مقایسه روش‏های مختلف طبقه‏بندی تصاویر پهپادی برای برآورد درصد پوشش گیاهی ذرت

پیشرفت فناوری‏های جدید و گسترش عمومی آن‏ها، امکان تولید داده‏های ارزشمندی را برای متخصصان علوم مختلف ازجمله کشاورزی، به‌منظور افزایش بهره‏وری و تولید محصول باکیفیت، فراهم می‏آورد. ثبت تصاویر هوایی به کمک پرنده‏های هدایت‏پذیر از راه دور (پهپاد) و بکارگیری الگوریتم‏های پردازش تصویر، می‏تواند تحلیلی با دقت بالا و بهنگام از وضعیت گیاه در اختیار کشاورز قرار دهد. در این پژوهش برای برآورد شاخص کسر پوشش گیاهی ذرت، از تصاویر پهپادی استفاده شد و چهار الگوریتم مختلف طبقه‏بندی نظارت‌شده شامل ماشین بردار پشتیبان (svm)، حداقل فاصله اقلیدسی از میانگین (mdm)، حداقل فاصله ماهالانوبیسی از میانگین (mdc) و روش طبقه‏بندی حداکثر احتمال (mlc) مورد ارزیابی قرار گرفتند. نتایج نشان داد کمترین میزان دقت در تفکیک کلاس‏ها و تعیین کسر پوشش گیاهی مربوط به روش mdm با دقت کلی 73.4 درصد و ضریب کاپا 0.61 است. اگرچه سه روش دیگر دقت کلی بالای 90 درصد داشتند ولی روش mdc توانسته است با دقت کلی 94.5 درصد و ضریب کاپای 0.92 بهترین عملکرد را داشته باشد. اگرچه روش svm نیز نتایج نزدیک و خوبی را داشته است ولی زمان پردازش تصویر در این روش بسیار بالاتر از روش mdc است. نتایج نشان داد روش mlc اگرچه ازنظر دقت کلی و ضریب کاپا در رتبه سوم بین روش‏های موردبررسی قرار می‏گیرد ولی در تشخیص پیکسل‏های برگ و سایه گیاه، بسیار دقیق بوده است. به‏طوری‏که بالاترین دقت تولید کلاس برگ و سایه گیاه را به ترتیب 98.3 و 99.01 درصد داشت. به‌طورکلی می‏توان نتیجه گرفت، الگوریتم‏های طبقه‏بندی نظارت‌شده، می‏تواند روش‏های قابل‌اعتمادی در برآورد شاخص‏های گیاهی با دقت مطلوب باشد، و بکارگیری این روش‏ها هم در پژوهش‏های میدانی وسیع و هم در تحلیل‏های کاربردی مزرعه‏ای پیشنهاد می‏گردد.

comparison various classification algorithms of uav imagery for estimating maize canopy cover percentage

recent progress in technology and their general development, provide possibility of producing valuable data for experts in various sciences, including agriculture, in order to increase productivity and producing quality product. recording aerial images with the help of unmanned aerial vehicles (uavs) and using image processing algorithms can provide the farmer with a high-precision and timely analysis of the crop’s condition. in this research, drone images were used to estimate maize canopy cover fraction index. four different supervised classification algorithms including support vector machine (svm), minimum distance from the mean (mdm), minimum mahalanobis distance from the mean (mdc) and the maximum likelihood classification method (mlc) was evaluated.the results showed that the lowest level of accuracy in separating the classes and determining the canopy cover fraction is related to the mdm method with an overall accuracy of 73.4% and a kappa coefficient of 0.61. although the other three methods had an overall accuracy above 90%, the mdc method has been able to perform best with an overall accuracy of 94.5% and a kappa coefficient of 0.92. although the svm method has close and good results, the image processing time in this method is much higher than the mdc method. the results showed that, although the mlc method ranks third among the studied methods in terms of overall accuracy and kappa coefficient, it has been very accurate in detecting leaf and plant shadow pixels. so that it had the highest production accuracy of leaf and plant shadow class, 98.3% and 99.01%, respectively. generally, it can be concluded that supervised classification algorithms can be reliable methods in estimating plant indices with optimal accuracy, and the use of these methods are reommended in both extensive field research and applied analyzes.