ارزیابی قابلیت طبقه‌بندی نظارت شده تصاویر ماهواره‌ای لندست8 و سنتینلA2 در تعیین محدوده و سطح زیر کشت ارقام پسته

فن آوری سنجش از دور یکی از ابزارهای کارآمد برای پایش، مطالعه و تعیین سطح زیر کشت محصولات کشاورزی و باغی بویژه در سطوح وسیع می باشد. برنامه ریزان، مجریان و کشاورزان با آگاهی از نوع رقم و سطح زیر کشت محصولات کشاورزی می توانند سیاست های مدیریتی و اجرایی مناسبی اتخاذ نمایند. هدف از پژوهش حاضر ارزیابی قابلیت طبقه بندی نظارت شده تصاویر ماهواره ای چند باندی لندست8 و سنتینلa2 در تعیین محدوده، سطح زیر کشت و نوع رقم چهار نوع پسته اکبری، کله قوچی، احمد آقایی و فندوقی در یک مزرعه مطالعاتی در استان یزد می باشد. دقت چهار الگوریتم طبقه بندی متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و بیشترین تشابه و همچنین بهترین زمان در تفکیک ارقام پسته مورد بررسی قرار گرفت. بر اساس نتایج، الگوریتم حداکثر تشابه در طبقه بندی تصویری در تاریخ 22 خرداد 1397 ماهواره لندست8 با دقت نهایی و ضریب کاپای به ترتیب 76.8 درصد و 0.67 از بالاترین دقت و الگوریتم طبقه بندی متوازی السطوح به ترتیب با دقت نهایی و ضریب کاپای 7/64 و 47/0 از کمترین دقت برخوردار بود. همچنین بر اساس نتایج، بهترین زمان برای تفکیک ارقام پسته مورد بررسی اواخر خرداد می باشد. به طوری که ضریب کاپای طبقه بندی با الگوریتم حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست، 0.67 و به ترتیب در تاریخ های 23 تیر، 24 مرداد و 25 شهریور 0.64، 0.63 و 0.63 بدست آمد. دقت نهایی و ضریب کاپای طبقه بندی با استفاده از الگوریتم حداکثر تشابه در تصویر تاریخ 24 خرداد 1397 ماهواره سنتینلa2 به ترتیب 80 درصد و 0.71 بدست آمد. با انجام عمل فیلتر میانه با اندازه پنجره سه در سه بر روی تصویر طبقه بندی شده سنتیلa2 میزان دقت نهایی و ضریب کاپا به ترتیب به 82.6 و 0.75 افزایش یافت. دقت نهایی و ضریب کاپای طبقه بندی و تفکیک ارقام پسته در تصاویر سنتینلa2 نسبت به تصاویر لندست 8 بالاتر بود. در مجموع بر اساس نتایج، تکینک های طبقه بندی سنجش از دور و نیز تصاویر ماهواره ای چند باندی، از قابلیت مناسبی برای نقشه برداری کشاورزی و باغی برخوردار می باشند.

Evaluation of supervised classification capability of Landsat8 and Sentinel2A Satellite images in determining type and area of Pistachio Cultivars

Remote sensing technique is one of the most effective tools for monitoring, studying and determining the cultivation area of agricultural and horticultural crops, especially on a large scale. Planners, managers, and farmers, with knowledge of the type and extent of crop cultivation, can adopt appropriate management and enforcement policies. The purpose of the present study was to evaluate the supervised classification ability to classify Landsat 8 and Sentinel2A multiband satellite imagery in determining the cultivated area and type of four varieties of Pistachio namely such as; Akbari, Kalle Ghuchi, Ahmad Aghaei and Fandooki in an orchard in the Yazd province. In the present study, the accuracy of four classification algorithms, namely: Parallelepiped classification, Minimum distance, Mahalanobis distance and Maximum likelihood, as well as the optimum time in the separation of pistachio cultivars, were investigated. According to the classification results of a Landsat8 image, on June 12, 2018, the Maximum likelihood algorithm with a final accuracy and Kappa coefficient of 76.8% and 0.67% and Parallelepiped classification algorithm with the final and Kappa coefficients of 64.7 and 0.47, were of highest and lowest accuracy among others, respectively. Also, according to the results, the best time for the separation of Pistachio cultivars was in late June. The Kappa coefficient of maximum likelihood classification algorithm on June 22, July 23, August 24 and September 25 of 2018 were 0.67, 0.64, 0.63 and 0.63, respectively. The final accuracy and Kappa coefficient of maximum likelihood classification algorithm on the Sentinel2A Satellite images on 12 June  2018, were 80% and 0.71, respectively. By applying the median filter with a 3×3 dimensional kernel window size on the classified image, the final accuracy and Kappa coefficient was increased to 82.6% and 0.75, respectively. The final accuracy and Kappa coefficient of classification and separation of Pistachio cultivars in Sentinel2A images were higher than in Landsat8 images. Overall, based on our results, the remote sensing classification techniques, as well as multispectral satellite imagery, are suitable for agricultural and horticultural mapping.