توسعه یک روش تصمیم گیری سلسله مراتبی دانش مبنا جهت تولید نقشه اراضی کشاورزی بر مبنای سیستم زراعت در گوگل ارث انجین (مطالعه موردی: شهرکرد)

کشاورزی به عنوان یکی از ارکان اصلی تامین امنیت غذایی جامعه، از اهمیت ویژه ای در تصمیم گیری های کلان کشور به ویژه وضع سیاست های مربوط به واردات و صادرات برخی محصولات برخوردار است. لذا تعیین سطح زیر کشت محصولات کشاورزی در هر سال زراعی امری حیاتی به نظر می رسد. تقسیم بندی اراضی کشاورزی برمبنای سیستم زراعت در طول سال زراعی، می تواند برآورد دقیق تری از سطح زیرکشت محصولات پاییزه و بهاره در اختیار قراردهد. چراکه در این نقشه ها، مساحت اراضی دوکشت با دو محصول پیاپی پاییزه و بهاره متوالی، دو مرتبه در نظر گرفته می شوند. این تحقیق با هدف طبقه بندی اراضی کشاورزی به کلاس های تک کشت بهاره، پاییزه، یونجه و اراضی دوکشت، به توسعه یک روش تصمیم گیری سلسله مراتبی دانش مبنا پرداخته است. در روش توسعه داده شده، با اعمال حدآستانه های متفاوت در سری زمانی شاخص گیاهی تفاضل نرمال شده (ndvi) مستخرج از تصاویر سنتینل-2، اراضی کشاورزی در چندین مرحله به صورت سلسله مراتبی به کلاس های هدف طبقه بندی می شوند. کلیه روند پیشنهادی، با استفاده حداکثری از تصاویر ماهواره ای و پردازش های برخط، در سامانه گوگل ارث انجین و متناسب با قابلیت های برنامه نویسی این بستر، پیاده سازی شده است. روش پیشنهادی در یک منطقه مطالعاتی واقع در شهرستان شهرکرد مورد بررسی قرارگرفته که در نهایت با دقت کلی 97/27% در مقایسه با دو روش نزدیکترین همسایگی با دقت کلی 93/76% و درخت تصمیم گیری با دقت کلی 94/32% عملکرد بهتری از خود ارائه داده است. همچنین نتایج نهایی حکایت از مشابهت بالای نقشه تولید شده توسط روش پیشنهادی و روش ماشین بردار پشتیبان دارند. هرچند که روش ماشین بردارپشتیبان با دقت کلی 97/84% با اختلاف جزئی، دقت بالاتری از روش ارائه شده بدست آورده اما روش ارائه شده در عین سادگی، قابل درک بودن و استفاده از ویژگی های منحنی رفتار زمانی اراضی کشاورزی، در سال های زراعی متفاوت بدون نیاز به آموزش مجدد قابلیت به کارگیری دارد.

development of a knowledge-based hierarchical decision tree method for classification of croplands based on cropping system in google earth engine (case study: sharekurd)

agriculture, as one of the main factors in ensuring food security of the society, is of special importance in decision making, especially in making policies related to the import and export of certain agricultural products. hence, determining crop acreage is essential for each agricultural year. the division of croplands based on the agricultural system during the cropping year can provide us with more accurate area estimation for autumn and spring cultivation . because the area of lands with double crops (autumn and spring cultivation) is also talking into consideration  in in two times. this study uses the time series of sentinel2 vegetation index (ndvi) and a knowledge-based decision tree method for classifying agricultural lands into four classes (autumn, spring, alfalfa cultivation, and double-crop fields). all parts of the method have been implemented in the google earth engine (gee) programming interface. the performance of the proposed method is evaluated in a study area in shahrekord city using ground truth data gathered by extensive field surveys and eventually, the proposed method with an overall accuracy of 97.27 % has outperformed the nearest neighbor (overall accuracy = 93.76%) and the decision tree (overall accuracy = 94.32%) classifiers. the final result also shows a high similarity of the map produced by the proposed method and the support vector machine (svm) classifier. although, the svm with an overall accuracy of 97.84% is slightly more accurate than the proposed method, the simplicity,   understandablity  and the direct use of the crop phenology features in the various crop years without the need for retraining, are the unique  advantages of the proposed method.