شناسایی و تعیین طول دورۀ کشت گلخانه‌ها با استفاده از عکس هوایی و تصاویر سنتینل2

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، گروه جغرافیا ، دانشگاه یزد، یزد، ایران.

2 استادیار گروه جغرافیا ، دانشگاه یزد، یزد، ایران.

چکیده

کشاورزی در محیط گلخانه برای تولید غذا در مناطق گرم و خشک همراه با کمبود آب و نیز در مناطقی که آب‌وهوا مانع از کشت در تمام طول سال است؛ یک راه‌حل پایدار بشمار می‌رود؛ بنابراین شناسایی گلخانه‌ها و اطلاع از زمان کشت آنها برای مدیران کشاورزی راهگشا است. از طرفی تخمین مقدار سطح زیر کشت و مقدار آب موردنیاز در یک منطقه برای مدیریت منابع آبی کشاورزی امری حیاتی است. هدف پژوهش حاضر تعیین طول دورۀ کشت محصولات گلخانه‌ای با بهره­‌گیری از تصاویر ماهواره‌ای Sentinel-2 است. در مرحله اول، برای شناسایی گلخانه‌ها با بهره­‌گیری از عکس‌ هوایی با قدرت تفکیک مکانی m1 خوارزمیک‌­های طبقه‌بندی شی‌ءگرا و پیکسل مبنا اعمال شدند. در مرحله بعدی، برای تعیین طول دورۀ کشت گلخانه‌ها با استفاده از تصاویر سری زمانی سنتینل 2، ابتدا باندهای باندهای NIR، Narrow NIR، Red Edge و SWIR بررسی شدند. سپس شاخص‌های پوشش گیاهی شامل NDVI، SAVI، OSAVI، MSAVI، GNDVI، RVI، DVI، RGVI، IPVI و شاخص‌های پوشش پلاستیکی شامل PGI، RPGI، PI، PMLI مورد بررسی قرار گرفتند. یافته‌ها نشان داد که از میان خوارزمیک‌های طبقه‌بندی شی گرا، خوارزمیک Bayes با دقت کلی 87% و ضریب کاپا 83% و خوارزمیک KNN با دقت کلی 87% و ضریب کاپا 0.82 برای شناسایی و تعیین سطح زیر کشت گلخانه‌ها دقت زیادتری دارند. بازتاب در گلخانه‌های با پوشش پلاستیکی مانند بازتاب از پوشش گیاهی است، تنها بازتاب گیاه در زیر پوشش پلاستیکی گلخانه در تمام باندها و به مقدر مساوی افزایش می‌یابد. باند قرمز در محدوده nm665 و باند مادون‌قرمز نزدیک در محدوده nm705 به‌عنوان دو باند کلیدی برای مطالعات گلخانه‌ای کاربرد دارند. با ترکیب اطلاعات تمام شاخص‌های پوشش گیاهی و شاخص های پوشش پلاستیکی دو دورۀ کشت مشاهده شد: کشت اول از اوایل اسفند شروع‌ شده، در فروردین به اوج پوشش می­رسد و برداشت محصول تا اواسط مرداد ادامه دارد. کشت دوم از اواخر مرداد شروع‌شده و در آذر به اوج پوشش رسیده تا اینکه برداشت محصول در اواسط بهمن تمام‌ شده است. نتایج حاصل از پژوهش حاضر نشان دهنده عملکرد خوب تصاویر Sentinel-2 در تعیین طول دورۀ کشت گلخانه‌ها است.

