برآورد سطح زیر کشت برنج در استان گیلان با استفاده از فناوری سنجش از دور و سامانه gee

کمبود آب، افزایش هزینه‌های تولید، تغییر کاربری اراضی و افزایش تقاضا برای غذا سبب شده تا پایش دقیق مکانی و زمانی سطح زیر کشت برنج به عنوان یک محصول استراتژیک، برای برنامه ریزان و تصمیم‌گیران دارای اهمیت فوق‌العاده‌ای باشد.  روش‌های میدانی برآورد سطح زیر کشت محصولات در سطوح وسیع، هزینه‌بر و زمان‌بر است اما فناوری سنجش از دور داده های لازم را با سرعت زیاد و هزینه اندک در اختیار مدیران قرار میدهد. هدف از این پژوهش، استفاده از تصاویر سنجش از دور در برآورد سطح زیر کشت برنج در استان گیلان با بکارگیری بهترین روش طبقه‌بندی نظارت شده است. از این رو تصاویر ماهواره سنتینل 2 با استفاده از 6 روش طبقه‌بندی نظارت شده شامل روش‌های ml، cart، rf، svm، gme و rf-ndvi تحلیل شد. روش ml در محیط envi و بقیه روش‌ها با محاسبات در فضای ابری محیط gee انجام شد. نتایج استفاده از روش‌های طبقه‌بندی نشان داد که روش جنگل تصادفی به همراه شاخص گیاهی ndvi (rf-ndvi) با ضریب کاپای 0/94 و صحت کل 0/90 مقایسه با سایر روش‌ها بالاترین دقت را دارد که نشان‌دهنده تاثیر شاخص گیاهی در برقراری تمایز بین سطح زیر کشت برنج و دیگر کاربری‌ها است. برآورد سطح زیر کشت برنج استان با این روش نشان داد که سطح خالص کل زمین‌های شالیزاری استان گیلان 218135 هکتار است که در مقایسه با آمار موجود سازمان جهاد کشاورزی (238012 هکتار) و شرکت آب منطقه‌ای استان گیلان (245000 هکتار) به ترتیب 8/35%و 10/96%برآورد کمتری است.

estimating the area under rice cultivation in guilan province using remote sensing technology and gee

lack of water, increase in production costs, change in land use, and increase in demand for food have caused the accurate determination of spatial and temporal monitoring of the paddy fields area to be extremely important for planners and decision makers. actually, the use of field methods to estimate the cultivated area of crops in large areas is costly and time-consuming, and is associated with errors. hence, the purpose of this study was to use remote sensing images to estimate the paddy fields area in the guilan province by the best classification method. therefore, sentinel 2 satellite images were analyzed using 6 supervised classification methods including ml, cart, rf, svm, gme and rf-ndvi methods in gee environment. the ml method was performed in the envi environment and the rest of the methods were performed in the cloud space of the gee environment. the results of using the classification methods showed that the random forest method along with the ndvi (rf-ndvi) with a kappa coefficient of 0.94 and total accuracy of 0.90 had the highest accuracy compared to the other methods, which shows the effect of the vegetation index in distinguishing between paddy fields and other land uses. this estimation of the area under rice cultivation in the province showed that the net area of the total paddy fields in the province was 218,135 ha. this estimate, compared to the available statistics of the agricultural jihad organization (238,012 ha) and the regional water company of gilan province (245,000 ha) was, respectively, 8.35%. and 10.96% less