آشکارسازی زمین‌های زراعی زعفران در سری زمانی تصاویر ماهواره‌ای سنتینل-2 به کمک روش تخمین تنک

امروزه مدیریت محصولات کشاورزی از طریق فن‌آوری سنجش از دور جایگاه ویژه‌ای در میان مدیران و تصمیم‌گیران حوزه‌ی کشاورزی پیدا کرده است. زعفران با عنوان طلای سرخ، یکی از محصولات کشاورزی خاص ایران و با ارزش اقتصادی بالا محسوب می‌شود که در حوزه‌های مختلف دارویی و غذایی مورد استفاده قرار می‌گیرد. بواسطه‌ی ویژگی‌های کاشت این محصول، در یک زمین زراعی نمی‌توان بطور پایدار زعفران استحصال نمود. بر این اساس، سطح زیرکشت این محصول هرساله متغیر بوده و پیش‌بینی و برآورد سالانه سطح آن می‌تواند برای اهداف مدیریتی کارآمد باشد. در این مقاله با مبنا قرار دادن رفتار فنولوژیکی زمین های زراعی زعفران، راهکاری به منظور آشکارسازی این زمین های زراعی از طریق الگوریتم‌های آشکارسازی هدف با استفاده از سری زمانی شاخص تفاضلی گیاهی نرمال شده مستخرج از تصاویر ماهواره‌‌ای سنتینل2 پیشنهاد شده است. رویکرد آشکارسازی زمین‌های زعفران در این تحقیق مبتنی بر تخمین تنک پاسخ زمانی - طیفی سری ‌زمانی از طریق یک واژه نامه متشکل از پاسخ زمانی - طیفی زمین‌های زعفران و نمونه‌های پس‌زمینه می‌باشد. در این روند، ساختار زیرماتریس واژه نامه عناصر پس‌زمینه بصورت اتفاقی و مبتنی بر خوشه‌بندی فضای ویژگی تولید شده و در ادامه به منظور حفظ تفکیک‌پذیری با نمونه‌های هدف، فیلترگذاری شده‌اند. نتایج پیاده‌سازی این ایده در سه منطقه‌ مورد آزمون در شهرستان نیشابور بطور متوسط دقت 93.1 درصدی را بدنبال داشته و در مقایسه با روش‌های آشکارسازی cem، ace، mf و طبقه‌بندی‌کننده‌های متوازی‌السطوح و svm بطور متوسط بهبود 4.8 درصدی را داشته است.

A Sparse Representation Method to Detect Saffron Agricultural Lands Using Sentinel-II Satellite Images Time

Nowadays, agricultural management via remote sensing technology has gained a special position among managers and the people who are in charge of this industry. Saffron (Red Gold) is one of specific Iran rsquo;s agricultural products with a high economic valance which is used in different fields of food and medical industries. Considering the cultivation conditions of the saffron, there has not a persistent condition to plant in farmland, and it could not be recommended to plant saffron on the same land continuously. So, their cultivation area varies every year and the prediction of annual yields could be useful for managing aims. In this paper, considering the phenological behavior of the saffron farmlands, the detection of these farmlands using a novel target detection algorithm is proposed. To do so, a time series of the Normalized Difference Vegetation Index (NDVI) extracted from Sentinel2 satellite images have been used as the indicator of the phenological of cultivation areas. In the proposed method, a sparse representation method is used as the target detector. In this procedure, each pixel of the NDVI time series is reconstructed through a dictionary consists of the spectratemporal response of the saffron farmland and background samples. The subdictionary of the background samples has randomly sampled from a clustered feature space spanned by time series pixels. A filtering step has also been designed to avoid the selection of the targetlike samples in the subdictionary of the backgrounds. On average, the results achieved in three different datasets in the Neyshabour city have reached 93.1% accuracies. Also, the proposed method in comparison with the wellknown target detectors CEM, ACE, MF, and the parallelepiped and SVM classifiers have been indicated, on average, the 4.8% accuracy improvements.