تهیۀ نقشۀ نوع محصول کشاورزی از سری زمانی تصاویر لندست-8 با استفاده از روش‌های یادگیری ماشین (مطالعۀ موردی: مرودشت استان فارس)

یکی از اولویت‌های مهم وزارت جهاد کشاورزی، تهیۀ نقشۀ نوع محصول کشاورزی برای تخمین میزان سطح زیرکشت محصولات استراتژیک و برآورد سالیانۀ میزان تولید آنهاست. در دهه‌های اخیر، فناوری سنجش از دور به‌دلیل تهیۀ تصاویر و داده‌های به‌هنگام با تفکیک‌پذیری‌های متنوع مکانی، زمانی و طیفی و با بهره‌گیری از الگوریتم‌های یادگیری ماشین بهبودیافته در تخمین میزان سطح زیرکشت محصولات کارایی زیادی را نشان داده است. در پژوهش حاضر با استفاده از سری زمانی تصاویر ماهوارۀ لندست-8 و الگوریتم‌های یادگیری ماشین پیشرفته یک چهارچوب تهیۀ نقشۀ نوع محصول کشاورزی مرودشت استان فارس ارائه شد. الگوریتم‌های به‌ کار گرفته ‌شده شامل الگوریتم درخت تصمیم، جنگل تصادفی، جنگل دورانی، ماشین‌‌ بردار پشتیبان و آنالیز انحراف زمانی پویا بود. نتایج نشان داد که روش‌های آنالیز انحراف زمانی پویا و جنگل تصادفی نسبت به روش‌های دیگر کارایی بسیار بیشتری (با افزایش دقت کلی به میزان 10% تا 12% بیشتر) در تهیۀ نقشۀ نوع محصول کشاورزی منطقۀ مطالعه‌شده داشتند. همچنین، در این پژوهش قابلیت باندهای 2 تا 5 ماهوارۀ لندست-8 در شناسایی کارا و مطمئن همۀ محصولات این منطقه با استفاده از روش‌های مذکور اثبات شد.

crop mapping from landsat-8 images time series using machine-learning methods (case study: marvdasht in fars province)

one of the key priorities of the ministry of agriculture jihad is the mapping of croplands toestimate crop acreage and annual yield. in recent decades, remote sensing technology has proven to behighly effective in estimating the extent of crop cultivation through the use of timely images andsynchronized data with diverse spatial, temporal, and spectral resolutions, leveraging advancedmachine-learning algorithms. this study presented a framework for crop mapping in marvdasht, farsprovince, by utilizing time series of landsat-8 satellite images and advanced machine-learningalgorithms. the employed algorithms included decision tree (dt), random forest (rf), rotationforest (rof), support vector machine (svm), and dynamic time warping (dtw) analysis. theresults indicated that the dynamic time warping and random forest methods outperformed others,achieving significantly higher accuracy (with an overall accuracy improvement of 10-12%) ingenerating the agricultural land-use map of the study area. furthermore, this research demonstrated theeffectiveness of bands 2-5 of landsat-8 satellite in confidently identifying all crops in this regionusing the mentioned methods.