تفكيك محدوده و تخمين سطح زير كشت محصولات كشاورزي به كمك تصاوير ماهواره‌اي +ETM (مطالعه موردي: مزرعه نمونه آستان قدس رضوي)

Demarcation and estimation of agricultural lands using ETM+ imagery data (Case study: Astan Ghods Razavi great farm)

بررسي و مطالعه بر روي تكنيك سنجش از دور نشان مي‌دهد كه تصاوير ماهواره‌اي و تكنيك‌هاي سنجش از دور، به دليل فراهم آوردن داده‌هاي به‌هنگام و قابليت بالاي آناليز تصاوير، كاربرد گسترده‌اي در تمامي بخش‌ها از جمله كشاورزي و منابع طبيعي دارند. در پژوهش حاضر، به منظور شناسايي و تفكيك اراضي زير كشت محصولات مختلف و تهيه نقشه انواع محصولات منطقه‌اي در اطراف مشهد (مزرعه نمونه آستان قدس رضوي) از دو تصوير (مربوط به ماه‌هاي ارديبهشت و شهريور) داده‌هاي رقومي ماهواره لندست، سنجنده ETM+ مربوط به سال 1391 استفاده شد. جهت طبقه‌بندي تصوير در هر يك از اين دو ماه، از روش طبقه‌بندي نظارت شده شامل حداكثر احتمال و شبكه عصبي مصنوعي استفاده شد. براي مقايسه تصوير حاصل از دو روش، نمونه‌هاي تعليمي و آزمايشي و روش كار كاملاً يكساني براي هر دو روش انتخاب شد. جهت ارزيابي صحت نتايج طبقه‌بندي، نقشه توليدي با نقاط واقعيت زميني مشخص شده از طريق GPS، مورد بررسي قرار گرفت. ضريب كاپا و صحت كلي براي روش حداكثر احتمال به ترتيب82 و 85 درصد و براي شبكه عصبي به‌ترتيب 84 و 87 درصد برآورد گرديد. مساحت‌هاي سطح زير كشت محاسبه شده از نقشه طبقه‌بندي به روش حداكثر احتمال و شبكه عصبي توانست به‌ترتيب با اختلاف متوسط 8/16 و 2/14درصد با اطلاعات مساحت‌هاي موجود در مزرعه آستان قدس مساحت محصولات مختلف را تخمين بزند. نتايج اين تحقيق نشان داد كه تصاوير ماهواره‌اي از قابليت بالايي براي تفكيك سريع اراضي زراعي و تهيه ‌نقشه انواع محصولات در منطقه و تعيين سطح زير كشت با دقت نسبتاً مناسب در مقياس منطقه‌اي برخوردار است. اين اطلاعات براي برنامه ريزي‌هاي كلان منطقه‌اي در قالب تدوين الگوي كشت يا توسعه مكانيزاسيون بسيار مفيد مي‌باشند.

Application of satellite imagery and remote sensing techniques in agriculture and other natural resources has been approved by many studies. In this study two ETM+ imagery data for May and September 2012 of Astan Ghods Razavi Great Farm were acquired to identify the boundaries of lands cultivated with different crops coverage and to create crops maps of that farm. To classify the images, the supervised classification methods including Maximum Likelihood and artificial neural network were used. In order to compare the results of two applied classification methods, the same training and testing samples were used. To evaluate the accuracy of classification results, the produced map was compared with the ground control points extracted by GPS and local observations. Kappa coefficient and overall accuracy were estimated to be 82% and 85%, respectively by maximum likelihood method and these outputs were estimated to be 84% and 87%, respectively by neural network approach. The difference of cultivated area estimated by maximum likelihood and by neural network methods with actual measured area was 16.8% and 14.2%, respectively. The results of this study showed that satellite imagery has high capabilities to classify and estimate agricultural and cultivated areas. These data can be useful for strategic management to develop mechanization and cultivation plans.