تفکیک اراضی زیر کشت برنج و سویا با استفاده از تصاویر ماهواره‌ای سنتینل 2 در الگوهای کاشت تابستانه جهت تحلیل تغییرات سطح زیر کشت دو محصول در چهار حوضه آبخیز استان گلستان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 دانشجو

چکیده

سابقه و هدف: مناسب بودن آب و هوای استان گلستان برای تولید اغلب محصولات کشاورزی باعث شده که این استان از نظر تولید محصولات زراعی دارای تنوع بالایی باشد، به طوری که این استان دارای رتبه‌های نخست از نظر سطح زیر کشت و تولید دانه‌های روغنی به خصوص سویا در کشور است. این تحقیق با هدف تخمین سطح زیر کشت برنج و سویا در سطح چهار حوضه آبخیز در استان گلستان برای اولین بار با استفاده از تصاویر ماهواره سنتینل 2 و با استفاده از روش‌های حداکثر احتمال، حداقل فاصله از میانگین و فاصله ماهالانوبی از زیرمجموعه روش طبقه‌بندی نظارت شده بود.
مواد و روش‌ها: به منظور شناسایی، تفکیک و ارزیابی سطح زیر کشت دو محصول تابستانه برنج و سویا در سطح مورد مطالعه، از دو تصویر ماهواره سنتینل‌‌2 مربوط به ماه‌های مرداد و شهریور سال1395 استفاده شد. این تحقیق در سطح 4 حوضه آبخیز زرین‌گل، محمد آباد، قره‌سو و قرن‌آباد از استان گستان انجام شد. برای این‌کار پس از دانلود تصاویر لازم از نظر زمانی و در سطح حوضه‌های مورد مطالعه اقدام به تصحیحات رادیومتریک، اتمسفری و هندسی روی تصاویر شد. پس از آن ترکیبات باندی، ترکیبات رنگی، موزاییک تصاویر و محاسبات باندی انجام شد و شاخص گیاهی NDVI جهت جداسازی پوشش‌های گیاهی از غیر پوشش و در نهایت نقشه کاربری اراضی و لایه زراعی تولید شد. جهت ارزیابی صحت نتایج طبقه‌بندی، نقشه تولید شده با نقاط واقعیت زمینی ثبت شده از طریق GPS مورد بررسی قرارگرفت.
یافته‌ها: نتایج نشان داد که در سطح چهار حوضه، سطح زیر کشت برنج نسبت به سال‌های گذشته افزایش داشته که با توجه به مصرف بالای آب در این محصول در شرایط کنونی وضعیت آب استان می‌تواند بحران موجود را تشدید نماید. همچنین سطح زیر کشت محصول سویا که می‌تواند یک گیاه رقیب و جایگزین برای برنج باشد نسبت به سال‌های گذشته کاهش یافته است. نتایج نشان داد که با توجه به ضریب کاپا (Kappa Coefficient) و صحت کلی(Overall Accuracy) به ‌ترتیب معادل 92 درصد و 5/95 درصد، روش طبقه‌بندی حداکثر احتمال به عنوان روش منتخب طبقه‌بندی در برنج انتخاب و سطح زیرکشت برنج تخمین زده شده در این روش معادل 32911 هکتار بود که در مقایسه با آمار جهاد کشاورزی ( هکتار27839) اریبی حدود 18 درصد داشت. همچنین جهت تخمین و برآورد سطح زیر کشت محصول سویا ضریب کاپا و صحت کلی روش طبقه‌بندی کمترین فاصله از میانگین با بالاترین دقت به‌ترتیب معادل 88 درصد و2/95 درصد و میزان سطح زیر کشت سویا در این روش 28359 هکتار تخمین زده شد که در مقایسه با آمار سازمان جهاد کشاورزی (25083 هکتار) اریبی حدود13 درصد داشت.
نتیجه‌گیری: تصاویر ماهواره سنتینل‌2 از قابلیت بالایی برای تفکیک سریع اراضی و تهیه نقشه انواع محصولات و تعیین سطح زیر کشت محصولات با دقت نسبتا مناسب در مقیاس منطقه‌ای برخوردار هستند. همچنین سطح زیر کشت برنج نسبت به سالهای قبل افزایش و سطح زیر کشت سویا نسبت به سالهای قبل کاهش یافته است.

کلیدواژه‌ها


عنوان مقاله [English]

Detection of rice and soybean grown fields and their related cultivation area using Sentinel-2 satellite images in summer cropping patterns to analyze temporal changes in their cultivation area (Case study: four watershed basins of Golestan Province)

نویسندگان [English]

  • Behnam kamkar 1
  • Mohammad Dashtimarvili 2
  • Hossein حسینی پشت مساری 1
1 عضو هیات علمی
2 دانشگاه علوم کشاورزی و منابع طبیعی گرگان
چکیده [English]

Background and Objectives: In Golestan province, the suitability of climatic condition to produce most of the agricultural products has led to high diversity in crop production, so this province has the first rank in terms of cultivating and producing oilseeds, especially soybean, in Iran. This research was carried out at four major watershed basins of Golestan province, Mohammad Abad, Qaresoo, Zaringol, and Gharnabad. This study was aimed to estimate the area under rice- and soybeans-cultivation in the aforementioned watershed basins. For this, Sentinel2 satellite images were used for the first time using different supervised classification methods (Maximum likelihood, the minimum distance of average and the Mahalanobis distance).
Materials and Methods:In this study, two Sentinel-2 satellite images of August and September of 2016 were used to identify, detect and evaluate the cultivated area of rice and soybean as two summer crops. This research was carried out at four watershed basins of Golestan Province (Mohammad Abad, Qaresoo, Zaringol, and Gharnabad). Radiometric, atmospheric, and geometric corrections were made after downloading the images of the study area. Then, band compounds, pseducolor combinations, image mosaics and rational band calculations were carried out, and the NDVI vegetation index was used to detect vegetation cover from other land uses, and finally, a land use map and crop layer was produced.
Results: results of this study showed that the soybean cultivation area which is an alternative plant for rice in summer cropping, has decreased compared to past years. In the present study, two Sentinel-2 satellite images of August and September of 2016 were used to identify, detect and evaluate the cultivated area of rice and soybean as two summer crops in four watershed basins of Golestan province. To compare the outputs of the three classification methods, training and test samples were used. In order to evaluate the accuracy of the classification results, the generated map was analyzed using the GPS-registered ground control point .The Maximum likelihood classification with kappa coefficient and overall accuracy of 92% and 95.5% was selected as the superior method for rice. In this method, the rice cultivation area was estimated 32911 hectares with a 18% bias compared to the Agricultural Jihad statistics (27839 hectares). Whereas for soybean, the minimum distance method with kappa coefficient and the overall accuracy of 88% and 95.2% was selected as superior classification method. Based on the results, the soybean cultivation area was estimated as 28359 hectares, with a bias of 13%, compared to the Agricultural Jihad statistics (25083 hectares).
Conclusion: Sentinel2 satellite images have a high potential for quick land detection and providing crops cultivation area maps in a regional scale. Also, the rice cultivation area has been increased compared to past years, while has been decreased for soybean.

کلیدواژه‌ها [English]

