شناسایی و تعیین طول دورۀ کشت گلخانه‌ها با استفاده از عکس هوایی و تصاویر سنتینل2

کشاورزی در محیط گلخانه برای تولید غذا در مناطق گرم و خشک همراه با کمبود آب و نیز در مناطقی که آب‌وهوا مانع از کشت در تمام طول سال است؛ یک راه‌حل پایدار بشمار می‌رود؛ بنابراین شناسایی گلخانه‌ها و اطلاع از زمان کشت آنها برای مدیران کشاورزی راهگشا است. از طرفی تخمین مقدار سطح زیر کشت و مقدار آب موردنیاز در یک منطقه برای مدیریت منابع آبی کشاورزی امری حیاتی است. هدف پژوهش حاضر تعیین طول دورۀ کشت محصولات گلخانه‌ای با بهره گیری از تصاویر ماهواره‌ای sentinel-2 است. در مرحله اول، برای شناسایی گلخانه‌ها با بهره ‌گیری از عکس‌ هوایی با قدرت تفکیک مکانی m1 خوارزمیک‌ های طبقه‌بندی شی‌ءگرا و پیکسل مبنا اعمال شدند. در مرحله بعدی، برای تعیین طول دورۀ کشت گلخانه‌ها با استفاده از تصاویر سری زمانی سنتینل 2، ابتدا باندهای باندهای nir، narrow nir، red edge و swir بررسی شدند. سپس شاخص‌های پوشش گیاهی شامل ndvi، savi، osavi، msavi، gndvi، rvi، dvi، rgvi، ipvi و شاخص‌های پوشش پلاستیکی شامل pgi، rpgi، pi، pmli مورد بررسی قرار گرفتند. یافته‌ها نشان داد که از میان خوارزمیک‌های طبقه‌بندی شی گرا، خوارزمیک bayes با دقت کلی 87% و ضریب کاپا 83% و خوارزمیک knn با دقت کلی 87% و ضریب کاپا 0.82 برای شناسایی و تعیین سطح زیر کشت گلخانه‌ها دقت زیادتری دارند. بازتاب در گلخانه‌های با پوشش پلاستیکی مانند بازتاب از پوشش گیاهی است، تنها بازتاب گیاه در زیر پوشش پلاستیکی گلخانه در تمام باندها و به مقدر مساوی افزایش می‌یابد. باند قرمز در محدوده nm665 و باند مادون‌قرمز نزدیک در محدوده nm705 به‌عنوان دو باند کلیدی برای مطالعات گلخانه‌ای کاربرد دارند. با ترکیب اطلاعات تمام شاخص‌های پوشش گیاهی و شاخص های پوشش پلاستیکی دو دورۀ کشت مشاهده شد: کشت اول از اوایل اسفند شروع‌ شده، در فروردین به اوج پوشش می رسد و برداشت محصول تا اواسط مرداد ادامه دارد. کشت دوم از اواخر مرداد شروع‌شده و در آذر به اوج پوشش رسیده تا اینکه برداشت محصول در اواسط بهمن تمام‌ شده است. نتایج حاصل از پژوهش حاضر نشان دهنده عملکرد خوب تصاویر sentinel-2 در تعیین طول دورۀ کشت گلخانه‌ها است.

identifying and determining the length of the greenhouses cultivation period using aerial photos and sentinel-2 images

over the past 60 years, the use of plastic covers as a tool to increase the harvest and increase theyield of horticultural crops has steadily increased worldwide. plastic greenhouses have turneddesert areas into areas with modern agricultural development, the province of almera in the southof spain is a good example. it now has many greenhouses, making it a global model of agriculturaldevelopment; but greenhouses contain large quantities of phthalates and cause harm to people,like hormonal disturbances, heart problems, cancer, etc. however, plastic greenhouses are widelybuilt to produce vegetables and fruits near cities. as a result, several remote sensing methods havebeen developed to identify and monitor the distribution of plastic covered greenhouses in orderto manage water resources, identify sites and quantities of plastic greenhouses. remote detectionis the only practical method to monitor plastic greenhouses in a vast geographic area. in the pastfew years, there have been few studies using high spatial resolution images. in one study, threemain absorption ranges were identified that are unaffected by dust, washing and surface factors.in spain, an artificial intelligence neural network has been proposed to identify greenhouse usingquick bird images with a resolution of 1.5m. studies based on medium spatial resolution imagerywere also conducted, resulting in different results. in search on land cover classification usinglandsat tm images, no favorable results were found. research has proposed a new method formapping greenhouses using sentinel-2 dual-time images and 1d-cnn deep learning. the aim ofthe current research is to identify the length of the cultivation period of greenhouse crops usingsentinel-2 satellite images. researchers used a variety of satellite imagery to identify and classifygreenhouses. the innovative objective of the current research is to evaluate the sentinel-2 satelliteimages in determining the length of the cultivation period of greenhouse crops; which was donefor the first time within the country.