پایش و تعیین سطح زیر کشت خرما با بهره گیری از فناوری سنجش از دور

سطح زیر کشت محصولات یکی از مواد مهم در مقدار صادرات محصول وعرضه آن به بازار داخلی محسوب می شود. یکی ازمحصولات مهم که 16 درصد کل صادرات جهانی را به خود اختصاص داده است، خرما می باشد که استان کرمان رتبه دوم تولیدخرما را درسطح کشور به خود اختصاص داده است.برای تعیین سطح زیر کشت از سالیان گذشته، تمامی سازمان ها از آماربرداری استفاده می کنند که از معایب زیادیبرخوردار می باشد که می توان سنجش از دور را جایگزین مناسبی برای آن دانست. هدف از این پژوهش، سنجش ماهوارهلندست 8 با سنجنده OLI ،برای تعیین وشناسایی نخلستان خرما با استفاده از الگوریتم های مختلف طبقه بندی و تعیینبهترین الگوریتم در میان تمامی آن ها است. نتایج طبقه بندی ها نشان داد که دقت کلی طبقه بندی 10 / 99 % (ضریب کاپا 98 / 0) بااستفاده از NN؛ 98/77% ضریب کاپا 975 / 0) با استفاده از MLC؛ 98/66% (ضریب کاپا 973 / با استفاده از SVM؛ 98/52% (ضریبکاپا 97 / 0) با استفاده از MDC و 52 / 66 % (ضریب کاپا 31 / 0) با استفاده از K-Means است.طبق بررسی داده های بدست آمده از جدول ماتریس، آشفتگی نشان داده است که الگوریتم NN دقت کلی وضریب کاپابالاتری نسبت به دیگر الگوریتم ها در طبقه بندی خرما و دیگر کلاس ها دارد.همچنین علاوه بر فاکتور های بالا برای تشخیص چگونگی عملکرد الگوریتم های در یک کلاس، باید به دیگر فاکتور ها درماتریس آشفتگی از جمله دقت سیستم و کاربر توجه داشت.به همین منظور باتوجه به بالا بودن دقت کلی و ضریب کاپا درالگوریتم MLC در کل طبقه بندی الگوریتم SVM در کلاس خرما، دقت بالاتری نسبت به MLC ، با 100 % دقت سیستم رادارا بود. الگوریتم K-Means نیز نتایج آن با کمترین دقت کلی و ضریب کاپا غیر قابل استناد شناخته شد.

Keywords:

طبقه بندی نظارت شده , طبقه بندی نظارت نشده , شبکه عصبی , ماشین بردار پشتیبان , لندست 8