تهیه نقشه اراضی کشاورزی با استفاده از تلفیق روش‌های قطعه‌بندی و طبقه‌بندی در گوگل ارث انجین

تهیه نقشه اراضی کشاورزی یکی از لایه‌های اطلاعاتی مورد نیاز در مدیریت این زمین‌ها محسوب می‌شود. چنین نقشه‌هایی امکان پایش مستمر زمین‌های کشاورزی را در طول دوره کشت، فراهم می‌کنند. در این مطالعه، راهکاری به‌منظور تولید نقشه اراضی کشاورزی شهرستان شهرکرد، در دو کلاس زراعی و غیرزراعی، با استفاده از سری‌زمانی شاخص‌های مستخرج از تصاویر سنتینل‌ 2 داده شده است. ازآن‌جا‌که استفاده از منابع داده حجیم یکی از موانع بهبود روش‌های مبتنی‌بر سری زمانی تصاویر ماهواره‌ای به‌شمار می‌رود، در این پژوهش از بستر پردازشی گوگل ارث انجین استفاده شده است. روش مطرح‌شده برمبنای تلفیق نتایج طبقه‌بندی نظارت‌شده پیکسل‌مبنا با نتایج قطعه‌بندی عمل می‌کند؛ به‌نحوی‌که ابتدا داده‌های آموزشی طبقه‌بندی نظارت‌شده، طی یک فرایند پالایشی سخت‌گیرانه، بدون نیاز به عملیات میدانی فراهم می‌شوند. سپس با محاسبه تفکیک‌پذیری دو کلاس هدف در سری زمانی هر شاخص، شاخص‌های بهینه انتخاب می‌شود. در نهایت، با تلفیق نتایج روش‌های قطعه‌بندی و طبقه‌بندی براساس آرای به‌دست‌آمده از نتایج طبقه‌بندی، به هر قطعه تصویری کلاس زراعی یا غیرزراعی نسبت داده می‌شود. این اقدام، علاوه‌بر دخالت‌دادن اطلاعات مکانی اعم از لبه‌ها و مجاورت‌های مکانی، توانسته است نویز و نتایج متخلخل طبقه‌بندی پیکسل‌مبنا را بهبود بخشد و دقت کلی نقشه نهایی را از 90.7 به 96.05 افزایش دهد. همچنین دقت کاربر دو کلاس زراعی و غیرزراعی به‌ترتیب 3.27 و 7.97 % بهبود را نشان می‌دهند.

Cropland Mapping through Integration of Segmentation and Classification Techniques in Google Earth Engine

Map of croplands is one of the information layers required in the efficient management of these lands. Having such maps makes it possible to monitor agricultural fields during the growing season continuously. In this study, a solution to produce map of Shahrekord’s agricultural lands in two agricultural and nonagricultural classes is presented using the time series of different extracted indices from Sentinel2 images. Since the use of large data sources is one of the obstacles to the development of methods based on the time series of satellite images, the Google Earth engine processing platform has been used in this study. The proposed method is based on integrating supervised pixelbased classification results with segmentation results. First, training data of supervised classification is provided in a rigorous refining process without the need of collected data from field surveys or interpretation of highresolution satellite images. Then, by calculating the separability of the two target classes in the time series of each index, the optimal indices are selected. Finally, by combining the results of segmentation and classification methods based on the votes obtained from the classification results, agricultural or nonagricultural class is assigned to each of the image segments. In addition to incorporating spatial information including edges and spatial proximity, this method has been able to improve the noise and porous results of pixelbased classification and has increased the overall accuracy of the final map from 90.7% to 96.05%. Also, user accuracy of both agricultural and nonagricultural classes show an improvement of 3.27 and 7.97%, respectively.