Abstract:
با توجه به اینکه استان اردبیل یکی از قطبهای مهم کشت گندم میباشد، تعیین سطح زیرکشت آن در برنامهریزیهای اقتصادی و سیاسی از اهمیت ویژهای برخوردار خواهد بود و میتواند امنیت غذایی کشور را تامین نماید، اما در گذشته بیشتر از روشهای سنتی مانند اندازهگیری میدانی و غیره، برای تعیین سطح زیرکشت محصول استفاده میکردند که دارای خطاهای فراوانی بود. لذا در این پژوهش سعی شد تا با استفاده از تصاویر ماهواره لندست 8 و استفاده از شاخصهای پوشش گیاهی (NDVI, SAVI, DVI, GVI, IPVI, RVI)، تحلیل مولفههای اصلی (PCI)، شاخص فاکتور بهینه (OIF) به همراه طبقهبندی الگوریتم حداکثر احتمال میزان سطح زیرکشت گندم در منطقه مورد مطالعه برآورد گردد. بر اساس نتایج بدست آمده از تحلیل مولفههای اصلی، بیش از 99 درصد واریانس دادهها در سه مولفه اصلی تبیین و بهترین ترکیب رنگی مستخرج از شاخص OIF نیز باندهای 5، 6 و 7 با مقدار عددی 73/8383 تعیین گردید. همچنین نتایج نشان داد که میزان سطح زیرکشت گندم در سال زراعی 94-95 در محدوده مورد مطالعه به ترتیب با ضریب کاپا و دقت کلی 87/ 0 و 2/ 95 درصد، حدود 07/ 59203 هکتار است و با آمار جهاد کشاورزی استان اردبیل که حدود 21/ 62480 هکتار میباشد 24/ 5 درصد یا به عبارتی حدود 14/ 3277 هکتار اختلاف دارد که به نظر قابلقبول میرسد. لذا بهطورکلی میتوان نتیجه گرفت که تصاویر لندست 8، تحلیل مولفههای اصلی و شاخص فاکتور بهینه را در تعیین سطح زیر کشت گندم از قابلیت بالایی برخوردارند.
Attention to Ardabil province is one of the important centers of wheat cultivation, determining the level of cultivation will be of particular importance in economic and political planning and can ensure the country's food security, but in the past, most traditional methods, such as field measurement, etc., have been used to determine the level of crop cultivation, which has many errors, In this study, we tried to use Landsat 8 satellite imagery, Vegetation Indices (NDVI, SAVI, DVI, GVI, IPVI, RVI), Principal components analysis (PCI), Optimum Index Factor (OIF), and classification algorithm to estimate the maximum probability of wheat cultivation area in the study area. Based on the results of main components analysis, more than 99% of data variances were explained in three main components and the best color combination of the OIF index was determined by bands 5, 6, and 7 with a numerical value of 8383.73. Also, the results showed that wheat cultivars under cultivar 94-95 in the studied area with kappa coefficient is 0.87 and the general accuracy of 95.2% were 59203.07 hectares and According to the statistics of agricultural Jahad official in Ardebil province, which is about 62480.21 hectares, In other words, the difference is 5.24% or about 3277.14 hectares which seem to be acceptable. Therefore, it can generally be concluded that Landsat 8 images, Principal components analysis, and Optimum Index Factor are highly effective in determining the level of wheat cultivation.
Machine summary:
لذا در این پژوهش سعی شد تا با استفاده از تصاویر ماهواره لند ست ٨ و استفاده از شاخص های پوشش گیاهی (NDVI, SAVI, DVI, GVI, IPVI, RVI)، تحلیل مؤلفه های اصلی (PCI)، شاخص فاکتور بهینه (OIF) به همراه طبقه بندی الگوریتم حداکثر احتمال میزان سطح زیر کشت گندم در منطقه موردمطالعه برآورد گردد.
بعد از شناسایی مکان های کشت گندم ، به پیش پردازش و آماده سازی تصویر موردنظر برای اعمال شاخص های پوشش گیاهی موردنظر (NDVI, SAVI, DVI, GVI, IPVI, RVI) بر روی آن و همچنین تحلیل مؤلفه های اصلی (Principle Component Analysis) به همراه تعیین بهترین ترکیب رنگی از شاخص فاکتور بهینه (Optimum Index Factor) اقدام گردید.
/ شکل ٤: مناطق تحت کشت گندم بر اساس طبقه بندی الگوریتم حداکثر احتمال Figure 4: Wheat cultivation areas based on maximum likelihood algorithm classification نتیجه گیری بهترین زمان برای تعیین سطح زیر کشت گندم در شهرستان اردبیل مربوط به دوره ی مرداد و شهریور می باشد که اکثر زمین های منطقه در زیر کشت گندم بوده و بازتاب خوبی در محدوده مادون قرمز و قرمز را دارا می باشند، لذا تداخل کمتری با سایر محصولات در بازتاب ها رخ می دهد.
Therefore, in this study, it was tried to estimate the level of wheat cultivation in the study area using Landsat 8 satellite images, and using vegetation index )NDVI, SAVI, DVI, GVI, IPVI, RVI(, analysis of the Principal components analysis )PCI(, Optimum Index Factor )OIF( with Classification of Maximum likelihood.