کلیدواژه‌ها

موضوعات

مراجع

  1. Aguilar, M. A., Vallario, A., Aguilar, F. J., Garcia Lorca, A., & Parente, C. (2015). Object-based greenhousehorticultural crop identification from multi-temporal satellite imagery: A case study in Almeria, Spain. Remote Sensing, 7(6), 7378-7401. DOI: https://doi.org/10.3390/rs70607378
  2. Arkhi, D., & Kalavi, S. (2019). Comparison of pixel-based and object-oriented classification methods for land use mapping Using satellite image (Case Study: Ilam City). Geography and Territorial Spatial Arrangement, 9(32), 1-16. DOI:22111/GAIJ.2019.4797 [In Persian]
  3. Briassoulis, D., Dougka, G., Dimakogianni, D., & Vayas, I. (2016). Analysis of the collapse of a greenhouse with vaulted roof. Biosystems Engineering, 151(11), 495-509. DOI: https://doi.org/10.1016/j.biosystemseng.2016.10.018
  4. Carvajal, F., Crisanto, E., Aguilar, F. J., Agüera, F., & Aguilar, M. A. (2006). Greenhouses detection using an artificial neural network with a very high-resolution satellite image. In ISPRS Technical Commission II Symposium, Vienna, 37-42.
  5. Chaofan, W., Jinsong, D., Ke, W., Ligang, M., & Tahmassebi, A. R. S. (2016). Object-based classification approach for greenhouse mapping using Landsat-8 imagery. International Journal of Agricultural and Biological Engineering, 9(1), 79-88. DOI: 3965/j.ijabe.20160901.1414
  6. Colby, J. D., & Keating, P. L. (1998). Land cover classification using Landsat TM imagery in the tropical highlands: the influence of anisotropic reflectance. International Journal of Remote Sensing, 19(8), 1479-1500. DOI:1080/014311698215306
  7. Crippen, R. E. (1990). Calculating the vegetation index faster. Remote sensing of Environment, 34(1), 71-73. DOI: https://doi.org/10.1016/0034-4257(90)90085-Z
  8. Espi, E., Salmeron, A., Fontecha, A., García, Y., & Real, A. I. (2006). PLastic films for agricultural applications. Plastic Film & Sheeting, 22(2), 85-102. DOI: https://doi.org/10.1177/8756087906064220
  9. Feizizadeh, B., & Helali, H. (2010). Comparison pixel-based, object-oriented methods and effective parameters in Classification Land cover/land use of west province Azerbaijan. Physical Geography Research Quarterly, 42(71). 73-84. [In Persian]
  10. Ghafari, S., Moradi, H. R., & Modarres, R. (2018). Comparison of object-oriented and pixel-based classification methods for land use mapping (Case study: Isfahan-Borkhar, Najafabad and Chadegan plains). RS and GIS for Natural Resources, 9(1), 40-57. [In Persian]
  11. Gitelson, A. A., Kaufman, Y. J., Stark, R., & Rundquist, D. (2002). Novel algorithms for remote estimation of vegetation fraction. Remote sensing of Environment, 80(1), 76-87. DOI: https://doi.org/10.1016/S0034-4257(01)00289-9
  12. Houborg, R., Anderson, M., & Daughtry, C. (2009). Utility of an image-based canopy reflectance modeling tool for remote estimation of LAI and leaf chlorophyll content at the field scale. Remote Sensing of Environment, 113(1), 259-274. DOI: https://doi.org/10.1016/j.rse.2008.09.014
  13. Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environment, 25(3), 295-309. DOI: https://doi.org/10.1016/0034-4257(88)90106-X
  14. Jordan, C. F. (1969). Derivation of leaf‐area index from quality of light on the forest floor. Ecology, 50(4), 663-666. DOI: https://doi.org/10.2307/1936256
  15. Kittas, C., Katsoulas, N., Katsoupa, M., & Papaioannou, C. H. (2012). Test of a greenhouse covered by polyethylene film that reflects near-infrared radiation. In VII International Symposium on Light in Horticultural Systems, (956), 507-513. DOI: https://doi.org/10.17660/ActaHortic.2012.956.60
  16. Koc-San, D. (2013). Evaluation of different classification techniques for the detection of glass and plastic greenhouses from WorldView-2 satellite imagery. Journal of Applied Remote Sensing, 7(1), 073553-073553. DOI: https://doi.org/10.1117/1.JRS.7.073553
  17. Kogan, F. (1993). United States droughts of late 1980's as seen by NOAA polar orbiting satellites. Proceedings of IGARSS'93-IEEE International Geoscience and Remote Sensing Symposium, Tokyo, Japan. DOI: https://doi.org/10.1109/IGARSS.1993.322522
  18. Levin, N., Lugassi, R., Ramon, U., Braun, O., & Ben‐Dor, E. (2007). Remote sensing as a tool for monitoring plasticulture in agricultural landscapes. International journal of remote sensing, 28(1), 183-202. DOI: https://doi.org/10.1080/01431160600658156
  19. Li, C., Chen, J., Wang, J., Han, P., Luan, Y., Ma, X., & Lu, A. (2016). Phthalate esters in soil, plastic film, and vegetable from greenhouse vegetable production bases in Beijing, China: concentrations, sources, and risk assessment. Science of the Total Environment, 568, 1037-1043. DOI: https://doi.org/10.1016/j.scitotenv.2016.06.077
  20. Lu, L., Di, L., & Ye, Y. (2014). A decision-tree classifier for extracting transparent plastic-mulched landcover from Landsat-5 TM images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(11), 4548-4558. DOI:1109/JSTARS.2014.2327226
  21. Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote sensing of environment, 48(2), 119-126. DOI: https://doi.org/10.1016/0034-4257(94)90134-1
  22. Richardson, A. J., & Wiegand, C. L. (1977). Distinguishing vegetation from soil background information. Photogrammetric engineering and remote sensing, 43(12), 1541-1552.
  23. Rondeaux, G., Steven, M., & Baret, F. (1996). Optimization of soil-adjusted vegetation indices. Remote sensing of environment, 55(2), 95-107. DOI: 1016/0034-4257(95)00186-7
  24. Roostaei, S., Mokhtari, D., Kamran, V., & Khodaei Geshlag, L. (2019). Comparison of Pixel-based Algorithm (maximum liklihood) and Object-based Method (Support Vector Machine) in Classification of Land Use (Ahar-Varzeghan Area). Quantitative Geomorphological Research, 8(1), 118-129. [In Persian]
  25. Shi, L., Huang, X., Zhong, T., & Taubenböck, H. (2020). Mapping plastic greenhouses using spectral metrics derived from GaoFen-2 satellite data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 49-59. DOI:1109/JSTARS.2019.2950466
  26. Shirani, F., Mazidi, A., & Khodagholi, M. (2009). Regionalization of Climate in Yazd Province Using Multivariate Statistical Methods. Journal of Geography and Regional Development, 7(13), 140-157. DOI: https://doi.org/10.22067/geography.v7i13.8980 [In Persian]
  27. Sun, H., Wang, L., Lin, R., Zhang, Z., & Zhang, B. (2021). Mapping plastic greenhouses with two-temporal sentinel-2 images and 1d-cnn deep learning. Remote Sensing, 13(14), 2820. DOI:3390/rs13142820
  28. The European Space Agency. (2022). Sentinel-2 mission guide. Retrieved June 7, 2022, from https://sentinels.copernicus.eu/web/sentinel/missions/sentinel-2
  29. Tarantino, E., & Figorito, B. (2012). Mapping rural areas with widespread plastic covered vineyards using true color aerial data. Remote Sensing, 4(7), 1913-1928. DOI: https://doi.org/10.3390/rs4071913
  30. Themistocleous, K., Papoutsa, C., Michaelides, S., & Hadjimitsis, D. (2020). Investigating detection of floating plastic litter from space using sentinel-2 imagery. Remote Sensing, 12(16), 2648. DOI: https://doi.org/10.3390/rs12162648
  31. Wang, J., Chen, G., Christie, P., Zhang, M., Luo, Y., & Teng, Y. (2015). Occurrence and risk assessment of phthalate esters (PAEs) in vegetables and soils of suburban plastic film greenhouses. Science of the Total Environment, 523, 129-137. DOI:1016/j.scitotenv.2015.02.101
  32. Yang, D., Chen, J., Zhou, Y., Chen, X., Chen, X., & Cao, X. (2017). Mapping plastic greenhouse with medium spatial resolution satellite data: Development of a new spectral index. ISPRS Journal of Photogrammetry and Remote Sensing, 128(6), 47-60. DOI: 1016/j.isprsjprs.2017.03.002
مدیریت بیابان
دوره 11، شماره 1 - شماره پیاپی 25
6 مقاله
خرداد 1402
صفحه 19-38

فایل ها

سابقه مقاله

  • تاریخ دریافت: 20 مرداد 1401
  • تاریخ بازنگری: 25 مهر 1401
  • تاریخ پذیرش: 26 مهر 1401

هم رسانی

ارجاع به این مقاله

آمار