پریسا علی زاده - گروه زراعت، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
بهنام کامکار - دانشگاه علوم کشاورزی و منابع طبیعی گرگان
شعبان شتایی - دانشگاه علوم کشاورزی و منابع طبیعی گرگان
حسین کاظمی - دانشگاه علوم کشاورزی و منابع طبیعی گرگان

برآورد سطح زیر کشت بر اساس شاخصهای جنبی از جمله میزان بذر، کود و سم تحویلشده به کشاورزان و همچنین برآوردهای شرکتهای مشاور کنترل میگردد که کاری زمان بر و پر هزینه می باشد. بنابراین این مطالعه با هدف برآورد سطح زیر کشت دو محصول گندم و سویا در طی سالهای ۲۰۰۰ تا ۲۰۱۶ با استفاده از تصاویر ماهواره لندست انجام شد. بعد از پیش پردازش و پردازش های لازم، و تهیه نمونه های تعلیمی مناسب از مزارع کشت سویا و گندم، طبقه بندی تصاویر با استفاده از دو روش طبقهبندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان انجام شد و جهت طبقهبندی با هدف تفکیک این دو محصول زراعی دادههای واقعیت زمینی، نقشه NDVI اراضی زراعی و شناسایی رفتار طیفی نقاط آموزشی گندم و سویا بکار برده شدند. نقشه های حاصل از طبقه بندی با استفاده از نقاط واقعیت زمینی مورد ارزیابی صحت قرار گرفتند. با توجه به نتایج بهدستآمده از بررسی ضریب کاپا و صحت کلی، روش ماشینبردار پشتیبان برای طبقه بندی اراضی کشاورزی و تفکیک محصولات نسبت به روش شبکه عصبی موفق تر بود و در همه تصاویر مقدار صحت کلی محاسبهشده و ضریب کاپا به ترتیب بیشتر از ۸۰٪ و بیش از ۸/۰میباشد که این نشان دهنده قابلاعتماد بودن نتایج طبقهبندیاست. طبق نتایج، حدود ۹۳ درصد از نقاط برآورد شده سطح زیرکشت گندم و سویا در طی ۱۶ سال مورد مطالعه در محدوده حدود اطمینان ۱۵± درصد قرار دارند که نشان میدهد این روش، روش مطمئنی برای تفکیک این دو محصول با استفاده از تصاویر اردیبهشتماه (برای گندم) و شهریورماه (برای سویا) میباشد.

سنجش از دور, طبقه بندی, شبکه عصبی مصنوعی, ماشینبردار پشتیبان