بررسی کارایی روش‌های طبقه‌بندی و شاخص‌های طیفی در برآورد سطح زیرکشت محصولات زراعی شهرستان شوش

برآورد سطح زیرکشت محصول، گامی اساسی در تعیین میزان تولیدات زراعی و لازمه تصمیم‌گیری در انجام مبادلات اقتصادی است. سنجش از دور، با داشتن داده‌های به‌روز و قابلیت آنالیز تصاویر ماهواره‌ای با دقتی مناسب و نیز امکان مطالعه در محدوده‌های وسیع، ابزاری کلیدی در این قبیل ارزیابی‌ها می‌باشد. هدف این پژوهش، ارزیابی کارایی روش‌های طبقه‌بندی و شاخص‌های طیفی در برآورد سطح زیرکشت محصولات زراعی شهرستان شوش در طول دوره رشد است. ابتدا تصاویر oli ماهواره لندست 8 با توجه به تقویم زراعی سال 98-1397 و دوره رویشی محصولات غالب منطقه، انتخاب شدند. برای شناسایی و تفکیک محصولات زراعی در رویکرد اول، از روش‌های طبقه‌بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان و در رویکرد دوم، از شاخص ndvi استفاده شد. برای مقایسه نتایج، از آمار سطح زیرکشت سازمان جهاد کشاورزی در سال 1398 استفاده شد. براساس نتایج بدست آمده، سطح زیرکشت گندم، جو، برنج و ذرت در روش شبکه عصبی مصنوعی، در مقایسه با آمار سازمان جهاد کشاورزی به‌ ترتیب خطای 11.7، 12.1، 6.1 و 6.7 درصد و در روش ماشین بردار پشتیبان به ‌ترتیب خطای 8.9، 6.6، 4.2 و 5.1 درصد داشته است. اما شاخص ndvi بهترین روش برآورد سطح زیرکشت منطقه در مقایسه با آمار سازمان جهاد کشاورزی به ‌ترتیب دارای خطای 4.2، 1.2، 2.7 و 1.5 درصد بوده که نشان‌دهنده قابلیت بالا و دقت شاخص‌های طیفی در برآورد سطح زیرکشت محصولات زراعی منطقه با توجه به دوره رشد آن‌ها است. لذا پیشنهاد شد تا برای تعیین سطح زیرکشت محصولات شهرستان شوش از پیاده‌سازی شاخص‌های طیفی استفاده شود.

evaluation of efficiency between classification methods and spectral indices in cropped area estimation of shush county

introduction agriculture is the essential sector for promoting food security. crop area estimation (cae) can meet the requirements of the crop monitoring plan. the organizing basis of the cultivation pattern is recognizing the types of crops and examining the condition of their crop area. shush county in khuzestan province has 300,000 hectares of the crop area. it is one of the agricultural hubs of iran because it has a record annual production of more than two million tons of strategic crops such as wheat, sugar beet, and corn. cae affects the amount of net production and shortage or surplus of produce for market steadiness. traditional approaches for cae are time-consuming and costly and are not widely enforceable. remote sensing (rs) data provide good information for decision-makers by determining the crop type and the crop area. rs data has made it possible to avoid continuous reference to agricultural lands with less time and cost than another usual method and accurate cae. also, the use of multi-time images during the growing season of agricultural products allows the use of spectral curves when related to the crop calendar of each crop. this spectral curve is almost separate for each product and increases the ability to distinguish between products. therefore, multi-temporal images support segregation based on multispectral images of products. the current study follows a speedy method with appropriate accuracy established on satellite image classification algorithms and spectral indices to identify and separate crops with rs data in shush county.materials and methods landsat-8 data with path/row coordinates 166/38 extracted from the usgs website were used to identify and separate the cultivated lands of the region. the reason for choosing landsat images is the relatively suitable temporal and spatial resolution, availability, and the appropriate time distribution with the product growth period. the landsat 8 carries 2-sensors, oli (operational land imager) and tirs (thermal infrared sensor). the oli sensor with a spatial resolution of 30 meters has 8-bands in the visible spectrum, near-infrared (nir), short-wavelength infrared (swir), and a panchromatic band with a spatial resolution of 15 meters. the tirs sensor can record thermal infrared radiation with a spatial resolution of 100 meters with the help of 2-bands in atmospheric windows of 10.6 to 11.2 micrometers for band 10 and 11.5 to 12.5 micrometers for band 11. this research used bands 1-7 of the landsat-8 oli sensor with a spatial resolution of 30 meters after the initial corrections of satellite images. the spectral similarity between the region’s dominant crops has made it impossible to select a single image to differentiate and extract the cultivation pattern. wheat and barley have a high spectral similarity. the peak of the greenness of these products is in the first four months of the year, which has high ndvi values at this time. therefore, choosing a good time to separate the crops was feasible by referring to the khuzestan organization agriculture-jihad (koaj) and receiving the regional crops calendar in 2018-19. then, the low-level cloud cover images on april 24, june 27, and august 30, 2019, were selected for classification based on the crop calendar. planting, harvesting, maximum greenness, and ripening information of the dominant crops in the area were pivotal in obtaining image dates. in dates selected related to the images were considered planting, harvesting, maximum greenery, and ripening information of the region’s dominant crops.