برآورد عملکرد محصولات کشاورزی با استفاده از تصاویر سری زمانی سنتینل ۲ (مطالعه موردی: شهرستان زنجان)
Publish place: Remote Sensing and Iran GIS، Vol: 13، Issue: 2
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 673
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIS-13-2_004
تاریخ نمایه سازی: 24 شهریور 1400
Abstract:
اساس برنامه ریزی و مدیریت صحیح داشتن آمار و اطلاعات دقیق و به هنگام است. یکی از مهم ترین آمار و اطلاعات بخش کشاورزی میزان تولید سالیانه هر محصول یا سطح زیرکشت است. یکی از ابزارهایی که در کمترین زمان و با هزینه پایین و دقت مناسب، می تواند سطح زیرکشت محصولات را محاسبه کند دانش و فناوری سنجش از دور است. در این تحقیق، از دو روش طبقه بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شده و سطح زیرکشت محصولات غالب منطقه، شامل هشت کلاس، از تصاویر سری زمانی سنتینل ۲ برآورد شده است. براساس نتایج به دست آمده، صحت کلی هریک از روش های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به ترتیب برابر با ۹۷.۷۴ و ۹۷.۹۶%، با ضریب کاپای ۰.۹۷ برای برآورد سطح زیرکشت محصولات بوده است. بنابراین، نتایج این دو روش مورد قبول واقع شده است. با توجه به صحت کلی، می توان نتیجه گرفت که دو روش طبقه بندی نتایج تقریبا یکسانی در منطقه دارد. علاوه براین، طبق نتایج صحت کاربر، می توان بیان کرد درمورد چهار محصول یونجه، برنج، پیاز و خربزه، عملکرد روش ماشین بردار پشتیبان بهتر از روش شبکه عصبی است و درمورد گندم دیم و آبی، جارو و مرتع، روش شبکه عصبی بهتر از ماشین بردار پشتیبان در منطقه عمل می کند.
Keywords:
Authors
احمد موسوی
دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، واحد الکترونیکی دانشگاه آزاد اسلامی، تهران
میلاد جانعلی پور
استادیار پژوهشگاه هوافضا، وزارت علوم تحقیقات و فناوری، تهران
دکتر تهرانی
استادیار پژوهشگاه هوافضا، وزارت علوم تحقیقات و فناوری، تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :