تفکیک محصولات زراعی با استفاده از ترکیب تصاویر سنتینل-1 و 2 در استان اردبیل

سابقه و هدف: شناسایی و نقشه کردن محصولات زراعی اطلاعات مهمی برای مدیریت زمین‌های کشاورزی و برآورد سطح زیر کشت محصولات زراعی فراهم می‌کند.تصاویر اپتیک و راداری، منابع ارزشمندی برای طبقه‌بندی زمین‌های کشاورزی است. ویژگی‌های مستخرج از تصاویر اپتیک حاوی اطلاعاتی در مورد امضای بازتابی محصولات مختلف است. در مقابل، یک تصویر راداری فراهم‌کننده‌ اطلاعاتی در مورد خصوصیات ساختاری و سازوکارهای پراکنش محصولات است. ترکیب این دو منبع قادر به ایجاد یک مجموعه داده‌ مکمل با تعداد چشمگیری از ویژگی‌های زمانی طیفی، بافت و قطبیده برای طبقه‌بندی زمین‌های کشاورزی است.مواد و روش‌ها: این پژوهش به بررسی اهمیت باندهای لبه‌قرمز برای تفکیک محصولات زراعی شامل گندم، جو، یونجه، لوبیا، باقلا، کتان، ذرت، چغندر قند و سیب‌زمینی با استفاده از روش جنگل تصادفی و ماشین بردار پشتیبان می‌پردازد. بدین منظور سری زمانی تصاویر سنتینل-1 و 2 در سال 2019 از شمال غرب شهر اردبیل در پلتفرم ارت انجین فراخوانی شد. ترکیب‌های متفاوت باندها برای بررسی تاثیرات اطلاعات طیفی و زمانی، شاخص‌های گیاهی و اطلاعات بازپراکنش برای طبقه‌بندی محصولات بررسی شد. با استفاده از روش انتخاب ویژگی جنگل تصادفی ویژگی های مهم شناسایی و به‌عنوان ورودی الگوریتم جنگل تصادفی و ماشین بردار پشتیبان معرفی شدند.نتایج و بحث :جنگل تصادفی برای تمامی سناریوها بهترین نتیجه را به دست آورد. نتایج نشان داد افزودن طول ‌موج‌های لبه‌قرمز و شاخص‌های مشتق‌شده از آن باعث شد محصولاتی همچون جو، لوبیا، باقلا و کتان نسبت به سایر محصولات با صحت بالاتری تفکیک شود. بهترین نتیجه در میان ترکیبات مختلف ویژگی‌ها مربوط به تلفیق سری زمانی ویژگی‌های طیفی تصاویر سنتینل-2 با سری زمانی تصاویر سنتینل-1 بود. صحت کلی 67/84 درصد و ضریب کاپا 31/ 82 درصد به دست آمد. نتایج نشان داد باندهای لبه‌قرمز و شاخص‌های پوشش گیاهی مبتنی بر آن به‌تنهایی قابلیت جداسازی محصولات زراعی را از همدیگر دارند.نتیجه‌گیری: پیشنهاد می‌شود برای دستیابی به صحت بالاتر در تفکیک محصولات زراعی انتخاب باندهای طیفی هدفمند مورد توجه قرار گیرد. ترکیبی از تصاویر راداری و اپتیک همیشه از روش طبقه‌بندی براساس تک‌سنجنده بهتر عمل می‌کند و به افزایش اطلاعات طبقه‌بندی منجر می‌شود.

crop mapping using a combination of sentinel-1 and 2 images in ardabil province

introduction: identifying and mapping crops provides important information to agricultural lands management and cultivation area estimation of crops. optical and radar images are valuable resources for classifiying agricultural land. features deriverd from optical images contain information about the reflectance signatures of various products, while radar images provides information about the structural characteristics and distribution mechanisms of products. the combination of these two sources can create a complementary dataset with a significant number of spectral, texture and polarized temporal features for the classification of agricultural landmaterial and methods: this study aims to explore the significance of red edge bands for the segregation of crops such aswheat, barley, alfalfa, beans, broad beans, flax, corn, sugar beet and potatoes using the random forest method and support vector machine. to conduct the analysis, a time series of sentinel-1 and 2 images 2019 in the northwest region of ardabil was retrieved from the google earth engine (gee) platform. the study evaluates the effectiveness of spectral and temporal information, plant indices and backscatter information on the crop mapping by examining different combinations of bands. through the random forest feature selection method, essential features are identified and utilized as inputs for both the random forest and support vector machine classifiers.results and discussion: the random forest provided the most favorable outcomes across all scenarios. the results revealed that incorporating red edge wavelengths and red edge-based vegetation indices proved more beneficial than other bands and vegetation indices for differentiating between barley, beans, broad beans, and flax. the most optimal outcome among various feature combinations was associated with the time series of spectral features from sentinel-2 images combined with the time series of sentinel-1 images, resulting in an overall accuracy of 84.67% and a kappa coefficient of 82.31%.  furthermore, the results demonstrated that red edge bands and red edge-based vegetation indices effectively distinguish between different types of cropsconclusion: it is recommended to carefully consider the selection of specific spectral bands to achieve higher accuracy in separation of crops. it is important to highlight that combining radar and optical images consistently yields superior results compared to classification methods based on a single sensor, leading to increased classification information.