پردازش تصاوير ماهواره‌اي به منظور برآورد ميزان توليد برنج

Rice Yield Estimation Using Satellite Image Processing

در اين مقاله با استفاده از پردازش تصوير و سنجش از دور به تعيين ميزان محصول برنج در منطقه‌اي در شمال ايران پرداخته مي‌شود. منطقه‌ي مورد بررسي در عرض جغرافيايي تا و طول جغرافيايي تا در شمال ايران (استان مازندران) واقع شده است. در اين تحقيق از چهار تصوير سنسور LISS-III ماهواره IRS-1D در فصل زراعي1382 استفاده شده است كه دو تصوير از فصل برنج‌كاري و دو تصوير مربوط به فصل غير برنج‌كاري مي‌باشد و تصاوير با استفاده از نقاط كنترل زميني تصحيح هندسي شده‌اند‌. براي برآورد توليد برنج، ابتدا مزارع برنج از ديگر مناطق با استفاده از شبكه‌ي عصبي MLP دوكلاسه تفكيك شده‌اند. شبكه‌ي مورد استفاده، يك لايه‌ي ورودي، دو لايه‌ي مخفي و يك لايه‌ي خروجي دارد. از آناليز مولّفه‌هاي اصلي (PCA) براي كم‌كردن بُعد نمونه‌هاي ورودي به شبكه استفاده شد. شبكه به‌ازاي حالات مختلف ( بُعد نمونه‌هاي ورودي، تعداد نرون‌هاي لايه‌ي مخفي) آموزش داده و شبكه‌ي بهينه با استفاده از مجموعه‌ي validation انتخاب شد. شبكه‌ي بهينه داراي دقّت كلّي 98 درصد و داراي ضريب كاپا 96/0 روي مجموعه‌ي test است. همچنين با استفاده از شبكه‌ي MLP مزارع برنج پرمحصول و كم‌محصول تفكيك شده‌اند‌. شبكه‌ي MLP ايجاد شده داراي دقّت كلّي 6/89 درصد و ضريب كاپاي 67/0 است. با شبكه‌ي عصبي RBF مدلي ايجاد شده است تا با داشتن بازتاب مزارع در باندهاي مادون‌قرمزنزديك و قرمز در دو تصوير از دوره‌ي رشد برنج، ميزان محصول مزارع تخمين زده شود. ميانگين خطاي نسبي مدل براي برنج پرمحصول 52/11 درصد با انحراف معيار 183/7 مي‌باشد و داراي ضريب تخمين 31/0 است و براي برنج كم‌محصول ميانگين خطاي نسبي 9/9 درصد با انحراف معيار 2/9 و ضريب تخمين 2/0 مي‌باشد. درنهايت با استفاده از مدل سه‌گانه‌ي بالا، ميزان توليد هر يك از گونه‌هاي برنج در منطقه‌ي مورد مطالعه تعيين گرديد كه ميزان توليد برنج پرمحصول 256061 تن و ميزان توليد برنج كم‌محصول 85177 تن برآورد گرديد.

In this paper, using image processing and remote sensing techniques, rice yield estimation is performed for a region in Mazandaran province, North of Iran. Four Liss-III images from IRS-1D satellite have been used. Two of the images are from rice cultivation period and other two are from different times of the year. Geometric corrections have been performed on the images using ground control points. At first image pixels were classified to "rice" and "non-rice" classes using a2- class MLP neural network. Then rice farms were classified as "high yield" and "low yield" differentiations of rice cultivations using another MLP neural network. Estimation of rice yield for each of these classes of rice farms were then accomplished using an RBF neural network model. Finally using the three mentioned neural network models, the estimation of rice yield for the whole region was performed Good results have been obtained from the models which are presented in the paper.