پهنه‌بندی اراضی گندم دیم با استفاده از تصاویر مادیس و لندست (مطالعه موردی: شهرستان اهر)

توسعه روش‌های سنجش از دور در پهنه‌بندی اراضی زیر کشت محصولات کشاورزی در مقیاس گسترده مکانی و زمانی، به‌صورت جایگزین شیوه‌های پرهزینه و زمان‌بر جمع‌آوری آمار میدانی، در حال گسترش است. تا کنون، روش‌هایی برای شناسایی اراضی زراعی، با استفاده از تصاویر سنجنده‌های اپتیک و راداری، مطرح شده است. برخی از این روش‌ها، با تاکید بر فرایندهای حذف پیکسل‌های ابری، مناسب اقلیم مرطوب با روزهای متعدد ابرناکی هستند و برخی دیگر، به‌دلیل روش به‌کاررفته در آنها به‌منظور ترکیب تصاویر هر دو سیستم اپتیک و راداری، پیچیده‌گی‌های خاص خود را دارند. در این میان، روش‌های مبتنی‌بر استفاده از ویژگی‌های منحصربه‌فرد سری زمانی شاخص گیاهی هریک از محصولات زراعی فرایند نسبتاً ساده‌تری در پهنه‌بندی اراضی زراعی دارد. هدف از این پژوهش بهبود یکی از روش‌های مطرح‌شده برای تفکیک اراضی زیر کشت گندم دیم است که در آن از الگوریتم حذف گام‌به‌گام پیکسل‌های غیرگندم و تصاویر سنجنده مادیس استفاده شده بود. برای بهبود الگوریتم مذکور، طی فرایندی، از قدرت تفکیک زمانی تصاویر سنجنده مادیس و قدرت تفکیک مکانی تصاویر ماهواره لندست8 بهره گرفته شد. فرایند جدید، ضمن رفع نقاط ضعف الگوریتم سابق در تشخیص مراتع و اراضی غیرگندم از اراضی گندم دیم، به‌خصوص در پیکسل‌های ناهمگن، موجب افزایش دقت این الگوریتم در پهنه‌بندی اراضی گندم دیم شد؛ به‌طوری‌که روش مطرح‌شده توانست با مقادیر صحت کلی، شاخص کاپا و f1 به‌ترتیب برابر با 92.5%، 0.67 و 0.71، با دقت قابل‌قبولی، سطوح زیر کشت گندم دیم را تفکیک کند.

RainFed Wheat Area Mapping Using MODIS and Landsat Images (Case Study: Ahar City)

Application of the remote sensing methods in crop area mapping on a large spatiotemporal scale serves is as an alternative to costly timeconsuming field data gathering methods. So far, some methods have been developed for wheat and rice area mapping using the images from optical and radar sensors. Some of these methods are appropriate for humid climates with several cloudy days, while others use complex processes in terms of combining both optics and radar images. Meanwhile, methods based on the unique variation of the vegetation index time series belongs to each crop are relatively simple methods that can be used for crop area mapping. The objective of this study is to improve one of the proposed methods for rainfed wheat area mapping, in which a stepbystep elimination algorithm of nonwheat pixels was applied to MODIS images. The Improved algorithm took advantage of both MODIS and Landsat Images in terms of their high temporal and high spatial resolutions, respectively. The mentioned process could detect rainfed wheat areas from the pastures and heterogeneous areas with higher accuracy in comparison with the previous algorithm. The overall accuracy, Kapa index, and F1 score for the final rainfed wheat map was 92.5%, 0.67, and 0.71 respectively.