
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,491 |
تعداد مشاهده مقاله | 8,612,501 |
تعداد دریافت فایل اصل مقاله | 8,201,610 |
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 | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 8، دوره 26، شماره 1، فروردین و اردیبهشت 1398، صفحه 151-167 اصل مقاله (6.26 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2019.15246.3044 | ||
نویسندگان | ||
بهنام کامکار* 1؛ محمد دشتی مرویلی2؛ حسین کاظمی1 | ||
1دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
2دانشجو | ||
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 | ||
طبقهبندی تصویر؛ سطح زیر کشت؛ ضریب کاپا؛ گلستان | ||
مراجع | ||
1.Ahmad, A., and Quegan, S. 2013.Comparative analysis of supervised andunsupervised classification onmultispectral data. Applied MathematicalSciences, 7: 74. 3681-3694. 2.Ahmadpour, A., Soleimani, K., Shokri,M., and Qarbati, J. 2011 Comparison ofThree Commonly Used SupervisoryClassifications of Satellite Data inVegetation, 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. Separationof agricultural products by ETM+satellite images (Case study: AstanQuds 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 BalanceAlgorithms for Land). Advance Trainingand User's Manual-Idaho Implementation,version1. 5.Bani Aghil, A.S., Rahemi Karizaki, A.,Bayatani, A., and Faramarzi, H. 2015.Investigation of susceptible soybeanregions based on climate indicators inGolestan 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 inGolestan Province Based on ClimaticIndices. J. Appl. Veg. Eco Physiol. Second Course Second Issue. Pp: 19-32. 7.Baret, F., and Guyot, G. 1991. Potentialsand limits of vegetation indices for LAIand APAR assessment. Remote sensingof environment. 35: 3. 161-173. 8.Firozinejad, M., Torahi, A., andAbdolkhani, A. 2012. Comparison ofclassification algorithms in land usemapping (Case study: Woodlands ofMaroon in Behbahan). The First NationalConference on Sustainable DevelopmentStrategies. Tehran. (In Persian) 9.Kamusoko, C., and Aniya, M. 2007. Landuse cover change and landscapefragmentation analysis in the BinduraDistrict, Zimbabwe. Land degradationand development. 18: 2. 221-233. 10.Kazemi, H., Tahmasebi Sarvestani, Z.,Kamkar, B., Shataee, Sh., and Sadeghi,S. 2012. Agro ecological zoning ofagricultural lands in Golestan provincefor canola cultivation by Geographic Information System (GIS) andAnalytical 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 ofGolestan province Lands for Soybeancultivation using geographical informationsystem (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. Principlesand 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., andGong, P. 2014. Comparison ofclassification algorithms and trainingsample sizes in urban land classificationwith Landsat thematic mapper imagery. Remote Sensing, 6: 2. 964-983. 15.Li, P., Jiang, L., and Feng, Z. 2013.Cross-comparison of vegetation indicesderived from Landsat-7 enhancedthematic mapper plus (ETM+) andLandsat-8 operational land imager (OLI) sensors. Remote Sensing. 6: 1. 310-329. 16.Marry L. McHugh. 2012. Interraterreliability: the kappa statistic. BiochemiaMedica; 22: 3. 276-82. http://dx.doi.org/10.11613/BM.2012.031. 17.Rahimzadegan, M., and Pourgholam, M.2014. Identification of the area undercultivation of Saffron using Landsat-8temporal satellite images (Case study:Torbat Heydarieh). J. RS GIS Natur. Resour. Seventh Year. 4: 115-97.(In Persian) 18.Rasouli, A.A. 2008. Principles ofapplied remote sensing with emphasison satellite images processing, TabrizUniversity Press. 806p. (In Persian) 19.Saadat, H., Adamowski, J., Bonnell, R.,Sharifi, F., Namdar, M., andAle-Ebrahim, S. 2011. Land use andland cover classification over a largearea in Iran based on single date analysisof satellite imagery. ISPRS J.Photogram. Rem. Sens. 66: 5. 608-619. 20.Summary of Rural Land Conditions ofGolestan 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 classificationalgorithms in satellite imagery to produceland 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 acreageestimation in North Korea usingphenology 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 riceagricultural land using Radar satelliteimages. Physical Geography Research Quarterly. 68: 45-58. (In Persian) 25.Zobeiry, M., and Majd, A.R. 2008.An introduction to remote sensingtechnology and its application in naturalresources. Tehran University Press,Seventh Book. 317p. (In Persian) | ||
آمار تعداد مشاهده مقاله: 1,013 تعداد دریافت فایل اصل مقاله: 1,684 |