خانه » رساله GIS-RS » بهبود طبقه بندی رقومی محصولات کشاورزی با استفاده از اطلاعات بافت تصاویر ماهواره ای چندزمانه (مطالعه موردی: شهرستان قروه)

بهبود طبقه بندی رقومی محصولات کشاورزی با استفاده از اطلاعات بافت تصاویر ماهواره ای چندزمانه (مطالعه موردی: شهرستان قروه)

چکیده :

امروزه کشاورزی و امنیت غذایی از اهمیت حیاتی برخورداراست. یکی از ابزارهای مدیریت کشاورزی سنجش از دور می باشد. روشهای معمول سنجش از دور در طبقه بندی محصولات کشاورزی و بدست آوردن اطلاعات در مورد محصولات از دقت بالایی برخوردار نیستند. بدین سبب، استفاده از تصاویر چندزمانه و اطلاعات بافت این تصاویر در پژوهش حاضر بررسی شده است. این مطالعه تفکیک ۴ محصول یونجه،گندم، سیب زمینی وخیار را در شهرستان قروه با استفاده از تصویر تک زمانه و چندزمانه بررسی می کند. این تحقیق ۷ تصویر مربوط به ۷ زمان مختلف را بررسی کرده و با استفاده از جدول تفکیک پذیری به این نتیجه رسیده که تصویر۱۱ تیر بهترین تصویر تک زمانه و ترکیب ۱۱ تیر و ۲۱ مهر بهترین تصویر دوزمانه است. ترکیبات سه زمانه و بیشتر تاثیری در افزایش دقت نداشتند. در پایان نامه حاضر از روشهای GLCM وWT برای استخراج بافت استفاده شده است. برای استخراج شاخص های بافت از این روشها اندازه تقریبی پنجره با استفاده از واریوگرام تعیین شد و سپس شاخصهای بدست آمده با باندهای طیفی تصویر تک زمانه و دوزمانه ترکیب شدند. سپس طبقه بندی با استفاده از انواع ترکیبات تصویر تک زمانه و دوزمانه و شاخص های مختلف اجرا شد. تحلیل نتایج نشان می دهد که روش ارائه شده از دقت بالاتری از روشهای معمول برخوردار است. بهترین تصویر تک زمانه (۱۱ تیر) دقتی حدود ۲۴% بالاتر از کم دقت ترین تصویر (۱۰ مرداد) (۷۶٫۰۲% در برابر ۵۲٫۲۸%) بدست آورد. اختلاف یک ماهه در زمان باعث تغییر ویژگیهای محصولات و کاهش تفکیک پذیری آنها شده است. دقت با استفاده از تصویر دوزمانه به حداکثر می رسد و با اضافه کردن تصاویر بعدی افزایشی ندارد. در تصویر پنج زمانه دقت از تصویر دوزمانه بیشتر می شود، اما با اضافه کردن شاخص های بافت دقت حدود ۵% از دقت طبقه بندی دوزمانه با شاخص های بافت کمتر است. به این ترتیب مشخص می شود که بافت می تواند نقشی بیشتر از چند تصویر داشته باشد. بهترین طبقه بندی با استفاده از شاخص های مدل GLCM در بهترین ترکیب دوزمانه (۱۱ تیر و ۲۱ مهر) بدست آمد(۹۷٫۴۸%). با استفاده تنها از یک شاخص (همگنی) در این ترکیب دوزمانه می توان به دقتی نزدیک به دقت حداکثر (۹۶٫۲۳%) رسید. در مدل WT در بهترین ترکیب دوزمانه دقت کمتری (۹۶٫۵۳%) بدست آمد، اما در کم دقت ترین ترکیب (۱۰ و ۱۹ مرداد) دقت بالاتری (۹۳٫۲۶% در مقابل ۹۰٫۸۶%) بدست آورد. در تصاویر تک زمانه در مدل GLCM تصویر ۱۱ تیر بالاترین دقت (۹۵٫۲%) را بدست آورد، در حالی که در مدل WT تصویر ۲۱ مهر بالاترین دقت (۹۳٫۰۳%) را بدست آورد.

6

محتوای محدود شده. / فقط اعضا میتوانند این پست را ببینند

شما نمی توانید محتوا را مشاهده کنید زیرا فقط مخصوص کاربران است. لطفا یا ثبت نام کنید برای دیدن این بخش.

مقدمه

از آنجا که پدیده های مختلف زمینی، انواع پوشش گیاهی (جنگل، مرتع، کشاورزی) و نیز محصولات گوناگون کشاورزی امواج دریافتی از خورشید را به یک میزان منعکس نمی کنند و به بیانی دیگر بازتاب نور خورشید از آنها یکسان نیست، بر روی تصاویر ماهواره ای نیز با رنگ های متفاوت ظاهر می شوند و شناسایی و تفکیک آنها از یکدیگر به همین لحاظ ممکن می گردد. از سوی دیگر گاه به دلیل نزدیک بودن میزان اشعه برگشتی از چند محصول کشاورزی، شناسایی و تفکیک آنها از یکدیگر بسیار مشکل بوده (وزارت جهاد کشاورزی،۱۳۷۷) و به این دلیل لازم است از داده های کمکی مانند بافت یا تصاویر چندزمانه و یا تصاویر فراطیفی در اینچنین موارد استفاده شود تا تشخیص پوشش های مشابه ممکن گردد و یا دقت طبقه بندی افزایش یابد و به سطح قابل قبولی برسد.

روشهای استخراج بافت در تصویر عموماٌ شامل چهار روش ساختاری، آماری، مدل مبنا و روشهای Transform می باشند که هر یک کاربردهای گوناگونی دارند. مثلا روشهای ساختاری برای محیطهای مصنوعی مناسب است.

این تحقیق در نظر دارد تا از روشهای آماری مانند روش ماتریس وقوع توام سطوح خاکستری (GLCM) استفاده کند و میزان تاثیر هر کدام از پارامترهای بافت و اندازه پنجره های مختلف بر افزایش دقت طبقه بندی را بصورت کمی ارزیابی می کند.

منطقه مورد مطالعه شهرستان قروه در استان کردستان است، که دارای محصولاتی مانند یونجه، گندم، سیب زمینی ،خیار، چغندر، جو و… می باشد و دارای تنوع کشت است. این شهرستان منطقه ای مساعد برای کشاورزی می باشد و مساحت کل اراضی زراعی آن (آبی و دیم) در سال ۱۳۸۳، ۱۶۱۵۴۵ هکتار بوده است. از میان انواع محصولات شهرستان قروه این تحقیق در نظر دارد که محصولات گندم، یونجه، سیب زمینی و خیار را تشخیص دهد. برای این پایان نامه تصاویر Spot و Aster در ماههای اردیبهشت، تیر، مرداد و مهر انتخاب شده است، زیرا از طرفی در روشهای استخراج اطلاعات بافت به تصاویر باتوان تفکیک مکانی بالا نیاز داریم و از طرف دیگر در مطالعات محصولات کشاورزی به چند تصویر از دوره رشد محصول نیازمندیم. این تصاویر دارای توان تفکیک ۱۴ متر هستند.( تصاویر اسپات دارای قدرت تفکیک ۱۰ متر بودند که به ۱۴ متر بازنویسی شدند).

مواد و روشها

این ناحیه بخشی از شهرستان قروه در استان کردستان می باشد. این ناحیه بین “۱۷ ‘۵۸ ۴۷ و “۱۹ ‘۴۰ ۴۷ طول جغرافیایی و “۴ ‘۵ ۳۵ و “۳۷ ‘۲۵ ۳۵ عرض جغرافیایی محدود است. شهرستان قروه از سمت شرق و جنوب شرق به استان همدان، از سمت جنوب و جنوب غرب به استان کرمانشاه، از سمت غرب به شهرستان سنندج و کامیاران و از سمت شمال به شهرستان بیجار محدود می شود. آب وهوای این ناحیه در زمستان سرد و نیمه مرطوب و در تابستان معتدل و خشک می باشد. میانگین بارندگی ۳۳۸٫۹ میلی متر و سردترین دمای ثبت شده ۲۸- درجه سانتیگراد و گرمترین دمای ثبت شده ۳۸ درجه سانتیگراد است و ارتفاع این شهر از سطح دریا ۱۹۰۶ متر می باشد (سازمان هواشناسی کردستان، ۱۳۹۰).

در این شهرستان محصولات متنوعی مانند گندم وجو، یونجه، سیب زمینی، چغندرقند، کلزا، خیار، نخود، لوبیا و… کشت می شود. در سال زراعی ۱۳۹۰- ۱۳۸۹ مساحت اراضی زراعی شهرستان قروه بیش از ۱۶۰۰۰۰ هکتار و کل تولید محصولات کشاورزی شهرستان قروه ۴۵۰۰۰۰ تن بوده است (جهاد کشاورزی قروه،۱۳۹۰).

طبقه بندی رقومی تصاویر

روش wavelettransform:

Wavelet یک شکل موجی با یک دوره محدود است که یک ارزش میانگین صفردارد.Waveletرا با موج های سینوسی که مبنای تحلیل فوریه است مقایسه کنید.موج های سینوسی دوره محدود ندارند و از منفی تا مثبت بینهایت کشیده شده اند وجایی که سینوسها هموار وقابل پیش بینی هستند،Waveletها به سمت بی نظمی وعدم تقارن تمایل دارند.تحلیل فوریه شامل تجزیه یک سیگنال به موجهای سینوسی با فرکانس های مختلف است،همینطور تحلیل Waveletتجزیه یک سیگنال به نسخه های مدرج وجابجا شده Waveletاصلی یا مادر است.عوارض محلی با Waveletهایی که گستره محلی دارند، بهتر می توانند توصیف شوند.Waveletمی تواند یک بعدی،دوبعدی (تصاویر) ودرمورد داده های دارای ابعاد بالاتر اجرا شود.

طبقه بندی رقومی تصاویر

استخراج اطلاعات بافت از GLCM:

روش GLCMپرکاربردترین روش استخراج بافت از تصاویر سنجش از دور است که در سال ۱۹۷۳ توسط Haralickپیشنهاد شد که جز شاخص های بافتی درجه دوم می باشد.این مدل در بسیاری از تحقیقات استفاده شده وباعث افزایش دقت شده است.

ماتریس سطوح خاکستری وقوع توام (Grey Level Co-occurrence Matrix) روشی برای استخراج مشخصه های آماری بافت مرتبه دوم است،زیرا تمام شاخص های آن با زوج پیکسلهای وقوع توام محاسبه می شود. GLCM ماتریسی است که تعداد سطر وستون با سطوح خاکستری (G ) درتصویر مساوی است.عناصر این ماتریس فراوانی نسبی وقوع دوپیکسل با سطوح خاکستری مشخص (i,j) دریک همسایگی مشخص است.به عبارت دیگر،عنصر ماتریس(P(i,j|d,)) شامل احتمال آماری مرتبه دوم برای تغییرات بین سطوح خاکستری i,j در فاصله d وزاویه است.فاصله به این معنا است که پیکسل مجاور را درنظر بگیریم یا پیکسلهای آن طرف تر مثلا با دو پیکسل فاصله.۴ زاویه ۰درجه،۴۵ درجه، ۹۰ درجه و۱۳۵ درجه وجود دارد که محاسبات در هر یک از این ۴ جهت انجام می شود.که البته در بیشتر مطالعات میانگینی از این جهات در طبقه بندی نهایی استفاده شده است.

 

نتایج:

با بررسی نتایج بدست آمده از طبقه بندی های تک زمانه و دو زمانه و تاثیر شاخص های بافت در این نتایج می توان موارد زیر را به عنوان دستاوردهای این پایان نامه ذکر کرد:

