6325–6336. [ Google Scholar ]
  6. Tseng، F.-H.; چو، H.-H. وو، اچ.-تی. استفاده از داده های بزرگ برای تجزیه و تحلیل انتخاب محصول هوشمند مبتنی بر کشاورزی. دسترسی IEEE 2019 ، 7 ، 116965–116974. [ Google Scholar ] [ CrossRef ]
  7. هان، سی. ژانگ، بی. چن، اچ. وی، ز. لیو، Y. مدل محصول توزیع شده فضایی بر اساس سنجش از دور. کشاورزی مدیریت آب. 2019 ، 218 ، 165-173. [ Google Scholar ] [ CrossRef ]
  8. لین، اف. ونگ، ی. چن، اچ. Zhuang, P. سیستم گلخانه هوشمند مبتنی بر تصاویر سنجش از راه دور و یادگیری ماشینی باعث ارتقای کارایی رشد اقتصادی کشاورزی می شود. محیط زیست تکنولوژی نوآوری. 2021 ، 24 ، 101758. [ Google Scholar ] [ CrossRef ]
  9. ژانگ، اچ. هوانگ، Q. ژای، اچ. Zhang, L. تشخیص ابر چند زمانی مبتنی بر PCA قوی برای تصاویر سنجش از دور نوری. محاسبه کنید. الکترون. کشاورزی 2021 , 188 , 106342. [ Google Scholar ] [ CrossRef ]
  10. مورتی، CS; راجو، PV; Badrinath، KVS طبقه بندی محصول گندم با تصاویر چند زمانی: عملکرد حداکثر احتمال و شبکه های عصبی مصنوعی. بین المللی J. Remote Sens. 2003 , 24 , 4871-4890. [ Google Scholar ] [ CrossRef ]
  11. وولو، اف. نوویرث، ام. ایمیتزر، ام. آتزبرگر، سی. Ng، W.-T. 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 ]
  12. وانگ، اچ. لین، اچ. مونرو، DK; ژانگ، ایکس. لیو، پی. بازسازی منحنی‌های فنولوژی برنج با تجزیه و تحلیل مبتنی بر فرکانس و NDVI چند زمانی در منطقه دو کشت در جیانگ سو، چین. جلو. علوم زمین 2016 ، 10 ، 292-302. [ Google Scholar ] [ CrossRef ]
  13. سونوبه، آر. یامایا، ی. تانی، اچ. وانگ، XF; کوبایاشی، ن. Mochizuki، K. نقشه برداری پوشش محصول با استفاده از تصاویر OLI چند زمانی Landsat 8. بین المللی J. Remote Sens. 2017 , 38 , 4348–4361. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. یی، ز. جیا، ال. چن، کیو. طبقه‌بندی محصول با استفاده از داده‌های چند زمانی Sentinel-2 در حوضه رودخانه شیانگ چین. Remote Sens. 2020 , 12 , 4052. [ Google Scholar ] [ CrossRef ]
  15. ژو، ی. فلین، کی سی; گودا، پی اچ. واگل، پی. ما، س. کاکانی، وی جی; Steiner, JL پتانسیل سنجش از دور فعال و غیرفعال برای تشخیص برداشت مکرر یونجه. بین المللی J. Appl. زمین Obs. Geoinf. 2021 ، 104 ، 102539. [ Google Scholar ] [ CrossRef ]
  16. وولو، اف. زولتاک، م. پیپیتون، سی. زاپا، ال. ونگ، اچ. ایمیتزر، ام. ویس، م. بارت، اف. آتزبرگر، سی. پلتفرم خدمات داده برای بازتاب سطحی Sentinel-2 و محصولات ارزش افزوده: استفاده از سیستم و مثال‌ها. Remote Sens. 2016 , 8 , 938. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. راموئلو، ا. دزیکیتی، س. Deventer، HV; ماهری، ا. چو، MA; Gush، M. پتانسیل برای پایش تنش گیاه با استفاده از ابزار سنجش از دور. J. محیط خشک. 2015 ، 113 ، 134-144. [ Google Scholar ] [ CrossRef ]