  • Image classification
  • cultivated area
  • kappa coefficient
  • Golestan Province
1.Ahmad, A., and Quegan, S. 2013.
Comparative analysis of supervised and
unsupervised classification on
multispectral data. Applied Mathematical
Sciences, 7: 74. 3681-3694.
2.Ahmadpour, A., Soleimani, K., Shokri,
M., and Qarbati, J. 2011 Comparison of
Three Commonly Used Supervisory
Classifications of Satellite Data in
Vegetation, Rem. Sens. Appl. Mag. GIS
Natur. Resour. J. 2: 2. 69-81. (In Persian)
3.Alipur, F., Aghkhani, M., Abbaspourfard,
M., and Sepehr, AS. 2014. Separation
of agricultural products by ETM+
satellite images (Case study: Astan
Quds Razavi sample farm). Agric.
Machin. J. 4: 2. 244-254. (In Persian)
4.Allen, R.G., Tasumi, M., Trezza, R.,
Waters, R., and Bastiaanssen, W.
2002. SEBAL (Surface Energy Balance
Algorithms for Land). Advance Training
and User's Manual-Idaho Implementation,
version1.
5.Bani Aghil, A.S., Rahemi Karizaki, A.,
Bayatani, A., and Faramarzi, H. 2015.
Investigation of susceptible soybean
regions based on climate indicators in
Golestan province. J. Appl. Res. Plant
Ecophysiol. 2: 2. 19-32. (In Persian)
6.Bani Aghil, A.S., Rahimi Karizaki, A.,
Bayatani, A., and Faramarzi, H. 2015.
Study of Soybean Susceptible Areas in
Golestan Province Based on Climatic
Indices. J. Appl. Veg. Eco Physiol.
Second Course Second Issue. Pp: 19-32.
7.Baret, F., and Guyot, G. 1991. Potentials
and limits of vegetation indices for LAI
and APAR assessment. Remote sensing
of environment. 35: 3. 161-173.
8.Firozinejad, M., Torahi, A., and
Abdolkhani, A. 2012. Comparison of
classification algorithms in land use
mapping (Case study: Woodlands of
Maroon in Behbahan). The First National
Conference on Sustainable Development
Strategies. Tehran. (In Persian)
9.Kamusoko, C., and Aniya, M. 2007. Land
use cover change and landscape
fragmentation analysis in the Bindura
District, Zimbabwe. Land degradation
and development. 18: 2. 221-233.
10.Kazemi, H., Tahmasebi Sarvestani, Z.,
Kamkar, B., Shataee, Sh., and Sadeghi,
S. 2012. Agro ecological zoning of
agricultural lands in Golestan province
for canola cultivation by Geographic
Information System (GIS) and
Analytical Hierarchy Process (AHP).
Elec. J. Crop Prod. 5: 123-139.
(In Persian)
11.Kazemi, H., Tahmasebi Sarvestani, Z.,
Kamkar, B., Shataei, Sh., and Sadeghi,
S. 2013. Agro-ecological zoning of
Golestan province Lands for Soybean
cultivation using geographical information
system (GIS). J. Agr. Know Sustain.
Prod. 23: 4. 22-40. (In Persian)
12.Khajehpour, M.R. 2012. Industrial Plants.
Jihad University Press (Isfahan University
of Technology). 580p. (In Persian)
13.Khajehpour, M.R. 2009. Principles
and Fundamentals of Crop Production.
Third edition, Jihad University Press
(Isfahan University of Technology).
386p. (In Persian)
14.Li, C., Wang, J., Wang, L., Hu, L., and
Gong, P. 2014. Comparison of
classification algorithms and training
sample sizes in urban land classification
with Landsat thematic mapper imagery.
Remote Sensing, 6: 2. 964-983.
15.Li, P., Jiang, L., and Feng, Z. 2013.
Cross-comparison of vegetation indices
derived from Landsat-7 enhanced
thematic mapper plus (ETM+) and
Landsat-8 operational land imager (OLI)
sensors. Remote Sensing. 6: 1. 310-329.
16.Marry L. McHugh. 2012. Interrater
reliability: the kappa statistic. Biochemia
Medica; 22: 3. 276-82. http://dx.doi.org/
10.11613/BM.2012.031.
17.Rahimzadegan, M., and Pourgholam, M.
2014. Identification of the area under
cultivation of Saffron using Landsat-8
temporal satellite images (Case study:
Torbat Heydarieh). J. RS GIS Natur.
Resour. Seventh Year. 4: 115-97.
(In Persian)
18.Rasouli, A.A. 2008. Principles of
applied remote sensing with emphasis
on satellite images processing, Tabriz
University Press. 806p. (In Persian)
19.Saadat, H., Adamowski, J., Bonnell, R.,
Sharifi, F., Namdar, M., and
Ale-Ebrahim, S. 2011. Land use and
land cover classification over a large
area in Iran based on single date analysis
of satellite imagery. ISPRS J.
Photogram. Rem. Sens. 66: 5. 608-619.
20.Summary of Rural Land Conditions of
Golestan province in 2009-2010.
21.Mather, P., and Tso, B. 2009. Classification
methods for remotely sensed data, Second
Edition. CRC press. 376p.
22.Yousefi, S., Tazeh, M., Mirzaee, S.,
Moradi, H.R., and Tavangar, S.H. 2011.
Comparison of different classification
algorithms in satellite imagery to produce
land use maps (Case study: Noor city). J.
Appl. RS GIS Techniq. Natur. Resour.
Sci. 2: 15-25. (In Persian)
23.Zhang, H., Li, Q., Liu, J., Shang, J., Du,
X., and Zhao, L., Wang, N., and Dong,
T. 2017. Crop classification and acreage
estimation in North Korea using
phenology features. GIS science and
Remote Sensing. 54: 3. 381-406.
24.Zeaiean Firouzabadi, P., Sayadbidhendi,
L., and Eskandarinoudeh, M. 2009.
Mapping and acreage estimation of rice
agricultural land using Radar satellite
images. Physical Geography Research
Quarterly. 68: 45-58. (In Persian)
25.Zobeiry, M., and Majd, A.R. 2008.
An introduction to remote sensing
technology and its application in natural
resources. Tehran University Press,
Seventh Book. 317p. (In Persian)