بهبود دقت شناسایی مزارع برنج با استفاده از تصاویر سری زمانی دمای سطح زمین ماهواره لندست-۸ و الگوریتم های یادگیری ماشین

برنج اصلی­ ترین محصول غذایی بیش از نیمی از مردم جهان است. نظارت بر سطح زیر کشت محصول برنج، نقش مهمی در برنامه­ ریزی­ های کشاورزی دارد. امروزه می­ توان با تکیه بر فن­آوری سنجش از دور و روش­ های یادگیری ماشین، روش­ های مدیریتی را بهبود بخشید. تحقیق فوق با هدف شناسایی برنج در سال ۲۰۲۰ به­ کمک نقشه­ های سری زمانی شاخص ­های NDVI و LST استخراج شده از تصاویر لندست-۸، با الگوریتم SVM در ایالت کالیفرنیا، انجام گرفته است. یکی از انگیزه­ های اصلی این تحقیق، بررسی قابلیت­ های نقشه­ های سری زمانی شاخص LST در کنار نقشه ­های سری زمانی شاخص NDVI به­­ منظور بهبود دقت شناسایی مزارع برنج ، با الگوریتم SVM است. در گام اول از روش پیشنهادی پس از اخذ سری زمانی تصاویر لندست-۸ و انجام تصحیحات رادیومتری و اتمسفری، نقشه ­های سری زمانی دو شاخص NDVI و LST تولید شد. در گام دوم، شناسایی مزارع برنج با الگوریتم طبقه ­بندی SVM در دو سناریوی وجود یا عدم وجود نقشه­ ی سری زمانی LST در کنار نقشه­ ی سری زمانی NDVI پیشنهاد شد. در نهایت از الگوریتم ­های طبقه ­بندی نزدیک­ترین همسایگی، درخت تصمیم گیری، رگرسیون لجستیک و پرسپکترون چند لایه برای مقایسه­ ی روش پیشنهادی استفاده شد. نتایج حاصل از شاخص پیشنهادی باعث بهبود دقت کلی به مقدار متوسط ۳.۵۷۲ درصد و ضریب کاپا به مقدار متوسط ۷.۱۱۲ درصد در روش­ های شناسایی مزارع برنج هنگام بکار گیری همزمان نقشه­ های سری زمانی شاخص LST و NDVI با کاهش خطای نوع اول به کمک استخراج ویژگی­ های فصل رشد حرارتی (حذف کلاس­ های غیر برنج همچون پنبه، لوبیای سبز و ... از کلاس برنج) شد. همچنین الگوریتم ماشین بردار پشتیبان، بالاترین دقت کلی ۹۴.۲۸ درصد و ضریب کاپای ۸۸.۲۹ درصد را در شناسایی مزارع برنج از سایر مزارع کشاورزی، در مقایسه با سایر روش ­های مقایسه ­ای نشان داد. نتایج حاصل از روش ­های مقایسه ­ای کارآیی پایین الگوریتم درخت تصمیم گیری را در شناسایی لبه­ های مزارع برنج، نشان داد.

Keywords:

شناسایی برنج , لندست-۸ , نقشه ی دمای سطح زمین , الگوریتم های یادگیری ماشین