بهبود دقت شناسايي مزارع برنج با استفاده از تصاوير سري زماني دماي سطح زمين ماهواره لندست-8 و الگوريتم هاي يادگيري ماشين

برنج اصلي ترين محصول غذايي بيش از نيمي از مردم جهان است. نظارت بر سطح زير كشت محصول برنج، نقش مهمي در برنامه ريزي هاي كشاورزي دارد. امروزه مي توان با تكيه بر فن آوري سنجش از دور و روش هاي يادگيري ماشين، روش هاي مديريتي را بهبود بخشيد. تحقيق فوق با هدف شناسايي برنج در سال 2020 به كمك نقشه هاي سري زماني شاخص هاي NDVI و LST استخراج شده از تصاوير لندست-8، با الگوريتم SVM در ايالت كاليفرنيا، انجام گرفته است. يكي از انگيزه هاي اصلي اين تحقيق، بررسي قابليت هاي نقشه هاي سري زماني شاخص LST در كنار نقشه هاي سري زماني شاخص NDVI به منظور بهبود دقت شناسايي مزارع برنج ، با الگوريتم SVM است. در گام اول از روش پيشنهادي پس از اخذ سري زماني تصاوير لندست-8 و انجام تصحيحات راديومتري و اتمسفري، نقشه هاي سري زماني دو شاخص NDVI و LST توليد شد. در گام دوم، شناسايي مزارع برنج با الگوريتم طبقه بندي SVM در دو سناريوي وجود يا عدم وجود نقشه ي سري زماني LST در كنار نقشه ي سري زماني NDVI پيشنهاد شد. در نهايت از الگوريتم هاي طبقه بندي نزديك ترين همسايگي، درخت تصميم گيري، رگرسيون لجستيك و پرسپكترون چند لايه براي مقايسه ي روش پيشنهادي استفاده شد. نتايج حاصل از شاخص پيشنهادي باعث بهبود دقت كلي به مقدار متوسط 3.572 درصد و ضريب كاپا به مقدار متوسط 7.112 درصد در روش هاي شناسايي مزارع برنج هنگام بكار گيري همزمان نقشه هاي سري زماني شاخص LST و NDVI با كاهش خطاي نوع اول به كمك استخراج ويژگي هاي فصل رشد حرارتي (حذف كلاس هاي غير برنج همچون پنبه، لوبياي سبز و ... از كلاس برنج) شد. همچنين الگوريتم ماشين بردار پشتيبان، بالاترين دقت كلي 94.28 درصد و ضريب كاپاي 88.29 درصد را در شناسايي مزارع برنج از ساير مزارع كشاورزي، در مقايسه با ساير روش هاي مقايسه اي نشان داد. نتايج حاصل از روش هاي مقايسه اي كارآيي پايين الگوريتم درخت تصميم گيري را در شناسايي لبه هاي مزارع برنج، نشان داد.