  • طبقه بندی محصولات همانطور که در فرضیات و مقدمه ذکر شد، نیازمند داشتن تصاویر مربوط به چند زمان و یا استفاده از شاخص های مکمل مانند بافت است. در صورت وجود تنها یک تصویر این شاخص ها کمک قابل توجهی در افزایش دقت می کنند و باعث جبران بخش قابل توجهی از تاثیرات مثبت تصویر زمانهای دیگر می شوند(صرفه جویی در هزینه خرید تصاویر).
  • دقت طبقه بندی با مقایسه پایین ترین دقت بهترین تصویر (طبقه بندی با استفاده از باندهای طیفی تصویر ۱۱ تیر) و بالاترین دقت حدود ۲۱% افزایش یافته است که بیانگر تاثیر قابل توجه شاخص های بافت و زمان تصویر در طبقه بندی می باشد. در کم دقت ترین تصویر(۱۰ مرداد) نیز با استفاده از شاخص های بافت دقت حدود ۳۱% در مدل WT و ۳۰% در مدل GLCM افزایش یافته است. در تصاویر دوزمانه و چند زمانه افزایش دقت کمتری اتفاق افتاده است.
  • در حالت عدم استفاده از شاخص های بافت در بهترین تصویر دوزمانه دقت حدود ۱۳% افزایش یافته است و با استفاده از شاخص های بافت حدود ۲۱% بوده است. اما در تصویر تک زمانه با استفاده از شاخص های بافت دقت حدود ۱۸% افزایش یافته است. این نشانگر اهمیت بافت در مقایسه با زمان می باشد.
  • به منظور اجتناب از افزونگی داده و صرف وقت زیاد برای طبقه بندی با همه شاخص ها و مد لها می توان تنها یک مدل بافت (مانند GLCM) را انتخاب کرد و در مدل انتخابی نیز بهترین شاخص را انتخاب و تنها با همان شاخص نتیجه بهینه را گرفت (اثبات نظریه افزونگی داده: تعداد باندهای زیاد باعث کاهش دقت و یا عدم تاثیر در افزایش دقت می شود ).
  • بهترین زمان برای طبقه بندی اوایل تابستان تشخیص داده شد که بیانگر این است که دراین زمان این ۶ محصول بالاترین تفکیک پذیری را دارند. بهترین ترکیب دوزمانه نیز ترکیب ۱۱ تیر و ۲۱ مهر بدست آمد که نقش تصویر اوایل تابستان و اوایل پاییز را نشان می دهد. تصویر اوایل پاییز بدلیل عدم وجود سبزینگی بالا در اکثر مزارع به جز مزارع یونجه نقش مهمی دارد.

اهمیت تعیین بهترین زمان در انتخاب و سفارش دادن تصویر است که با مشخص شدن زمان بهینه می توان با حداقل هزینه به بالاترین  دقت رسید.

این زمانهای بدست آمده در مورد ناحیه ای با ویژگیهای مشابه و محصولات مشابه نیز می تواند به کار رود، لیکن روشن است که در نواحی متفاوت و با محصولاتی با دوره رشد متفاوت (و یا پوششهای دیگر) ممکن است این زمانها تغییر کنند.

  • در مورد انتخاب اندازه پنجره مناسب استفاده از روش برازش دادن واریوگرام به داده های تعلیمی همگن در مورد مدل GLCM دقت چندان مناسبی را نشان نداد. تاثیر اندازه پنجره در دقت طبقه بندی ها نیز بررسی و ارزیابی شد و اهمیت آن مشخص گشت که یکی از مهمترین عوامل بدست آوردن دقت بالا در استفاده از بافت است.اندازه پنجره بهینه در تصویر دوزمانه با همه شاخص ها و تک شاخص متفاوت است. بهترین اندازه پنجره در رابطه با شاخص همبستگی که بهترین شاخص است ۲۹ بدست آمد اما با استفاده از همه شاخص ها اندازه ۳۹×۳۹ بهترین اندازه شد. به نظر می آید که در تصاویر چندزمانه انتخاب اندازه پنجره پیچیده تر از تصویر تک زمانه باشد. با دور شدن از پنجره بهینه دقت نیز بتدریج کاهش می یابد. اندازه پنجره قابل تعمیم به مناطق دیگر نیست زیرا ارتباط مستقیم با اندازه متوسط مزارع، قدرت تفکیک مکانی تصویر و تنوع مکانی و محیطی ناحیه دارد.

در مدل WT اندازه پنجره بهینه در مورد تصاویر مختلف و همچنین ترکیبات مختلف تصاویر تفاوت می کند.

  • تاثیر شاخص های بافت نیز در دقت طبقه بندی ارزیابی شد که نشان داد همه شاخص ها تاثیر یکسانی ندارند و شاخص های بهینه می بایست مشخص شوند تا از به کاربردن بقیه شاخص ها اجتناب شود. شاخص بهینه در هر ناحیه و مورد مطالعاتی می تواند متفاوت با شد. تاثیر هر شاخص به زمان تصویر، مدل بافت و اندازه پنجره می تواند مربوط شود.
  • در تصویر ۱۰ مرداد و ترکیب دوزمانه ۱۰ و ۱۹ مرداد که کم دقت ترین تصویرها به شمار می آیند، روش WT دقت بالاتری را نشان می دهد اما در تصویر ۱۱ تیر و ترکیب دوزمانه ۱۱تیر و ۲۱ مهر که با دقت ترین تصاویر به شمار می روند، روش GLCM نتیجه بهتری داد.

طبقه بندی رقومی تصاویر

[/userpro_private ]

جوابی بنویسید

ایمیل شما نشر نخواهد شد.خانه های ضروری نشانه گذاری شده است. *

*