  18. کاتنبورن، تی. لوپاتین، جی. فورستر، ام. براون، AC; داده های پهپاد Fassnacht، FE به عنوان جایگزینی برای نمونه برداری میدانی برای نقشه برداری گونه های مهاجم چوبی بر اساس داده های ترکیبی Sentinel-1 و Sentinel-2. سنسور از راه دور محیط. 2019 ، 227 ، 61-73. [ Google Scholar ] [ CrossRef ]
  19. ایبل، پی. خو، ی. اشمیت، ام. Zhu, XX SEN12MS-CR-TS: مجموعه داده های سنجش از راه دور برای حذف چند وجهی ابر. IEEE Trans. Geosci. Remote Sens. 2022 , 60 , 1-14. [ Google Scholar ] [ CrossRef ]
  20. پارک، N.-W. لی، اچ. Chi, K. استخراج ویژگی و همجوشی برای تبعیض پوشش زمین با داده های SAR چند زمانی. Korean J. Remote Sens. 2005 ، 21 ، 145-162. [ Google Scholar ]
  21. بوگاپوراپو، ن. دی، س. باتاچاریا، ا. ماندال، دی. لوپز-سانچز، جی.ام. مک نیرن، اچ. لوپز-مارتینز، سی. Rao، YS توصیفگرهای دو قطبی از داده های Sentinel-1 GRD SAR برای ارزیابی رشد محصول. ISPRS J. Photogramm. Remote Sens. 2021 ، 178 ، 20-35. [ Google Scholar ] [ CrossRef ]
  22. کلاوس، ک. اوتینگر، ام. Kuenzer، C. نقشه برداری مناطق برنج با سری زمانی Sentinel-1 و تقسیم بندی سوپرپیکسل. بین المللی J. Remote Sens. 2018 ، 39 ، 1399-1420. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. کوسول، ن. میکولا، ال. شلستوف، آ. Skakun، S. موجودی محصول در مقیاس منطقه ای در اوکراین: در حال توسعه در نقشه های محصول فصل و پایان فصل با تصاویر ماهواره ای نوری و SAR چند زمانی. یورو J. Remote Sens. 2018 , 51 , 627–636. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. سینگا، م. دونگ، جی. سرمه، س. تو، ن. ژو، ی. ژانگ، جی. دوغتی، ر. Xiao, X. شناسایی سیل و مزارع برنج شالیزاری تحت تأثیر سیل در بنگلادش بر اساس تصاویر Sentinel-1 و موتور Google Earth. ISPRS J. Photogramm. Remote Sens. 2020 , 166 , 278–293. [ Google Scholar ] [ CrossRef ]
  25. Subbarao، NV; مانی، JK; شریواستاوا، ا. سرینیواس، ک. Varghese, AO برآورد سطح زیرکشت محصول برنج خریف با استفاده از داده های SAR زمانی Sentinel-1. تف کردن Inf. Res. 2021 ، 29 ، 495-505. [ Google Scholar ] [ CrossRef ]
  26. چونگ، لو. لیو، اچ جی; لو، LP; لیو، ZR؛ کنگ، اف سی؛ کامپوزیت های ماهانه Zhang، XL از تصاویر Sentinel-1 و Sentinel-2 برای نقشه برداری محصول عمده منطقه ای با موتور Google Earth. جی. اینتگر. کشاورزی 2021 ، 20 ، 1944-1957. [ Google Scholar ]
  27. اشتاینهاوزن، ام جی; واگنر، PD; نراسیمهان، ب. Waske، B. ترکیب داده‌های Sentinel-1 و Sentinel-2 برای بهبود کاربری زمین و نقشه‌برداری پوشش زمین از مناطق موسمی. بین المللی J. Appl. زمین Obs. Geoinf. 2018 ، 73 ، 595-604. [ Google Scholar ] [ CrossRef ]
  28. ولوسو، ا. مرموز، س. بووه، ا. Thuy Le، T. پلانلز، ام. Dejoux, J.-F. Ceschia، E. درک رفتار زمانی محصولات با استفاده از داده های Sentinel-1 و Sentinel-2-like برای کاربردهای کشاورزی. سنسور از راه دور محیط. 2017 ، 199 ، 415-426. [ Google Scholar ] [ CrossRef ]
  29. چن، YJ; Tian، SF همجوشی سطح ویژگی بین داده های Gaofen-5 و Sentinel-1A برای نقشه برداری مزرعه چای. جنگل‌ها 2020 ، 11 ، 1357. [ Google Scholar ] [ CrossRef ]
  30. ویربادراسوامی، ن. دواگیری، جنرال موتورز; خاپل، AK ترکیب اطلاعات تکمیلی SAR و داده‌های نوری برای نقشه‌برداری پوشش جنگلی با استفاده از الگوریتم جنگل تصادفی. Curr. علمی 2021 ، 120 ، 193-199. [ Google Scholar ] [ CrossRef ]
  31. بلژیک، م. Dragut، L. جنگل تصادفی در سنجش از دور: مروری بر برنامه‌های کاربردی و جهت‌های آینده. Isprs J. Photogramm. Remote Sens. 2016 ، 114 ، 24–31. [ Google Scholar ] [ CrossRef ]
  32. بیدرزیکی، جی. Burduk, R. ادغام درخت تصمیم با استفاده از مناطق پویا صلاحیت. Entropy 2020 , 22 , 1129. [ Google Scholar ] [ CrossRef ]
  33. وانگ، ایکس. ژانگ، جی. سون، ال. وانگ، جی. وو، زی. هنچیری، م. ژانگ، اس. ژانگ، اس. بای، ی. یانگ، اس. و همکاران ارزیابی اثربخشی مدل‌های یادگیری ماشینی و یادگیری عمیق ترکیبی از داده‌های ماهواره‌ای سری زمانی برای طبقه‌بندی انواع محصولات چندگانه در یک منطقه در مقیاس بزرگ. Remote Sens. 2022 , 14 , 2341. [ Google Scholar ] [ CrossRef ]
  34. لی، ی. چانگ، سی. وانگ، ز. لی، تی. لی، جی. ژائو، جی. شناسایی درجه کیفیت زمین زیر کشت با استفاده از داده‌های چند منبع ذوب شده و اطلاعات سنجش از راه دور محصول چندموقت. Remote Sens. 2022 , 14 , 2109. [ Google Scholar ] [ CrossRef ]
  35. سورش، جی. گرکه، ر. ویتر، تی. طبقه بندی کننده های مبتنی بر رادار دیافراگم مصنوعی (SAR) Hovenbitzer، M. برای کاربردهای زمین در آلمان. ISPRS—Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2016 ، 41 ، 1187. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. ژانگ، هنگ کنگ؛ روی، DP; یان، ال. لی، ز. هوانگ، اچ. ورموت، ای. اسکاکون، س. راجر، JC خصوصیات Sentinel-2A و Landsat-8 بالای جو، سطح و BRDF تنظیم شده بازتاب و تفاوت های NDVI. سنسور از راه دور محیط. 2018 ، 215 ، 482-494. [ Google Scholar ] [ CrossRef ]
  37. فن، جی. هوانگ، جی. Zhang، M. بازیابی شاخص کشت در چین با استفاده از سری زمانی NDVI گیاهی نقطه ای. سنس لت. 2013 ، 11 ، 1134-1140. [ Google Scholar ] [ CrossRef ]
  38. پان، ز. هوانگ، جی. ژو، Q. وانگ، ال. چنگ، ی. ژانگ، اچ. بلکبرن، GA؛ یان، جی. لیو، جی. نقشه‌برداری فنولوژی محصول با استفاده از سری‌های زمانی NDVI مشتق‌شده از داده‌های HJ-1 A/B. بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 34 ، 188-197. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. وی، دبلیو. وو، دبلیو. لی، ز. یانگ، پی. ژو، کیو. انتخاب روش بهینه بازسازی سری زمانی NDVI برای تشخیص فنولوژی محصول. هوشمند خودکار محاسبات نرم. 2016 ، 22 ، 237-247. [ Google Scholar ] [ CrossRef ]
  40. ژائو، کیو. هوئت، سی. Lenz-Wiedemann، VIS؛ میائو، ی. یوان، اف. ژانگ، اف. بارث، جی. ارجاع جغرافیایی داده های چندمنبعی جغرافیایی با استفاده از تصاویر چند زمانی TerraSAR-X: مطالعه موردی در مزرعه Qixing، شمال شرق چین. فتوگرام فرنرکوند. Geoinf. 2015 ، 2 ، 173-185. [ Google Scholar ] [ CrossRef ]
  41. Arkhipkin، OP؛ Sagatdinova، GN کاربرد همجوشی داده های نوری و راداری در پایش فضایی اجسام آبی. سوورم. مشکل Distantsionnogo Zondirovaniya Zemli Iz Kosm. 2020 ، 17 ، 91-102. [ Google Scholar ] [ CrossRef ]
  42. Moskvitin، AE; Ushenkin، VA ترکیب تصاویر رادار و نوری از سیستم های سنجش از راه دور زمین. Radiotekhnika 2019 ، 83 ، 183-191. [ Google Scholar ]
  43. خو، ز. ژائو، جی. ژانگ، اف. ژانگ، ال. یانگ، تی. لی، کیو. Pan, S. سیستم یکپارچه رادار-لیدار مبتنی بر فوتونیک برای کاربردهای فیوژن چند سنسوری. IEEE Sens. J. 2020 , 20 , 15068–15074. [ Google Scholar ] [ CrossRef ]
  44. ژو، ی. ژانگ، ال. کائو، ی. Huang، Y. تلفیق تصویر نوری و راداری برای تخمین دینامیکی ماهواره‌های اسپین. IEEE Trans. فرآیند تصویر 2020 ، 29 ، 2963-2976. [ Google Scholar ] [ CrossRef ]
  45. چو، اچ. ما، اچ. Li، X. تقسیم‌بندی نمونه عابر پیاده با ساختار قبلی بخش‌های معنایی. تشخیص الگو Lett. 2021 ، 149 ، 9-16. [ Google Scholar ] [ CrossRef ]
  46. حافظ، ع.م. Bhat, GM نظرسنجی در مورد تقسیم بندی نمونه: وضعیت هنر. بین المللی J. Multimed. Inf. Retr. 2020 ، 9 ، 171-189. [ Google Scholar ] [ CrossRef ]
  47. کانگ، بی. نگوین، جنگل تصادفی TQ با بازنمایی های آموخته شده برای تقسیم بندی معنایی. IEEE Trans. فرآیند تصویر 2019 ، 28 ، 3542-3555. [ Google Scholar ] [ CrossRef ]
  48. 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 ]
  49. خو، جی. زو، ی. ژونگ، آر. لین، ز. Lin, T. DeepCropMapping: یک رویکرد یادگیری عمیق چند زمانی با قابلیت تعمیم فضایی بهبود یافته برای نقشه برداری پویا ذرت و سویا. سنسور از راه دور محیط. 2020 , 247 , 111946. [ Google Scholar ] [ CrossRef ]
  50. وانگ، دی. ژو، Q.-B. یانگ، پی. چن، Z.-X. طراحی یک طرح نمونه برداری مکانی با در نظر گرفتن خود همبستگی فضایی سطح زیر کشت محصول در واحدهای نمونه برداری. جی. اینتگر. کشاورزی 2018 ، 17 ، 2096–2106. [ Google Scholar ] [ CrossRef ]
  51. Pena-Barragan، JM; Ngugi، MK; کارخانه، RE; شش، J. شناسایی محصول مبتنی بر شی با استفاده از شاخص‌های چندگانه پوشش گیاهی، ویژگی‌های بافتی و فنولوژی محصول. سنسور از راه دور محیط. 2011 ، 115 ، 1301-1316. [ Google Scholar ] [ CrossRef ]
  52. یانگ، اس. گو، ال. لی، ایکس. جیانگ، تی. روش طبقه‌بندی محصول رن، آر بر اساس انتخاب ویژگی بهینه و شبکه‌های CNN-RF ترکیبی برای تصاویر سنجش از دور چند زمانی. Remote Sens. 2020 , 12 , 3119. [ Google Scholar ] [ CrossRef ]
  53. Zarco-Tejada، PJ; روئدا، کالیفرنیا؛ Ustin، SL برآورد محتوای آب در پوشش گیاهی با داده های بازتاب MODIS و روش های وارونگی مدل. سنسور از راه دور محیط. 2003 ، 85 ، 109-124. [ Google Scholar ] [ CrossRef ]
  54. واردلو، بی.دی. اگبرت، اس ال. Kastens، JH تجزیه و تحلیل داده های شاخص پوشش گیاهی سری زمانی MODIS 250 متر برای طبقه بندی محصولات در دشت های بزرگ مرکزی ایالات متحده. سنسور از راه دور محیط. 2007 ، 108 ، 290-310. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. زو، ز. Woodcock، CE; اولوفسون، پی. زو، ز. Woodcock، CE; اولوفسون، پی. نظارت مستمر بر اختلالات جنگل با استفاده از تمام تصاویر موجود لندست. سنسور از راه دور محیط. 2012 ، 122 ، 75-91. [ Google Scholar ] [ CrossRef ]
  56. وربسلت، ج. هیندمن، آر. زیلیس، ع. Culvenor، D. تشخیص تغییرات فنولوژیکی در حالی که روندهای ناگهانی و تدریجی در سری های زمانی تصاویر ماهواره ای را محاسبه می کند. سنسور از راه دور محیط. 2010 ، 114 ، 2970-2980. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. مرونی، م. D’Andrimont، R. Vrieling، A. فاسبندر، دی. لموئین، جی. رامبولد، اف. Seguini، L. Verhegghen، A. مقایسه فنولوژی سطح زمین محصولات عمده اروپایی که از داده های SAR و چند طیفی Sentinel-1 و-2 مشتق شده است. سنسور از راه دور محیط. 2021 ، 253 ، 112232. [ Google Scholar ] [ CrossRef ]
  58. والرو، اس. آرنو، ال. پلانلز، ام. Ceschia، E. هم افزایی تصاویر Sentinel-1 و Sentinel-2 برای نقشه برداری محصولات کشاورزی در اوایل فصل. Remote Sens. 2021 , 13 , 4891. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00388 g001 550
شکل 1. موقعیت جغرافیایی منطقه مورد مطالعه.
Ijgi 11 00388 g002 550
شکل 2. ( a.1 – a.4 ) تصاویر بادام زمینی به ترتیب در زمان کاشت، جوانه زنی، گلدهی و برداشت. ( b.1 – b.4 ) تصاویر ذرت به ترتیب در هنگام جوانه زدن، پیوند زدن، بندکشی و بلوغ. ( c.1 – c.4 ) تصاویری از سیب زمینی چینی به ترتیب در هنگام کاشت، قطب بالا رفتن، میوه دهی و بلوغ.
Ijgi 11 00388 g003 550
شکل 3. نمونه هایی از برچسب ها از بازدیدهای میدانی.
Ijgi 11 00388 g004 550
شکل 4. نمودار جریان برای شناسایی محصول.
Ijgi 11 00388 g005 550
شکل 5. ساختار طبقه بندی کننده جنگل تصادفی.
Ijgi 11 00388 g006 550
شکل 6. پروفایل های زمانی ضرایب پراکندگی پس پراکندگی قطبش VV ( چپ ) و VH ( راست ).
Ijgi 11 00388 g007 550
شکل 7. مقادیر پیکسل NDVI به عنوان تابعی از زمان.
Ijgi 11 00388 g008 550
شکل 8. مقایسه نتایج مختلف پیش‌بینی‌شده و برچسب‌های مجموعه تست جزئی: ( الف ) برچسب‌های مجموعه تست جزئی. ( ب ) داده های Sentinel-2 تک زمانی. ( ج ) داده های چند زمانی Sentinel-2. ( د ) داده های چند زمانی Sentinel-1. ( ه ) ادغام داده های چند زمانی Sentinel-1 و -2.
Ijgi 11 00388 g009 550
شکل 9. نقشه طبقه بندی محصولات تولید شده با ادغام داده های چند زمانی Sentinel-1 و -2.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید