خلاصه

دسترسی دقیق و به موقع به اطلاعات توزیع مکانی محصولات زراعی از اهمیت بالایی برای مدیریت تولیدات کشاورزی برخوردار است. اگرچه به طور گسترده استفاده می شود، نقشه برداری طبقه بندی نظارت شده به تعداد زیادی نمونه میدانی نیاز دارد و در نتیجه از نظر زمان و هزینه پرهزینه است. به منظور کاهش نیاز به حجم نمونه، این مقاله یک روش طبقه‌بندی بدون نظارت را بر اساس باینینگ ایزومتریک اجزای اصلی (PCIB) پیشنهاد می‌کند. به طور خاص، کاهش ابعاد آنالیز مؤلفه اصلی (PCA) برای ویژگی‌های طبقه‌بندی اعمال می‌شود، و به دنبال آن، k مؤلفه‌های اصلی به سطل‌های مساوی تقسیم می‌شوند. Bin های همان دسته متعاقباً به عنوان یک برچسب کلاس ادغام می شوند. تصاویر سنجش از دور ماهواره چندزمانی Gaofen 1 (GF-1) در جنوب غربی شهر هولین و شهرستان لوبی در شهر هگانگ، استان هیلونگجیانگ، چین جمع‌آوری شد تا انواع محصولات در سال‌های 2016 و 2017 نقشه‌برداری شود. روش پیشنهادی ما با روش معمول مورد استفاده مقایسه شد. طبقه‌بندی‌کننده‌ها (جنگل تصادفی، K-means و الگوریتم تکنیک‌های تجزیه و تحلیل داده‌های خود سازمان‌دهی تکراری (ISODATA)). نتایج نشان می‌دهد که PCIB و جنگل تصادفی بالاترین دقت طبقه‌بندی را دارند و در سال 2016 در جنوب غربی شهر Hulin به 82٪ رسید. در شهرستان لوبی در سال 2016، دقت PCIB و جنگل تصادفی به ترتیب 81 درصد و 82 درصد تعیین شد. می توان نتیجه گرفت که دقت کلی روش پیشنهادی ما الزامات اساسی دقت طبقه بندی را برآورده می کند. علیرغم نشان دادن دقت کمتری نسبت به جنگل تصادفی،

کلید واژه ها:

PCIB _ جنگل تصادفی ; K-به معنی ; ISODATA ; نقشه برداری محصول ; طبقه بندی بدون نظارت GF-1

1. معرفی

امنیت غذایی برای معیشت و توسعه اقتصادی جمعیت جهان بسیار مهم است. کسب به موقع و دقیق منطقه کاشت محصول و توزیع فضایی آن برای برآورد دقیق عملکرد محصول، مدیریت تنظیمات ساختار کاشت محصول و تدوین سیاست های نظارتی مربوطه اهمیت زیادی دارد [1 ، 2 ، 3 ، 4 ] . اکثر روش‌های طبقه‌بندی محصولات مبتنی بر سنجش از دور فعلی در دسته طبقه‌بندی نظارت شده قرار می‌گیرند، از جمله یادگیری ماشینی [ 5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ،12 ] و یادگیری عمیق [ 13 ، 14 ]. چنین روش هایی به جمع آوری داده های نمونه زمینی به منظور آموزش مدل طبقه بندی نیاز دارند. دقت و توزیع مکانی داده های نمونه جمع آوری شده در میدان نیز بر دقت طبقه بندی تأثیر می گذارد. افزایش اخیر در تقاضا برای طبقه بندی محصولات در مقیاس بزرگ منجر به افزایش چشمگیر نمونه برداری از زمین شده است [ 8 ، 15 ]. در نتیجه، نمونه برداری سالانه میدانی، حجم زیادی از نیروی انسانی، منابع مادی و مالی را مصرف می کند [ 16]]. علاوه بر این، اکثر تکنیک‌های طبقه‌بندی محصولات فعلی به نمونه‌های سال جاری نیاز دارند، در حالی که جمع‌آوری نمونه، پردازش داده‌ها و مراحل اضافی بسیار زمان‌بر هستند و منجر به تاخیر در داده‌های طبقه‌بندی می‌شوند. این امر از کاربرد مؤثر نتایج طبقه بندی برای فصل کشاورزی جاری جلوگیری می کند.
تحقیقات فعلی بر کاهش وابستگی به مجموعه داده‌های نمونه بزرگ تمرکز دارد و در عین حال از طبقه‌بندی دقیق و به‌موقع محصولات برای فصل جاری اطمینان حاصل می‌کند. در حال حاضر، سه روش برای طبقه بندی مستقیم محصولات با استفاده از داده های نمونه محدود یا بدون نمونه از فصل جاری وجود دارد: (1) طبقه بندی تحت نظارت محصولات بر اساس نمونه های تاریخی. (ب) طبقه بندی نیمه نظارتی. و (iii) طبقه بندی بدون نظارت.
طبقه‌بندی مبتنی بر تاریخی اغلب با استفاده از اطلاعات کمکی مانند پایداری ساختار کاشت محصول، یا استفاده از پیکسل‌های محصول بدون تغییر گذشته به عنوان «نمونه‌های آموزشی» برای محصولات در فصل کنونی ایجاد می‌شود. به عنوان مثال، هائو [ 17 ] از داده های لایه داده های زمین زراعی سال تاریخی (CDL) جمع آوری شده در کانزاس، ایالات متحده برای استخراج نمونه های فرضی استفاده کرد. سپس این نمونه‌ها از طریق روش شبکه آنتی‌بادی مصنوعی (ABNet) غربال‌گری شدند تا «نمونه‌های آموزشی» برای طبقه‌بندی محصولات در فصل جاری با دقت 90 درصد به دست آید. ژانگ [ 18] اطلاعات تاریخی را با ساختار کاشت محصول فعلی و داده های طیفی برای بررسی روش های تولید نمونه جدید و غربالگری بر اساس تجزیه و تحلیل خوشه ای یکپارچه کرد. مدل طبقه‌بندی محصولات فصلی پیشنهادی توانست به دقت طبقه‌بندی 80.44 درصد برای نمونه‌های واقع در شهر Hulin، چین دست یابد. علیرغم دقت بالای طبقه‌بندی محصولات بر اساس داده‌های تاریخی، چنین روش‌هایی در مناطق فاقد نمونه‌های تاریخی محدود هستند.
روش‌های یادگیری نیمه‌نظارت‌شده می‌توانند مقادیر زیادی از داده‌های بدون برچسب نسبتاً ارزان را با مقدار محدودی از داده‌های برچسب‌گذاری شده استفاده کنند [ 19 ، 20 ، 21 ، 22 ]. به عنوان مثال، لیو [ 20 ] یک رویکرد ماشین بردار پشتیبان نیمه نظارت شده را با استفاده از یک الگوریتم خودآموزی برای طبقه بندی پوشش زمین در شهر یانجی، استان جیلین، چین، با بالاترین دقت به دست آمده برای نسبت نمونه مشخص شده و بدون علامت 1 پیشنهاد کرد: 3. در هو [ 23]، یک روش آموزشی مشارکتی بر اساس طبقه‌بندی‌کننده‌های نمایش مشارکتی تکمیلی تصادفی جنگل و ماتریس (MCCR) برای نقشه‌برداری پوشش زمین با استفاده از تصاویر سری زمانی Landsat (LTS) از شهر ووهان، چین، بین سال‌های 2000 و 2015 استفاده شد. نتایج نشان داد که طبقه‌بندی‌کننده MCCR همان بازده کاری طبقه‌بندی‌کننده جنگل تصادفی را در حضور نویز داده‌ها نشان داد، با این حال روش آموزش مشارکتی توانست طبقه‌بندی را از طریق یادگیری تکراری داده‌های بدون برچسب بهبود بخشد. با این حال، این مدل‌های مبتنی بر یادگیری نیمه‌نظارت‌شده برای طبقه‌بندی پوشش زمین تصاویر سنجش از راه دور با تعداد بسیار کمی از نمونه‌های برچسب‌دار و بزرگ بدون برچسب مناسب نیستند، زیرا پیچیدگی‌های محاسباتی بالا مرتبط با استفاده از تعداد بیشتری از هسته‌ها [24 ]]. Ratle [ 25 ] یک چارچوب طبقه بندی تصویر سنجش از دور نیمه نظارت شده را بر اساس شبکه های عصبی پیشنهاد کرد که دقت طبقه بندی و مقیاس پذیری تکنیک های قبلی را بهبود بخشید. سولانو [ 26 ] خوشه بندی همبستگی سلسله مراتبی (HCC) و یک شبکه عصبی مصنوعی (ANN) را برای یک روش طبقه بندی نیمه نظارت شده (HHC-ANN) بر اساس شاخص تفاوت طبیعی شده گیاهی (NDVI) و ویژگی های فنولوژیکی ترکیب کرد. دقت طبقه بندی HHC-ANN (84٪) از هر دو K-means و ANN پیشی گرفت. شبکه های عصبی با مزایای متعددی از جمله سازگاری، سرعت، تحمل خطا و بهینه بودن همراه هستند [ 27 ]. بنابراین، ما می‌توانیم مدل‌های طبقه‌بندی نیمه نظارت شده قوی را برای طبقه‌بندی کارآمد محصولات انتخاب کنیم.
روش‌های طبقه‌بندی بدون نظارت به منظور پردازش کارآمد تعداد زیادی از نمونه‌های بدون برچسب در تصاویر سنجش از دور اعمال شده‌اند. چنین روش‌هایی نیازی به داده‌های نمونه ندارند و تنها بر اطلاعات طیف یا بافت برای استخراج و تقسیم ویژگی‌های تصویر بر اساس ویژگی‌های آماری آن‌ها تکیه می‌کنند. برای مثال، Gumma [ 28 ] و Xiong [ 29 ] از K-means و طبقه‌بندی ISODATA برای خوشه‌بندی طیف‌سنجی تصویربرداری با وضوح متوسط ​​(MODIS) سری زمانی NDVI 250 متری 16 روزه برای تعیین نقشه توزیع برنج در جنوب آسیا استفاده کردند. و توزیع محصول در سراسر آفریقا. هائو [ 30 ] و کای [ 31] تصاویر MODIS و Landsat را با داده های میدانی برای تعیین سری های زمانی NDVI ترکیب کرد. سپس از این برای استخراج اطلاعات توزیع فضایی محصولات کلیدی در شمال شرقی چین و استان هوبی از طریق الگوریتم ISODATA و فناوری جفت طیفی استفاده شد. شری [ 32 ] از K-means و مدل مخلوط گاوسی (GMM) برای انجام طبقه بندی بدون نظارت محصولات در غرب میانه ایالات متحده، با داده های CDL برای حقیقت زمین استفاده کرد. دقت طبقه بندی با تراکم پوشش گیاهی متفاوت بود. یونس [ 33] یک رویکرد بدون نظارت بر اساس یک شبکه عصبی احتمالی (PNN) با اجرای تکنیک اعتبار خوشه ای پیشنهاد کرد. این رویکرد برای دنباله ای از هفت سری زمانی از تصاویر سنجش از دور NDVI که توسط Landsat و Systeme Probatoire d’Observation de la Terre (SPOT) به دست آمده برای ساختن یک نقشه کاربری زمین اعمال شد. نتایج به‌دست‌آمده با کاربری واقعی زمین مقایسه شده و دقت کلی 96.56 درصد را نشان می‌دهد. Venkata [ 34 ] K-means و یک شبکه عصبی احتمالی را برای پیشنهاد یک روش طبقه‌بندی جدید با دقت طبقه‌بندی بهبود یافته ترکیب کرد.
نقشه برداری طبقه بندی بدون نظارت به تعداد زیادی نمونه زمینی نیاز ندارد. این امر به ویژه برای روش‌های سنتی K-means و ISODATA که به طور گسترده در پوشش زمین و طبقه‌بندی محصولات استفاده می‌شوند، صادق است [ 28 ، 32 ، 35 ]. با این حال، این الگوریتم‌ها نسبت به موارد پرت، ابعاد بالا و نویز بسیار حساس هستند. بنابراین، به منظور بهبود دقت طبقه بندی، ابعاد تصاویر سنجش از دور باید قبل از طبقه بندی کاهش یابد. تجزیه و تحلیل مؤلفه اصلی (PCA) قادر به حفظ حداکثر مقدار اطلاعات اصلی برای حذف نویز است و می تواند برای طبقه بندی پوشش زمین از طریق سری های زمانی تصاویر ماهواره ای استفاده شود [ 36 , 37 , 38, 39 , 40 ]. به عنوان مثال، عابدینی [ 39 ] طبقه بندی اراضی حوضه آبریز Ulu Kinta را در ایالت پراک و در سراسر شبه جزیره مالزی بر اساس تصاویر نقشه برداری موضوعی Landsat (TM) انجام داد. از PCA برای تعیین ترکیب باند بهینه برای طبقه‌بندی استفاده شد و به دنبال آن خوشه‌بندی ISODATA با دقت کلی 80 درصد انجام شد. دارانی [ 41] کاهش ابعاد PCA و عملیات مورفولوژیکی را با استفاده از تصاویر Landsat-8 انجام داد و سه جزء اصلی را برای خوشه‌بندی K-means برای تعیین تغییرات کاربری و پوشش زمین (LULC) با نتایج طبقه‌بندی امیدوارکننده حفظ کرد. بنابراین، به منظور به دست آوردن نقشه توزیع محصولات با دقت بالا، ما همچنین می توانیم از PCA برای به دست آوردن داده های ویژگی با ابعاد پایین و با کیفیت قبل از طبقه بندی استفاده کنیم.
الگوریتم های خوشه بندی مانند K-means و ISODATA باید به طور تصادفی نمونه های K 0 را از مجموعه داده ها به عنوان مرکز خوشه بندی اولیه انتخاب کنند. با این حال، نتایج طبقه بندی به مرکز اولیه حساس است. بنابراین، برای جلوگیری از بهینه سازی محلی، آزمایش های متعدد مورد نیاز است [ 42 ، 43 ، 44]. Bining داده ها، که معمولا در آمار استفاده می شود، اغلب برای ادغام پیکسل های مشابه در پردازش تصویر استفاده می شود. ما سعی کردیم این روش را با PCA برای روش طبقه‌بندی ادغام کنیم. اگرچه PCA و binning داده ها به طور گسترده در زمینه های مختلف استفاده شده است، ما آنها را ترکیب و برای طبقه بندی محصولات در سنجش از دور استفاده کردیم که یک ایده جدید است. اجزای اصلی که به عنوان مجموعه ای از متغیرهای پیوسته در نظر گرفته می شوند، به تعدادی سطل تقسیم می شوند. بر خلاف K-means و ISODATA، فرآیند binning نیازی به تکرارهای متعدد در هر پیکسل ندارد و برای استفاده از تصاویر سنجش از راه دور با وضوح بالا با تعداد زیادی پیکسل در طبقه بندی برش مناسب است.
بنابراین، در مقاله کنونی، ما یک روش طبقه‌بندی محصول را بر اساس اجزای اصلی باینینگ ایزومتریک (PCIB) پیشنهاد می‌کنیم که جنوب غربی شهر هولین و شهرستان لوبی شهر هگانگ، استان هیلونگجیانگ، چین را به عنوان مناطق مورد مطالعه در نظر می‌گیرد. ما امکان‌سنجی روش پیشنهادی خود را از طریق مقایسه با رویکردهای جنگل تصادفی سنتی، K-means و ISODATA بررسی می‌کنیم و PCIB را به عنوان یک رویکرد امیدوارکننده برای نقشه‌برداری طبقه‌بندی محصولات بدون نیاز به داده‌های نمونه فصلی نشان می‌دهیم.

2. مواد

2.1. منطقه مطالعه

جنوب غربی شهر هولین و شهرستان لوبی، با مساحت کل 3000 کیلومتر مربع در استان هیلونگجیانگ، به عنوان منطقه تحقیقاتی انتخاب شدند ( شکل 1 ). تقویم کاشت نسبتاً پایدار است، با تفاوت های بین سالیانه کوچک. فصل رشد محصولات کلیدی معمولاً از مارس تا اکتبر است. به عنوان مثال، ذرت در اواخر فروردین تا اوایل اردیبهشت کاشته می شود، در سپتامبر به بلوغ می رسد و در حدود اکتبر برداشت می شود. برنج در فروردین کاشته می شود و در شهریور بالغ می شود.
دو منطقه تحقیقاتی در مناطق اصلی تولید غلات در استان هیلونگجیانگ قرار دارند و کمتر تحت تأثیر سایر اشیاء مزرعه قرار می گیرند. در عین حال، این مناطق می توانند به طور موثر تفاوت های منطقه ای را مقایسه کرده و امکان سنجی روش پیشنهادی در این مقاله را تأیید کنند.

2.2. منابع اطلاعات

2.2.1. داده های چند زمانی GF-1

از آنجایی که چرخه بازبینی تصویر GF-1 4 روز و وضوح مکانی 16 متر است، از ویژگی های منطقه پوشش دهی زیاد و وضوح مکانی و زمانی بالا برخوردار است. ما تصاویر نمای میدان گسترده (WFV) GF-1 را در طول فصل‌های رشد اصلی ذرت و برنج در سال‌های 2016 و 2017 (آوریل تا سپتامبر) با پوشش ابری <10% انتخاب کردیم ( جدول 1 ). داده ها از مرکز چین برای داده ها و کاربردهای ماهواره ای منابع (CRESDA) و محصول سطح یک (L1) [ 18 ] بودند.
2.2.2. داده های نمونه فیلد
از نمونه های میدانی برای تأیید صحت رویکرد طبقه بندی پیشنهادی ما استفاده شد. نمونه برداری از ویژگی های زمین شامل ثبت مختصات طول و عرض جغرافیایی با سیستم موقعیت یابی جهانی دستی (GPS)، یادداشت دستی نوع پوشش گیاهی و جمع آوری عکس ها بود. به دلیل زمین‌های بزرگ هیلونگ‌جیانگ، بیشتر نمونه‌برداری‌ها در کنار جاده‌های مزرعه انجام شد. علاوه بر ذرت و برنج، نمونه‌های پوشش اراضی کرت‌های گندم، گلخانه‌ها، جنگل‌ها، بدنه‌های آبی و دیگر انواع زمین را نیز جمع‌آوری کردیم. با این حال، این انواع پوشش زمین در کانون مطالعه نبودند و بنابراین نمونه‌گیری آنها محدود بود. این انواع پوشش زمین در طی طبقه‌بندی در دسته «سایر» ترکیب شدند.
در مجموع 322 و 455 نمونه به ترتیب از جنوب غربی شهر هولین در سال 2016 و 2017 گرفته شد. در شهرستان لوبی، شهر هگانگ، در مجموع 383 نمونه در سال 2016 و 406 نمونه در سال 2017 جمع آوری شد ( جدول 2 ). تمام نمونه‌ها در هر سال برای ساخت طبقه‌بندی نظارت‌شده مورد استفاده قرار گرفتند، به این ترتیب نمونه‌ها به‌طور تصادفی به نمونه‌های آموزشی (2/3 از حجم کل نمونه) و نمونه‌های تأیید (1/3 از حجم کل نمونه) تقسیم شدند. روش‌های طبقه‌بندی بدون نظارت برای تعیین صحت طبقه‌بندی به نمونه‌های تأییدی مشابه با طبقه‌بندی نظارت‌شده نیاز دارند. یک سوم از نمونه های آموزشی به طور تصادفی برای تعیین برچسب دسته برای نتایج طبقه بندی بدون نظارت انتخاب شدند.

3. روش ها

گردش کار روش پیشنهادی را می توان به پنج جزء زیر تقسیم کرد: پیش پردازش داده ها، انتخاب مقدار ویژگی، مقایسه روش های طبقه بندی، تعیین برچسب دسته و ارزیابی دقت ( شکل 2) .). به طور خلاصه، پلت فرم پردازش و اشتراک گذاری خودکار GF-1 WFV که توسط تیم ما ایجاد شده است برای پیش پردازش تصویر و داده های نمونه استفاده شد. پس از این، بازتاب مادون قرمز نزدیک (NIR) و شاخص‌های پوشش گیاهی شاخص تفاوت عادی شده گیاهی (NDVI) و شاخص تفاوت عادی آب (NDWI) به عنوان مقادیر مشخصه برای طبقه‌بندی انتخاب شدند. سپس تصاویر با استفاده از تکنیک‌های جنگل تصادفی، K-means، ISODATA و PCIB طبقه‌بندی شدند. برچسب‌های دسته‌بندی برای نتایج طبقه‌بندی روش‌های K-means، ISODATA و PCIB تعیین شد. در نهایت نتایج بررسی و بین روش ها مقایسه شد.

3.1. پیش پردازش داده ها

تصاویر GF-1 و داده‌های نمونه میدانی با استفاده از سیستم شبکه چندشبکه‌ای (RDCRMG) مجموعه داده‌های Raster Clean and Reconstitution Multi-Grid (RDCRMG) که توسط دانشگاه کشاورزی چین توسعه داده شده است، ذخیره شدند. بر اساس C# و کتابخانه انتزاع داده های جغرافیایی (GDAL)، رویه هایی مانند کالیبراسیون رادیومتری، تصحیح عمودی و ثبت تصویر برای همه داده ها انجام شد [ 45 ، 46]]. کالیبراسیون رادیومتریک برای حذف خطاهای ایجاد شده توسط سنسور و تبدیل مقدار عدد دیجیتال بدون بعد (DN) ثبت شده توسط سنسور به روشنایی تشعشع یا بازتاب لایه بالایی اتمسفر استفاده شد. بر اساس ضریب کالیبراسیون رادیومتریک رسمی به روز شده توسط مرکز برنامه کاربردی ماهواره منابع چین، ما داده های GF-1 را به صورت رادیومتری به صورت زیر کالیبره کردیم:

L e ( λ e ) = Gain·DN + Offset

که در آن L e ( λe ) روشنایی تابش پس از تبدیل است، DN مقدار بار ماهواره مشاهده شده، Gain شیب کالیبراسیون است، و Offset به افست ضریب کالیبراسیون مطلق اشاره دارد .

3.2. انتخاب ویژگی برای طبقه بندی

انتخاب ویژگی‌ها برای طبقه‌بندی تصاویر سنجش از دور تابعی از اهداف و دقت طبقه‌بندی و همچنین مقیاس‌های مکانی و زمانی است. ویژگی های بالقوه برای طبقه بندی محصولات شامل ویژگی های طیفی، مکانی، زمانی و قطبی، مدل ارتفاعی دیجیتال (DEM) و اطلاعات کمکی اضافی [ 5 ، 11 ] است. به منظور شناسایی محصولات ذرت و برنج در منطقه مورد مطالعه، سیگنال طیفی NIR، شاخص‌های پوشش گیاهی NDVI و NDWI، و ویژگی‌های زمانی شامل متغیرهای ویژگی طبقه‌بندی را انتخاب کردیم ( جدول 3 ).
شکل 3 منحنی های سری زمانی NDVI و NDWI را در طول دوره های رشد برنج و ذرت در شهرستان لوبی، شهر هگانگ در سال 2016 نشان می دهد. دوره رشد برنج و ذرت بسیار نزدیک بود، منحنی های NDVI و NDWI شباهت بالایی داشتند. NDVI و NDWI در مراحل اولیه رشد تفاوت زیادی داشتند و در مراحل میانی و اواخر کمی تفاوت داشتند.

3.3. طبقه بندی تصادفی جنگل

ما طبقه بندی تحت نظارت محصولات هدف را با استفاده از مدل آموزش تصادفی جنگل بر روی مقادیر ویژگی استخراج شده از سری زمانی GF-1 به کار می گیریم. طبقه بندی جنگل تصادفی (RF) یک روش طبقه بندی درخت چند تصمیم است که توسط بریمن [ 47 ] در سال 2001 پیشنهاد شد. به ویژه، درختان طبقه بندی و رگرسیون چندگانه (CART) از طریق نمونه گیری مجدد تصادفی از داده ها و متغیرهای ویژگی ساخته شدند. طبقه بندی داده ها سپس از طریق رأی گیری درختی چند تصمیم [ 48 ] اجرا شد.
ما از ابزار Python scikit-learn [ 49 ] برای اجرای طبقه‌بندی‌کننده جنگل تصادفی با مجموع 100 درخت تولید شده استفاده کردیم. تعداد ویژگی های هر درخت برابر است با جذر تعداد ویژگی های اصلی و تعداد نمونه های انتخاب شده برای هر درخت با تعداد مجموعه های آموزشی مطابقت دارد.

3.4. طبقه بندی بدون نظارت

ما یادگیری بدون نظارت K-means و ISODATA را برای خوشه بندی داده های ویژگی در انواع محصول با استفاده از ENVI (نسخه 5.1، ESRI) انجام دادیم. K-means و ISODATA اساسی ترین و رایج ترین الگوریتم های طبقه بندی بدون نظارت هستند. آنها در اصل ساده و آسان برای پیاده سازی هستند، و به طور گسترده ای در زمینه سنجش از دور استفاده می شوند [ 28 ، 29 ، 30 ، 35 ، 39 ].

3.4.1. K-Means

K-به معنی تقسیم m نمونه ها به k خوشه با اختصاص متناوب نمونه ها به نزدیکترین مرکز خوشه، همانطور که با فاصله اقلیدسی اندازه گیری می شود. مرکزهای خوشه ای با استفاده از میانگین نمونه های اختصاص داده شده به خوشه به روز می شوند.
3.4.2. ISODATA
ISODATA در ابتدا میانگین کلاس های توزیع شده یکنواخت در فضای داده را محاسبه می کند و متعاقباً از قانون حداقل فاصله برای جمع آوری مجدد پیکسل های باقی مانده استفاده می کند. مقدار میانگین در هر تکرار مجدداً محاسبه می‌شود و پیکسل با توجه به مقدار میانگین جدید مجدداً طبقه‌بندی می‌شود. این روند تا زمانی ادامه می یابد که تعداد پیکسل های هر کلاس کمتر از آستانه انتخاب شده تغییر کند یا به حداکثر تعداد تکرار برسد. پارامترهای مورد نیاز برای طبقه بندی ISODATA شامل مرکز خوشه بندی اولیه و تعداد دسته ها [ 50 ] است.

3.5. طبقه بندی ایزومتریک باینینگ اجزای اصلی

PCIB پیشنهادی در این مقاله بر اساس کاهش ابعاد PCA و باینینگ ایزومتریک اجزای اصلی است. شکل 4 فرآیند طبقه بندی را نشان می دهد.

3.5.1. کاهش ابعاد PCA

کاربردهای کلیدی تجزیه و تحلیل مؤلفه های اصلی (PCA) شامل فشرده سازی و کاهش ابعاد داده ها، و همچنین تبدیل متغیرهای عددی متعدد مرتبط به هم به چند شاخص جامع غیر مرتبط است. این شاخص ها اجزای اصلی متغیرهای چندگانه اصلی هستند. هر جزء اصلی ترکیبی خطی از متغیرهای اصلی است و اجزای اصلی منفرد به یکدیگر مرتبط نیستند.

اجازه دهید m تعداد پیکسل ها در ناحیه مورد نظر را نشان دهد، و فرض کنیم که n متغیر ویژگی است، سپس ماتریس ایکسمی توان برای نمایش داده های m × n به صورت زیر استفاده کرد:

ایکس=[ایکس11⋯ایکس1n⋮⋱⋮ایکسمتر1⋯ایکسمترn]

جایی که ایکسمترnنشان دهنده ارزش مترپیکسل ام و بردار ویژگی n ام. ماتریس ضریب همبستگی آرسپس به صورت زیر محاسبه می شود:

آر=[r11⋯r1n⋮⋱⋮rمتر1⋯rمترn]

جایی که r ij ( i = 1,2,…, m , j = 1,2,…, n ) ضریب همبستگی است ایکسمنو x j . معادله ویژه |λE − R| = 0 برای مقدار ویژه حل می شود λj( j=1،2،…،n) و λ1≥λ2≥…≥λn≥0. بردار ویژه e j ( j=1،2،…،n) با مقدار ویژه مطابقت دارد λj. هنگامی که نرخ مشارکت تجمعی اجزای اصلی به دنبال تبدیل بردار ویژه به درصد بالایی می رسد، کاهش ابعاد مورد نیاز داده ها به دست می آید.

در این مطالعه، ما از نرخ مشارکت تجمعی برای تعیین k استفاده می کنیم . زمانی که نرخ مشارکت تجمعی جریان کاجزای اصلی به بیش از 70٪ می رسد کاجزای اصلی حفظ می شوند، یعنی، کداده های بعدی کاهش می یابد. نرخ مشارکت تجمعی اولین کاجزای اصلی به صورت تعریف شده است ∑من=1کλمن∑من=1nλمن، یعنی تعداد متغیرهای اصلی اطلاعات استخراج شده از اول کاجزای اصلی
PCA را می توان برای کاهش ابعاد، طبقه بندی و استخراج ویژگی استفاده کرد [ 51 ، 52 ].
3.5.2. اجزای اصلی باینینگ ایزومتریک

مجموعه داده اصلی را به ک- ابعاد برای به دست آوردن ماتریس Y، به شرح زیر است:

Y=[r11⋯r1ک⋮⋱⋮rمتر1⋯rمترک]

که در آن k تعداد مولفه های اصلی به دنبال کاهش ابعاد و m تعداد پیکسل ها در ناحیه مورد مطالعه است. ماتریس Y به سطل‌هایی با فاصله مساوی تقسیم می‌شود که بعداً به آن‌ها تقسیم می‌شوند ک1سطل زباله مراحل دقیق به شرح زیر است:

(من)
اولین جزء اصلی [r11…rمتر1]تقسیم می شود ک11فواصل تمام پیکسل‌هایی که در هر بازه قرار می‌گیرند، با فاصله بن جمع‌آوری می‌شوند ساعت1=rj1-rمن1ک11، جایی که rj1حداکثر مقدار ستون و rمن1حداقل مقدار است.
(II)
دومین جزء اصلی [r12…rمتر2]تقسیم می شود ک11فواصل مربوط به نتیجه باینینگ اولین جزء اصلی. سپس هر بازه به تقسیم می شود ک12فواصل فرعی تمام پیکسل ها در هر زیر بازه به یک bin تقسیم می شوند و فاصله بین h = rj2-rمن2ک12، جایی که r j 2 و rمن2حداکثر و حداقل مقادیر ستون هستند.
(iii)
k -امین مولفه اصلی [r1ک…rمترک]تقسیم می شود ک11* ک12*…* ک1کسطل زباله، یعنی k 1 = k 11 * ک12*…* ک1ک، تا آخر یک هیستوگرام توزیع فرکانس برای نشان دادن وضعیت binning به طور مستقیم ترسیم شده است.
با بررسی نتایج اولین binning، متوجه شدیم که اگر تعداد زیادی پیکسل در یک bin بیفتند، سردرگمی وجود خواهد داشت. به منظور بهبود دقت طبقه بندی، این سطل ها جمع آوری می شوند. به طور دقیق تر، هر بن به تقسیم می شود ک2( ک2= ک21* ک22*…* ک2ک) سطل ها، با مراحل تقسیم برابر با مرحله اول بنینگ.

3.6. تعیین برچسب دسته

نتایج binning نوع محصول را نشان نمی دهد و برچسب های محصول باید به آنها اختصاص داده شود. تشخیص بصری با حداقل داده‌های کمکی زمین (داده‌های شناسایی کمکی ذکر شده در بخش 2.2.2 .) برای انجام تمایز بصری از طریق ArcMap (نسخه 10.2، ERSI) با استفاده از ترکیب رنگ نادرست باند 432 و تصاویر با وضوح بالا Google Earth ترکیب شد.
اولین باندینگ منجر به تبعیض بدنه‌های آبی، علفزارها، جنگل‌ها، زمین‌های بایر و شهرها می‌شود (که به عنوان «طبقات دیگر» مشخص می‌شوند)، در حالی که نام‌گذاری برنج و ذرت بر اساس نمونه‌های زمین کمکی است. اگر یک bin حاوی یک نوع نمونه واحد باشد، به عنوان یک کلاس مشخص می شود. اگر چندین نوع نمونه وجود داشته باشد، به عنوان یک کلاس سردرگمی نشان داده می شود. از آنجایی که برای تعیین مقدار k 1 باید دقت اولین نتایج باینینگ ارزیابی شود، یک برچسب برای هر سطل سردرگمی تعیین می شود. این امکان انتخاب اجسام زمینی را فراهم می کند که بیشترین نسبت را در این سطل به عنوان دسته bin به خطر می اندازند.
ما با استفاده از روش فوق الذکر و با استفاده از نمونه های زمین کمکی، دومین نتیجه را برچسب گذاری کردیم.

3.7. ارزیابی دقت

یک سوم کل حجم نمونه جمع‌آوری‌شده در میدان به عنوان نمونه تأیید، با ماتریس سردرگمی برای ارزیابی دقت نتایج طبقه‌بندی استفاده شد. شاخص های ارزیابی شامل کل، دقت تولید کننده و کاربر و ضریب کاپا است:

OA=تیپ+تینن،
PA=تیپتیپ+افن،
UA=تیپتیپ+افپ،
ک=Oآ-په1-په،
په=(تیپ+افن)(تیپ+افپ)+(افپ+تین)(افن+تین)ن2،

که در آن TP و FN به دسته واقعی نمونه ها به عنوان مثال های مثبت اشاره می کنند و پیش بینی مدل به ترتیب به عنوان مثال های مثبت و منفی به دست می آید. TN و FP به نمونه های منفی دسته واقعی نمونه ها اشاره می کنند که توسط مدل به ترتیب به عنوان مثال های منفی و نمونه های مثبت پیش بینی می شوند. N تعداد کل نمونه های واقعی است.

4. نتایج

4.1. اثر انتخاب پارامتر

انتخاب پارامترها یک مرحله حیاتی در روش پیشنهادی ما است زیرا تأثیر مستقیمی بر نتایج باینینگ دارد. در ادامه، انتخاب دو پارامتر کلیدی تعریف شده توسط کاربر را به تفصیل شرح می دهیم.
(1) شماره سطل اول، ک1
تعیین پارامتر ک1کلیدی است اگر ارزش از ک1بسیار کوچک است، نتایج طبقه بندی بسیار نادرست خواهد بود. در حالی که، اگر ک1خیلی زیاد است، تشخیص بصری دشوار است. بنابراین، محدوده اولیه را 5 قرار می دهیم ≤ک1≤50، با k مختلف (تعداد اجزای اصلی) برای تعیین بیشتر استفاده می شود ک1. در اینجا، بر اساس مجموعه داده پس از کاهش ابعاد، تنها دو مورد بحث شده است ( k = 1، 2). با در نظر گرفتن جنوب غربی شهر Hulin به عنوان مثال، در زیر پارامتر را تعیین می کنیم ک1.
برای ک=1، یک بازه 5 برای تقسیم داده های k بعدی به 5، 10، 15، …، 50 بن و محاسبه دقت طبقه بندی هر سطل استفاده می شود ( شکل 5 ، سمت چپ). دقت طبقه بندی با k 1 افزایش می یابد تا زمانی که حداکثر دقت برای k 1 = 35 به دست آید. بنابراین، ما تنظیم می کنیم 30≤ک1≤40.

چه زمانی ک=2، کداده های بعدی به k 1 = k 11 * k 12 سطل تقسیم می شوند. نرخ مشارکت اولین جزء اصلی بیشتر از مؤلفه اصلی دوم است، k 11 > k 12 ، و 5 ≤ k 11 * k 12 ≤ 50، بنابراین، 51 ترکیب از k 11 و k 12 وجود دارد که برآورده می کند شرایط فوق ( جدول 4 ). با توجه به یک فاصله زمانی مشخص، 15 مقدار k 1 نسبتاً یکنواخت انتخاب می شوند. شکل 5(راست) دقت طبقه بندی مربوط به هر مقدار را نشان می دهد. دقت طبقه بندی اوج برای مشاهده شده است ک12=3و ک12=4. بنابراین، k 1 به صورت زیر تنظیم می شود:

ک1={12∗3،…،16∗3،  12≤ک11≤16،ک12=35∗4،…،12∗4،  5≤ک11≤12،ک12=4
مقدار k 1 که با بالاترین دقت طبقه بندی مطابقت دارد به عنوان مقدار نهایی انتخاب می شود.
(2) شماره سطل دوم، ک2

با در نظر گرفتن جنوب غربی شهر Hulin به عنوان مثال، محدوده ارزش از ک2به روشی مشابه مشتق شده است. ما در ابتدا تنظیم کردیم 3≤ک2≤20. با توجه به متفاوت ک(تعداد اجزای اصلی)ارزش های، ک2سپس به صورت زیر تعیین می شود:

(i) چه زمانی ک=1: 11≤ک2≤16
(II) چه زمانی ک=2: ک2={4∗3،…،6∗3،4≤ک21≤6،ک22=35∗4،ک21=5،ک22=4
سطل سردرگمی برای ک1=ایکس(دقت طبقه بندی زمانی بالاتر است ک1=ایکس) تقسیم می شود ک2مجدداً سطل‌ها و صحت نتایج باینینگ ارزیابی می‌شود. ارزش ک2با بالاترین دقت طبقه بندی انتخاب شده است.

4.2. مقایسه نتایج PCIB

با در نظر گرفتن جنوب غربی شهر Hulin به عنوان مثال، ما نتایج دو مجموعه از binning داده ها را در سال 2016 مقایسه کردیم.
نرخ مشارکت مؤلفه‌های اصلی اول و دوم به دنبال کاهش ابعاد مؤلفه اصلی داده‌های مشخصه چند بعدی به 70 درصد رسید و بنابراین k = 2. داده‌های دو بعدی به دو دسته تقسیم شدند. ک1سطل ها، با هیستوگرام های توزیع فرکانس مربوطه نشان داده شده در شکل 6 .
با در نظر گرفتن k 1 = 12 * 4 به عنوان مثال، جدول 5 تعداد پیکسل های افتادن به سطل ها را گزارش می کند.
طبق روشی که در بخش 3.6 توضیح داده شده است، یک برچسب نوع محصول را به هر سطل اختصاص می دهیم . مخازن با همان برچسب ادغام می شوند تا نقشه نتیجه طبقه بندی منطقه مربوط به مقادیر k 1 به دست آید. دقت کلی در جدول 6 گزارش شده است . حداکثر دقت کلی برای مشاهده می شود ک1= 12 * 4 در 75.23٪.
را ک1= 12 * 4 سطل سردرگمی برای بار دوم تقسیم می شود. جدول 7 صحت طبقه بندی کلی را گزارش می کند ک2ارزش های. دقت کلی به اوج خود می رسد ک2= 5 * 4، به 81.65٪ می رسد.
شکل 7 توزیع محصول مربوط به سال 2016 را نشان می دهد. شکل 7 a,b قادر است بین آب و جنگل تمایز قائل شود. با این حال، در شکل 7 الف، جاده به اشتباه به ذرت و برنج در ذرت طبقه بندی شده است. در شکل 7 ب، این طبقه بندی اشتباه تا حد زیادی کاهش یافت و طرح کلی برنج واضح است. این نشان‌دهنده بهبود دقت طبقه‌بندی محصول از طریق بند دوم است.

4.3. مقایسه روش های طبقه بندی

ما طبقه‌بندی‌کننده‌های جنگل تصادفی (RF)، K-means، ISODATA و PCIB را برای تصاویر پیش‌پردازش شده اعمال کردیم و بر اساس نمونه‌های تایید، از ماتریس سردرگمی برای ارزیابی دقت نتایج طبقه‌بندی استفاده کردیم. شاخص های ارزیابی شامل صحت کل، دقت کاربر، دقت تولید کننده و ضریب کاپا می باشد. دقت طبقه‌بندی روش PCIB در جنوب غربی شهر هولین و شهرستان لوبی شهر هگانگ کمی پایین‌تر از جنگل تصادفی بود، اما به طور مداوم دقیق‌تر از K-means و ISODATA بود (جدول 8) .). در سال 2016، روش PCIB دقیق ترین طبقه بندی را در جنوب غربی شهر Hulin به نمایش گذاشت که به 82٪ رسید که برابر با جنگل تصادفی و بالاتر از K-means (76٪) و ISODATA (78٪) است. دقت طبقه‌بندی PCIB در شهرستان لوبی، شهر هگانگ در سال 2017 کاهش یافت (76%)، و دقت سه روش دیگر در این زمینه نیز پایین بود، در 79٪، 74٪ و 75٪ برای جنگل تصادفی، K-means. و ISODATA به ترتیب. این به دلیل در دسترس بودن محدود تصاویر برای منطقه در سال 2017 (اوایل آوریل تا اواخر ژوئن) است. با این حال، تصاویر در ماه ژوئیه، زمانی که برنج در مرحله پیوند با رشد شدید است، کلید تمایز ذرت از برنج است. بنابراین، عدم وجود تصاویر از ژوئیه تا سپتامبر بر دقت طبقه بندی نهایی تأثیر گذاشت.
دقت طبقه بندی روش PCIB به طور کلی کمی کمتر از جنگل تصادفی است، اما به طور مداوم بالاتر از K-means و ISODATA است. برای سال‌هایی که نمونه‌های زمینی و تاریخی کافی نیستند، دقت طبقه‌بندی PCIB به طور بالقوه می‌تواند الزامات طبقه‌بندی را برآورده کند.
ماتریس های سردرگمی معمولاً برای ارزیابی دقت الگوریتم ها استفاده می شوند. با این حال، به دلیل حجم نمونه کوچک داده‌های ما، استفاده از اندازه داده‌های ماتریس سردرگمی برای ارزیابی دقت طبقه‌بندی کافی نیست. بنابراین، ما نقشه توزیع محصول را برای ارزیابی کیفیت نتایج طبقه بندی ادغام می کنیم. شکل 8 نقشه توزیع محصول سال 2016 را برای شهرستان لوبی نشان می دهد. نقشه ها با تصاویر رنگی کاذب در منطقه قرار گرفته اند. شکل 8a-d به ترتیب با نتایج جنگل تصادفی، K-means، ISODATA و PCIB مطابقت دارد. هر چهار روش قادر به تشخیص آب و جنگل از ذرت و برنج هستند، اما منطقه بزرگ‌نمایی شده نشان می‌دهد که طبقه‌بندی اشتباه جاده‌ها به عنوان ذرت برای روش‌های K-means، ISODATA و طبقه‌بندی تصادفی جنگل جدی‌تر بود. علاوه بر این، طرح کلی طرح برنج برای K-means و ISODATA مشخص نیست. روش PCIB نتایج طبقه بندی بهبود یافته ای را با شناسایی واضح خطوط برنج، جاده ها و ساختمان ها نشان می دهد. این را می توان به کاهش ابعاد اولیه PCA نسبت داد که توسط روش PCIB انجام شد و با حفظ حداکثر اطلاعات اصلی، تأثیر نویز بر نتایج طبقه بندی را حذف کرد.

5. بحث

5.1. مزایا، کاستی ها و پیشرفت های PCIB

ما یک روش طبقه‌بندی را بر اساس اجزای اصلی در فاصله مساوی، که به عنوان PCIB مشخص می‌شود، برای استخراج ساختار کاشت محصول پیشنهاد می‌کنیم. PCIB اساساً کاهش ابعاد PCA را روی ویژگی‌های طبقه‌بندی انجام می‌دهد و متعاقباً k اجزای اصلی را به سطل‌هایی با فاصله مساوی تقسیم می‌کند. دسته بندی هر bin به صورت بصری بر اساس تعداد کمی از نمونه های فیلد شناسایی می شود و همان bin های دسته به عنوان یک برچسب کلاس ادغام می شوند. PCIB شامل PCA و پیوند داده است، PCA هزینه های محاسباتی پایینی دارد و با پارامترها محدود نمی شود. علاوه بر این، تکنیک کاهش ابعاد می تواند به طور موثری افزونگی و نویز داده ها را با نگه داشتن اطلاعات اصلی تا حد امکان حذف کند، و بنابراین به طور گسترده در زمینه سنجش از دور استفاده می شود [ 53 ,54 ، 55 ]. باینینگ داده ها یک روش رایج در آمار برای ادغام پیکسل های مشابه در پردازش تصویر است. در آمار، تخمین ناپارامتریک [ 56 ] عمدتاً برای binning در مجموعه‌های داده با چگالی احتمال نامشخص، از جمله هیستوگرام، تخمین چگالی هسته و رگرسیون ناپارامتریک استفاده می‌شود. در این مطالعه ساده ترین هیستوگرام را انتخاب کردیم که دارای مزایای فاصله بین ثابت، باینینگ سریع و کارایی بالا است و برای حجم داده های بزرگ مناسب است.
در سال‌های اخیر، روش‌های خوشه‌بندی نرم مانند GMM و PNN نیز به تدریج در زمینه سنجش از دور برای پوشش زمین و نوع محصول به کار گرفته شده‌اند و نتایج طبقه‌بندی امیدوارکننده‌ای به دست آمده است. روش GMM دارای زمان طولانی است زیرا شامل زمان مورد استفاده برای جستجوی اجزای بهینه است [ 32 ، 57 ]. PNN شکل خاصی از شبکه‌های عصبی تابع پایه شعاعی (RBFNN) است و اگر کلاس‌های هدف اولیه به درستی تعریف شوند، نتایج رضایت‌بخشی را ارائه می‌دهد. بنابراین یافتن مراکز تابع پایه با تعداد مناسب آنها گام مهمی برای دستیابی به طبقه بندی مناسب است. با این حال، این فرآیند نیاز بالایی به پیچیدگی فضا-زمان دارد، بنابراین بهینه سازی محاسباتی ضروری است [ 33 ، 34], 58 , 59 , 60 ]. در مقایسه با این روش‌های خوشه‌بندی، PCIB از راندمان محاسباتی بالایی برخوردار است، اما در دقت طبقه‌بندی دارای کاستی‌هایی است. به منظور حل این مشکل، می‌توانیم روش‌های پویایی مانند تخمین چگالی هسته و رگرسیون ناپارامتریک را برای تقسیم مجموعه داده‌ها و تعیین خودکار bin‌ها در تحقیقات آینده خود بررسی کنیم.

5.2. تجزیه و تحلیل منابع خطاها

در این مطالعه، دقت طبقه‌بندی شهرستان لوبی، شهر هگانگ در سال 2017 پایین بود که معتقدیم از دو جنبه حاصل شده است. از یک طرف، تصاویر موجود برای این منطقه در سال 2017 فقط اوایل آوریل تا اواخر ژوئن را پوشش می دهند. در ماه ژوئیه، برنج با رشد شدید در مرحله اتصال است. تصاویر مربوط به این دوره ممکن است برای تشخیص ذرت از برنج مفید باشد. با این حال، عدم وجود تصاویر از جولای تا سپتامبر بر دقت طبقه بندی تأثیر می گذارد. از سوی دیگر ساختار کاشت شهرستان لوبی در سال 1396 تعدیل شد. سطح کاشت ذرت کاهش یافت و به جای آن مقادیر کمی سویا، غلات، میوه جات و سبزیجات کاشته شد که تنوع محصول را در این منطقه افزایش داد و دارای یک تأثیر معینی بر نتایج طبقه بندی [ 32 ].
بنابراین، ترکیب تصاویر GF-1، Sentinel-2 و Landsat-8 را با وضوح متوسط ​​در نظر می گیریم. چندین منبع داده می تواند مشکل از دست رفتن تصاویر را کاهش دهد. علاوه بر این، هر دو Sentinel-2 و Landsat-8 حاوی نوارهای مادون قرمز موج کوتاه هستند که در طبقه بندی محصولات به خوبی عمل می کنند [ 9 ].

5.3. مقایسه پیچیدگی محاسباتی سه الگوریتم خوشه بندی

پیچیدگی محاسباتی یک شاخص مهم ارزیابی یک الگوریتم است. بنابراین، ما زمان خوشه‌بندی را بین الگوریتم‌های خوشه‌بندی PCIB، K-means و ISODATA مقایسه کردیم. برای کامل‌تر کردن مقایسه، یک مجموعه داده معیار خوشه‌بندی رایج (مجموعه داده عنبیه) را انتخاب کردیم. مدل ما در سیستم عامل Windows 10 Professional با 1.60 گیگاهرتز Intel Core i5-8250U پیاده سازی شد. زمان سه روش خوشه بندی در جدول 9 نشان داده شده است .
K-means زمان خوشه‌بندی سریع‌تری را نسبت به ISODATA نشان می‌دهد، زیرا دومی به طور خودکار کلاس‌ها را در فرآیند خوشه‌بندی ادغام و تقسیم می‌کند، بنابراین الگوریتم را پیچیده‌تر می‌کند. زمان خوشه‌بندی PCIB بسیار کوتاه‌تر از K-means و ISODATA است، به تکرارهای متعدد در هر پیکسل نیاز ندارد و می‌تواند طبقه‌بندی سریع را درک کند.

5.4. آزمایش های اضافی

ما شهرستان Luobei و جنوب غربی شهر Hulin در استان Heilongjiang را به عنوان مناطق تحقیقاتی انتخاب کردیم. هر دو منطقه دارای آب و هوای معتدل موسمی هستند و سالی یک بار کشت می شوند. ساختار کاشت نسبتاً ساده است و محصولات اصلی آن ذرت و برنج است. با این حال، با توجه به اینکه ویژگی های محصول با مناطق مختلف کاشت متفاوت است، ما شمال غربی شهر ووی، استان گانسو را نیز انتخاب کردیم ( شکل 9) .) به عنوان منطقه تحقیقاتی برای آزمایش های اضافی. این منطقه دارای آب و هوای خشک قاره ای معتدل است که با اختلاف دمای زیاد بین روز و شب، آفتاب کافی، خشکسالی و باران کم مشخص می شود. این منطقه با داشتن منابع جغرافیایی، خاک، آب و آب و هوای بسیار مفید، محیط مناسبی برای کاشت محصولاتی مانند ذرت، گلابی، گندم و انگور فراهم می کند.
ما همچنین تصاویر GF-1 WFV را در طول فصول رشد اصلی محصولات اصلی در سال 2018 (آوریل تا سپتامبر) با پوشش ابری <10٪ به عنوان منابع داده سنجش از دور انتخاب کردیم. فاز تصویر در جدول 10 نشان داده شده است .
نمونه های این منطقه نیز از تحقیقات میدانی بوده است. نقاط نمونه برداری به طور منظم در داخل منطقه توزیع می شود. داده های جمع آوری شده شامل انواع محصول، موقعیت های رشد، مختصات جغرافیایی و عکس های مزرعه است. تعداد نقاط نمونه در جدول 11 نشان داده شده است . سایر موارد عبارتند از ساختمان ها، آب و مقادیر کمی فلفل، سویا و گلخانه ها.
روش PCIB شرح داده شده در بالا برای طبقه بندی منطقه استفاده شد. نتایج طبقه بندی در شکل 10 نشان داده شده است . علاوه بر این، دقت طبقه بندی در جدول 12 نشان داده شده است که دقت کلی به 84٪ می رسد. این منطقه از نظر انواع محصولات زراعی از جمله ذرت، گندم بهاره، انگور و گلابی غنی است. همانطور که کاشت محصول متمرکز است، نتایج طبقه بندی خوبی به دست می آید. این همچنین امکان‌سنجی روش PCIB را در مناطقی با انواع محصولات فراوان تأیید می‌کند.

6. نتیجه گیری

در مقاله حاضر، ما یک روش طبقه‌بندی (PCIB) با تصاویر سنجش از دور GF-1 به‌دست‌آمده در طول فصل رشد به عنوان منبع داده برای استخراج اطلاعات کاشت محصولات کلیدی در جنوب غربی شهر Hulin و شهرستان Luobei، استان هیلونگجیانگ پیشنهاد می‌کنیم. ، چین انگیزه اصلی این کار کاهش وابستگی نقشه توزیع محصول به تعداد زیادی نمونه مزرعه و تعیین اطلاعات توزیع مکانی محصولات به موقع است. ما PCIB را با طبقه‌بندی‌کننده‌های جنگل تصادفی سنتی، K-means و ISODATA مقایسه می‌کنیم. نتایج کلیدی را می توان به صورت زیر خلاصه کرد:
(1)
دقت کلی روش PCIB در جنوب غربی شهر Hulin در سال 2016 به 82 درصد می رسد که از الگوریتم های K-means و ISODATA فراتر می رود. در سال 2017، شهرستان لوبی از شهر هگانگ کمترین دقت طبقه‌بندی PCIB را نشان داد و سه روش دیگر نیز دقت پایینی را نشان دادند (به ترتیب 79، 74 و 75 درصد برای جنگل تصادفی، K-means و ISODATA). اگرچه دقت کلی PCIB کمی کمتر از طبقه‌بندی‌کننده جنگل تصادفی است، اما برای سال‌هایی که مقادیر زیادی از نمونه‌های میدانی وجود ندارد، الزامات دقت نقشه‌برداری را برآورده می‌کند.
(2)
PCIB پیوند ایزومتریک k اجزای اصلی را مستقیماً پس از کاهش ابعاد PCA انجام می دهد. تکرارهای متعدد در هر پیکسل مورد نیاز نیست و پیچیدگی زمانی خطی است. این در نتیجه کارایی محاسباتی را در مقایسه با طبقه‌بندی‌کننده‌های K-means و ISODATA مبتنی بر فاصله اقلیدسی بهبود می‌بخشد.
(3)
وابستگی به تعداد زیادی از نمونه های میدانی برای طبقه بندی کاهش می یابد. علاوه بر این، اطلاعات توزیع مکانی محصولات به موقع و دقیق تعیین می شود. روش پیشنهادی ما می‌تواند به طور بالقوه برای نقشه‌برداری طبقه‌بندی محصولات به کار رود.
روش PCIB پیشنهاد شده در مقاله می تواند اطلاعات توزیع مکانی محصولات را به طور دقیق و به موقع بدست آورد که برای هدایت تولید کشاورزی اهمیت زیادی دارد. از نتایج طبقه بندی می توان برای محاسبه تبخیر و تعرق محصولات و محاسبه سطح کاشت محصولات و غیره استفاده کرد.

منابع

  1. یانگ، BJ سنجش از دور نظارت بر شرایط کشاورزی ، چاپ اول. چاپ کشاورزی چین: پکن، چین، 2005. [ Google Scholar ]
  2. آهنگ، X. پوتاپوف، PV؛ کریلوف، آ. کینگ، ال. دی بلا، سی ام. هادسون، ا. خان، ا. آدوسی، بی. Stehman، SV; هانسن، MC نقشه برداری و تخمین مساحت سویا در مقیاس ملی در ایالات متحده با استفاده از تصاویر ماهواره ای با وضوح متوسط ​​و بررسی میدانی. سنسور از راه دور محیط. 2017 ، 190 ، 383-395. [ Google Scholar ] [ CrossRef ]
  3. گوو، دبلیو. ژائو، سی. Gu، XH; هوانگ، WJ; Ma، ZH نظارت سنجش از دور منطقه کاشت ذرت در سطح شهر. ترانس. CSAE 2011 ، 27 ، 69-74. [ Google Scholar ]
  4. لی، ی. زو، ی. دای، تی. تیان، ی. Cao, W. روابط کمی بین شاخص سطح برگ و طیف بازتاب تاج پوشش گندم. چانه. J. Appl. Ecol. 2006 ، 17 ، 1443-1447. [ Google Scholar ]
  5. 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 ]
  6. یانگ، YJ; ژان، ی.ال. تیان، کی جی. Gu، XF; یو، تی. Wang, L. طبقه بندی محصولات بر اساس سری زمانی GF-1/WFV NDVI. ترانس. CSAE 2015 ، 31 ، 155-161. [ Google Scholar ]
  7. هائو، پی. وانگ، ال. ژان، ی. Niu, Z. استفاده از نمایه‌های موقتی NDVI با وضوح متوسط ​​برای نقشه‌برداری محصول با وضوح بالا در سال‌های عدم وجود داده‌های مرجع زمینی: مطالعه موردی شهرستان‌های Bole و Manas در سین‌کیانگ، چین. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 67. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  8. یانگ، ن. لیو، دی. فنگ، Q. Xiong، Q. ژانگ، ال. اجاره دادن.؛ ژائو، ی. زو، دی. Huang, J. نقشه برداری محصول در مقیاس بزرگ بر اساس یادگیری ماشین و محاسبات موازی با شبکه ها. Remote Sens. 2019 ، 11 ، 1500. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  9. کای، ی. گوان، ک. پنگ، جی. وانگ، اس. سیفرت، سی. واردلو، بی. Li، Z. یک سیستم طبقه‌بندی با کارایی بالا و در فصل انواع محصولات در سطح مزرعه با استفاده از داده‌های سری زمانی Landsat و رویکرد یادگیری ماشین. سنسور از راه دور محیط. 2018 ، 210 ، 35-47. [ Google Scholar ] [ CrossRef ]
  10. ژانگ، ال. لیو، ز. اجاره دادن.؛ لیو، دی. ما، ز. تانگ، ال. ژانگ، سی. ژو، تی. ژانگ، ایکس. Li, S. شناسایی مزارع ذرت بذر با وضوح فضایی بالا و سنجش از دور طیفی چندگانه با استفاده از طبقه‌بندی جنگل تصادفی. Remote Sens. 2020 , 12 , 362. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. لی، اچ. ژانگ، سی. ژانگ، اس. پیتر، ام. طبقه‌بندی محصول از سری‌های زمانی پهپاد باند L تمام قطبی با استفاده از الگوریتم جنگل تصادفی. بین المللی J. Appl. زمین Obs. 2020 , 87 , 102032. [ Google Scholar ] [ CrossRef ]
  12. ماموکوما گریس، ام. آدریان ون، ن. Zama Eric، M. طبقه بندی پیش از برداشت انواع محصول با استفاده از سری زمانی Sentinel-2 و یادگیری ماشینی. محاسبه کنید. الکترون. کشاورزی 2020 ، 169 ، 105164. [ Google Scholar ]
  13. ژونگ، LH؛ هو، LN؛ ژو، اچ. طبقه بندی چندزمانی محصولات مبتنی بر یادگیری عمیق. سنسور از راه دور محیط. 2019 ، 221 ، 430-443. [ Google Scholar ] [ CrossRef ]
  14. گارنو، VSF؛ لندریو، ال. جووردانو، اس. چهاتا، N. مبادله زمانی-فضایی در مدل‌های یادگیری عمیق برای طبقه‌بندی محصول در سری‌های زمانی تصویر چند طیفی ماهواره‌ای. در مجموعه مقالات IGARSS 2019-2019 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، یوکوهاما، ژاپن، 28 ژوئیه تا 2 اوت 2019؛ صص 6247–6250. [ Google Scholar ]
  15. هو، کیو. وو، دبلیو. آهنگ، س. لو، ام. ویژگی های زمانی و طیفی در طبقه بندی محصولات در استان هیلونگجیانگ، چین چگونه اهمیت دارد؟ JIA 2017 ، 16 ، 324-336. [ Google Scholar ] [ CrossRef ]
  16. گالیگو، جی. کریگ، ام. Michaelsen, J. بهترین روش ها برای تخمین سطح محصول با سنجش از دور . GEOSS: Ispra، ایتالیا، 2008. [ Google Scholar ]
  17. هائو، پی. وانگ، ال. ژان، ی. وانگ، سی. نیو، ز. Wu، M. طبقه‌بندی محصول با استفاده از دانش محصول سال قبل: مطالعه موردی در جنوب غربی کانزاس، ایالات متحده. یورو J. Remote Sens. 2016 ، 49 ، 1061-1077. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. ژانگ، ال. لیو، ز. لیو، دی. Xiong، Q. Yang, N. نقشه برداری محصول بر اساس نمونه های تاریخی و نمونه های آموزشی جدید در استان هیلونگجیانگ، چین. پایداری 2019 ، 11 ، 5052. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. لورنزو، بی. لوئیس، جی. گوستاوو، سی. Javier, C. Mean Map Kernel Methods for Semi-supervised Cloud Classification. IEEE. ترانس. Geosci. Remote Sens. 2010 , 48 , 207-220. [ Google Scholar ]
  20. لیو، ی. ژانگ، بی. وانگ، LM؛ وانگ، ن. رویکرد SVM نیمه نظارت شده خودآموز برای طبقه بندی پوشش زمین سنجش از دور. محاسبه کنید. Geosci. 2013 ، 59 ، 98-107. [ Google Scholar ] [ CrossRef ]
  21. غوگلی، ن. ملگانی، اف. رویکرد SVM ژنتیکی به طبقه‌بندی چند زمانی نیمه نظارت شده. IEEE Geosci. سنسور از راه دور Lett. 2008 ، 5 ، 212-216. [ Google Scholar ] [ CrossRef ]
  22. بروزون، ال. چی، م. Marconcini، M. SVM انتقالی جدید برای طبقه‌بندی نیمه نظارت شده تصاویر سنجش از دور. IEEE Geosci. Remote Sens. 2006 , 44 , 3363–3373. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. هو، تی. هوانگ، ایکس. لی، جی. Zhang، LF یک رویکرد جدید آموزشی مشترک برای نقشه برداری پوشش زمین شهری با تصاویر سری زمانی نامشخص Landsat. سنسور از راه دور محیط. 2018 ، 217 ، 144-157. [ Google Scholar ] [ CrossRef ]
  24. نیتا، اس. Saroj, K. طبقه بندی نیمه نظارت شده تصاویر سنجش از دور با استفاده از روش کارآمد یادگیری محله. مهندس Appl. آرتیف. هوشمند 2020 ، 90 ، 103520. [ Google Scholar ]
  25. راتل، اف. کمپ، جی. وستون، جی. شبکه های عصبی نیمه نظارت شده برای طبقه بندی تصویر ابرطیفی کارآمد. IEEE Trans. Geosci. Remote Sens. 2010 , 48 , 2271–2282. [ Google Scholar ] [ CrossRef ]
  26. سولانو، YT; بوولو، اف. Bruzzone, L. A Semi-Supervised Crop-type Classification بر اساس سری زمانی تصاویر ماهواره ای Sentinel-2 NDVI و پارامترهای فنولوژیکی. در مجموعه مقالات IGARSS 2019-2019 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، یوکوهاما، ژاپن، 28 ژوئیه تا 2 اوت 2019؛ صص 457-460. [ Google Scholar ]
  27. وان، ال. ژانگ، اچ. Lin, G. یک شبکه عصبی کانولوشنال با وصله کوچک برای نقشه برداری حرا در سطح گونه با استفاده از تصویر سنجش از دور با وضوح بالا. ان GIS 2019 ، 25 ، 45-55. [ Google Scholar ] [ CrossRef ]
  28. گوما، MK; ثنكبيل، ص. Teluguntla، P. نقشه برداری مناطق آیش برنج برای تشدید حبوبات دانه فصل کوتاه در جنوب آسیا با استفاده از داده های سری زمانی MODIS 250m. بین المللی جی دیجیت. زمین 2016 ، 9 ، 981-1003. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. شیونگ، جی. پراساد، س. مورالی، ک. نقشه برداری خودکار زمین های زراعی قاره آفریقا با استفاده از محاسبات ابری موتور Google Earth. ISPRS J. Photogram. Remote Sens. 2017 ، 126 ، 225–244. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. هائو، WP; Mei، XR; استخراج کاشت محصول Cai، XL بر اساس داده‌های سنجش از راه دور چندگانه در شمال شرقی چین. ترانس. CSAE 2011 ، 27 ، 201-207. [ Google Scholar ]
  31. Cai، XL; استخراج ساختار کاشت محصول Cui، YL در مناطق آبی از داده‌های سنجش از دور چند سنسور و چند زمانی. ترانس. CSAE 2009 ، 25 ، 124-130. [ Google Scholar ]
  32. شری، دبلیو. جورج، ا. دیوید، بی. نقشه برداری نوع محصول بدون برچسب های سطح زمین: انتقال تصادفی جنگل و تکنیک های خوشه بندی بدون نظارت. سنسور از راه دور محیط. 2019 ، 222 ، 303-317. [ Google Scholar ]
  33. یونوس، ج. ار-راکی، س. المتصدق، الف. استفاده از رویکرد نظارت نشده شبکه عصبی احتمالی (PNN) برای طبقه بندی کاربری زمین از تصاویر ماهواره ای چند زمانی. Appl. محاسبات نرم. 2015 ، 30 ، 1-13. [ Google Scholar ] [ CrossRef ]
  34. ونکاتا سوبرامانیان، ن. سراوانان، ن. Bhuvaneswari، S. K-means مبتنی بر شبکه عصبی احتمالی (KPNN) برای طراحی ماشین فیزیکی – طبقه بندی کننده. IJITEE 2019 ، 9 ، 800–804. [ Google Scholar ]
  35. لاولند، TR; رید، ق.م. براون، ج.اف. Ohlen، DO; Zhu, Z. توسعه پایگاه داده خصوصیات پوشش زمین جهانی و پوشش IGBP DIS از 1 کیلومتر داده AVHRR. بین المللی J. Remote Sens. 2000 ، 21 ، 1303-1330. [ Google Scholar ] [ CrossRef ]
  36. ژای، YG; طبقه بندی Qu، ZY بر اساس کاهش ابعاد غیرخطی با استفاده از تصاویر سنجش از دور سری زمانی. ترانس. CSAE 2018 ، 34 ، 177-183. [ Google Scholar ]
  37. یان، ال. روی، DP طبقه‌بندی پوشش زمین سری‌های زمانی را با کاهش ابعاد غیرخطی تطبیقی-مشاهده‌ای بهبود بخشید. سنسور از راه دور محیط. 2015 ، 158 ، 478-491. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. پل، اس. Kumar، DN ارزیابی تکنیک‌های انتخاب ویژگی و استخراج ویژگی در تصاویر Landsat-8 چند زمانی برای طبقه‌بندی محصول. سیستم سنسور از راه دور زمین. علمی 2019 ، 197–207. [ Google Scholar ] [ CrossRef ]
  39. عابدینی، م. فوزیه، الف. رویکرد خوشه‌بندی در طبقه‌بندی پوشش اراضی کاربری اراضی Landsat TM بر روی حوضه آبریز Ulu Kinta. WAS J. 2012 , 17 , 809-817. [ Google Scholar ]
  40. سنتیلناث، جی. Omkar، SN; مانی، ن. طبقه‌بندی مرحله زراعی داده‌های فراطیفی با استفاده از تکنیک‌های بدون نظارت. IEEE J.-STARS 2013 ، 6 ، 861-866. [ Google Scholar ] [ CrossRef ]
  41. دارانی، م. Sreenivasulu، G. تشخیص تغییر کاربری و پوشش زمین با استفاده از تجزیه و تحلیل اجزای اصلی و عملیات مورفولوژیکی در کاربردهای سنجش از دور. IJCA 2019 ، 1-10. [ Google Scholar ] [ CrossRef ]
  42. هستی، تی. طبشیرانی، ر. فریدمن، جی. عناصر یادگیری آماری: داده کاوی، استنتاج و پیش بینی سری اسپرینگر در آمار . Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  43. قهوهای مایل به زرد، PN; اشتاین باخ، ام. Kumar, V. Introduction to Data Mining , 1st ed.; Addison-Wesley Longman Publishing Co., Inc.: Boston, MA, USA, 2005. [ Google Scholar ]
  44. هو، LY; چن، ییل. Xu, Y. نقشه‌برداری 30 متری پوشش زمین چین با الگوریتم خوشه‌بندی کارآمد CBEST. علمی علوم زمین چین 2014 ، 57 ، 2293-2304. [ Google Scholar ] [ CrossRef ]
  45. آره.؛ لیو، دی. Yao, X. RDCRMG: یک معماری چندشبکه ای تمیز و بازسازی مجموعه داده شطرنجی برای نظارت سنجش از راه دور خشکی پوشش گیاهی. Remote Sens. 2018 , 10 , 1376. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. Xiong، Q. وانگ، ی. لیو، دی. آره.؛ دو، ز. لیو، دبلیو. هوانگ، جی. سو، دبلیو. زو، دی. یائو، ایکس. و همکاران یک رویکرد تشخیص ابر بر اساس ویژگی‌های ترکیبی چندطیفی با آستانه‌های دینامیکی برای تصاویر سنجش از دور GF-1. Remote Sens. 2020 , 12 , 450. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. بریمن، ال. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. لیو، جی. فنگ، Q. Gong, J. نقشه‌برداری گندم زمستانه با استفاده از طبقه‌بندی جنگل تصادفی همراه با داده‌های چند زمانی و چند سنسوری. بین المللی جی دیجیت. زمین 2018 ، 11 ، 783–802. [ Google Scholar ] [ CrossRef ]
  49. سوامی، ا. Jain, R. Scikit-Learn: Learning Machine in Python. جی. ماخ. Res را یاد بگیرید. 2013 ، 12 ، 2825-2830. [ Google Scholar ]
  50. Kulkarni، NM Crop Identification با استفاده از ISODATA بدون نظارت و K-Means از تصاویر سنجش از دور چندطیفی. IJERA 2017 ، 7 ، 45-49. [ Google Scholar ] [ CrossRef ]
  51. جولیف، مؤلفه‌های اصل فناوری اطلاعات در تحلیل رگرسیون. تجزیه و تحلیل مولفه های اصلی ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 1986; صص 129-155. [ Google Scholar ]
  52. عبدی، ح. ویلیامز، LJ تجزیه و تحلیل مؤلفه اصلی. وایلی اینتردیسیپ. ریور کامپیوتر. آمار 2010 ، 2 ، 433-459. [ Google Scholar ] [ CrossRef ]
  53. ایستمن، جی آر. Fulk، M. ارزیابی سری های زمانی توالی طولانی با استفاده از مؤلفه های اصلی استاندارد شده. فتوگرام مهندس Remote Sens. 1993 , 59 , 991-996. [ Google Scholar ]
  54. هیروساوا، ی. مارش، SE; کلیمان، DH استفاده از تجزیه و تحلیل مؤلفه های اصلی استاندارد مشخصه سازی پوشش زمین با استفاده از داده های AVHRR چند زمانی. سنسور از راه دور محیط. 1996 ، 58 ، 267-281. [ Google Scholar ] [ CrossRef ]
  55. بلون، بی. Bégué، A. لو سین، دی. دی آلمیدا، کالیفرنیا؛ Simões, M. یک رویکرد سنجش از دور برای نقشه‌برداری در مقیاس منطقه‌ای سیستم‌های کاربری اراضی کشاورزی بر اساس سری زمانی NDVI. Remote Sens. 2017 , 9 , 600. [ Google Scholar ] [ CrossRef ][ Green Version ]
  56. مدل های ناپارامتری و نیمه پارامتریک Härdle، WK ; Springer Science & Business Media: نیویورک، نیویورک، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  57. هو، QW; شو، ن. مطالعه یک مدل مخلوط گاوسی برای نقشه برداری پوشش زمین شهری بر اساس تصاویر سنجش از دور VHR. بین المللی J. Remote Sens. 2016 ، 37 ، 1-13. [ Google Scholar ]
  58. Qu، YR; Cai, H. شبکه های عصبی مبتنی بر محصول برای پیش بینی پاسخ کاربر. در مجموعه مقالات شانزدهمین کنفرانس بین المللی داده کاوی (ICDM) IEEE 2016، بارسلون، اسپانیا، 12 تا 15 دسامبر 2016. [ Google Scholar ]
  59. ژانگ، WN; Du، TM یادگیری عمیق بر روی داده های دسته بندی چند زمینه ای ; ECIR Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2016. [ Google Scholar ]
  60. اولیویرا، ALI; Costa، ​​FRG تشخیص تازگی با شبکه های عصبی احتمالی سازنده محاسبات عصبی 2008 ، 71 ، 1046-1053. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00648 g001 550
شکل 1. منطقه مورد مطالعه، شامل شهرستان لوبی و جنوب غربی شهر هولین. هر دو در استان هیلونگجیانگ چین هستند.
Ijgi 09 00648 g002 550
شکل 2. گردش کار رویکرد پیشنهادی، شامل پنج مرحله کلیدی: (1) پیش پردازش داده. (2) انتخاب ارزش ویژگی. (3) مقایسه روش های طبقه بندی. (4) تعیین برچسب دسته. (5) ارزیابی دقت.
Ijgi 09 00648 g003 550
شکل 3. نمایه های شاخص گیاهی تفاوت نرمال شده فصلی (NDVI) و شاخص تفاوت عادی شده آب (NDWI) در طول دوره رشد برنج و ذرت.
Ijgi 09 00648 g004 550
شکل 4. گردش کار روش باینینگ ایزومتریک اجزای اصلی (PCIB).
Ijgi 09 00648 g005 550
شکل 5. دقت طبقه بندی با مقادیر مختلف از ک1.
Ijgi 09 00648 g006 550
شکل 6. هیستوگرام توزیع فرکانس k 1 ( k = 2).
Ijgi 09 00648 g007 550
شکل 7. نتایج نقشه برداری طبقه بندی PCIB برای جنوب غربی شهر Hulin در سال 2016.
Ijgi 09 00648 g008 550
شکل 8. نتایج نقشه برداری طبقه بندی برای شهرستان لوبی در سال 2016.
Ijgi 09 00648 g009 550
شکل 9. منطقه مطالعه، شمال غربی شهر Wuwei، استان گانسو، چین.
Ijgi 09 00648 g010 550
شکل 10. نتایج نقشه برداری طبقه بندی برای شمال غربی شهر Wuwei در سال 2018.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید