آشکارسازی و ریشه‌یابی ناهنجاری‌های رشد محصولات پاییزه در زمین‌های زراعی منفرد با استفاده از سری زمانی تصاویر ماهواره‌ای سنتینل 2 (منطقه موردمطالعه: استان گلستان)

تولید محصولات راهبردی کشاورزی در ابعاد وسیع و به‌صورت صنعتی یکی از جنبه‌های دستیابی به امنیت غذایی است. مدیریت پیوسته و یکپارچه مزارع وسیع امری دشوار بوده و نیازمند بهره‌گیری از فناوری‌های نوین است. ناهنجاری درکشت محصولات زراعی به هر رخداد نامتعارف و محدودی اطلاق شده که موجب تمایز درروند کشت محصول به‌صورت موضعی گردد. عواملی همچون توزیع نامتوازن بذر و کود، چرای دام در زمان رشد محصول، آفات ، تمایز بافت خاک و شیب زمین در مزرعه، رشد علف‌های هرز و خشکسالی برخی از عوامل بروز ناهنجاری در مزارع کشاورزی هستند. آشکارسازی و اصلاح عوامل بروز ناهنجاری برای زمین‌های زراعی وسیع امری دشوار بوده و تشخیص این موضوع عموماً در زمان برداشت محصول اتفاق می‌افتد. در این مقاله راهکاری به‌منظور پایش مستمر مزارع کشاورزی وسیع از طریق تحلیل سری‌های زمانی تصاویر ماهواره‌ای سنتینل 2 پیشنهادشده است. نتایج این راهکار حاکی از عملکرد موثر آن در تشخیص ناهنجاری‌های مختلف در مزارع کشاورزی بوده است. تشخیص بهنگام، امکان پایش تداوم ناهنجاری و سنجش اثربخش بودن اقدامات جبرانی از ویژگی‌های راهکار پیشنهادی است. این روش بیش از 5 نوع ناهنجاری را در مزارع منتخب شناسایی نموده و دقت آشکارسازی 95.60 درصدی را تامین ساخته است.

anomalies detection and cause analysis of autumn crops in individual croplands using timeseries of sentinel 2 satellite data (case study: golestan province)

one way to ensure food security is to produce strategic agricultural products on a large scale using industrial methods. managing large scale farms consistently and cohesively is a challenging task that requires the utilization of modern technologies. crop anomalies refer to uncommon and limited factors during agricultural production, leading to localized differentiation in the crop cultivation process. factors contributing to crop anomalies in agriculture include imbalances in soil nutrients and fertilizers, grazing during crop growth, pests, variations in soil texture and slope in pastures, weed growth, and drought. detecting and remediating factors limiting crop growth in vast agricultural lands is difficult and these issues are often noticed at harvest time. this article suggests a solution for continuously monitoring of large agricultural fields by analyzing the time series of sentinel 2 satellite images. the effectiveness of this solution in detecting various anomalies of farms, in agrarian areas has been demonstrated by the results. the proposed solution offers features such as timely diagnosis, the ability to monitor the continuation of irregularities, and the measurement of compensatory measures’ effectiveness. the method has successfully identified over five types of anomalies in the selected farms, achieving a detection accuracy of 95.60%.