تولید نقشه زمین های زراعی و باغات با تصاویر ماهواره ای لندست و گوگل ارث در ENVI

1,026 بازدید

بالاترین کیفیت محصولات

بالاترین امنیت خرید

خرید و دانلود آنی

پشتیبانی بسیار سریع

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

این محصول آموزشی یکی از تخصصی ترین آموزش های آکادمی سنجش از دور در زمینه سنجش از دور کشاورزی است که یکی از چالش های طبقه بندی زمین های زراعی را مورد توجه قرار داده است. همواره جداسازی پوشش های باغات از زمین های زراعی و پوشش های گیاهی طبیعی به عنوان یک چالش مهم در سنجش از دور محسوب می شده است. در همین راستا با استفاده از این محصول آموزشی شما با روش استفاده از چرخه فنولوژی، آشنا خواهید شد که کلید اصلی جداسازی پوشش های گیاهی متفاوت است. در این محصول آموزشی روش شناسایی و پایش تغییرات رشد محصولات متفاوت و جداسازی آنها بر اساس این ویژگی به منظور جداسازی کشت آبی و باغی تدریس شده است. 

زمان: ۸ ساعت

فرمت آموزش : ویدئو

حجم فایل : ۱۶ گیگ

تولید نقشه زمین های زراعی و باغات با تصاویر ماهواره ای لندست و گوگل ارث در انوی منتشر شد! در این محصول آموزشی روش جداسازی زمین های زراعی و باغات با استفاده از تصاویر ماهواره ای لندست در انوی با استفاده از نمونه برداری گوگل ارث توسط امیرحسین احراری تدریس شده است. در این محصول شما با روش جداسازی اراضی زراعی و باغات بر اساس چرخه فنولوژی آشنا خواهید شد. لازم به ذکر است که تمامی مطالب این محصول کاملا جدید بوده و تا کنون در آموزش های قبلی به آن پرداخته نشده است.


مشخصات محصول

  • مدرس: امیرحسین احراری
  • تخصص: کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
  • موضوع: تولید نقشه زمین های زراعی و باغات
  • نرم افزار: انوی ۵.۳ و گوگل ارث
  • داده های تمرینی: دارد

توضيحات محصول

محصول آموزشی تولید نقشه کشت آبی و باغات با استفاده از تصاویر گوگل ارث و ماهواره لندست در نرم افزار ENVI منتشر شد! در این محصول آموزشی روش جداسازی باغات از زمین های زراعی در تصاویر ماهواره ای لندست آموزش داده شده است. روش ارائه شده در این محصول آموزش برای جداسازی پوشش های گیاهی طبیعی و زراعی نیز کاربرد دارد. تمامی مراحل آموزشی این محصول در نرم افزار انوی، بر اساس نمونه های برداشت شده از گوگل ارث تدریس شده است. با استفاده از این محصول آموزشی، شما ایده های جدیدی را در ارتباط با استفاده ترکیبی نرم افزار انوی و گوگل ارث بدست خواهید آورد.


عناوین آموزشی 

عناوین آموزشی تدریس شده در این محصول بر اساس نرم افزار ENVI و تصاویر لندست عبارت اند از:

  1. وجه تمایز باغات و زمین های زراعی 
  2. روش شناسایی باغات و زمین های زراعی در گوگل ارث 
  3. روش شناسایی باغات و زمین های زراعی در تصاویر لندست 
  4. روش محاسبه شاخص های طیفی کاربردی در جداسازی محصولات زراعی 
  5. روش آشکارسازی تغییرات چرخه فنولوژی محصولات و چرخه رشد آن ها

ماهواره Landsat-8

در این محصول آموزشی به منظور جداسازی کلاس باغات از زمین های زراعی، از تصاویر ماهواره ای لندست ۸ استفاده شده است. اگرچه هدف اصلی طراحی ماهواره لندست در زمینه کاربری اراضی و پایش تغییرات آن است اما پوشش مداوم ۱۶ روزه زمین توسط این ماهواره با توان تفکیک مکانی ۳۰ و ۱۵ متر، به همراه باندهای مرئی و مادون قرمز نزدیک، شرایط مطلوبی را برای مطالعه زمین های زراعی ایجاد کرده است. بر همین اساس در سال های اخیر، ماهواره های سری لندست به شکلی گسترده در زمینه مطالعه زمین های زراعی و تولید نقشه های نوع کشت و پوشش گیاهی مورد استفاده قرار گرفته است. چرا که به خوبی امکان جداسازی زمین های زراعی و اجرای انواع شاخص های کاربردی در زمین های زراعی را فراهم آورده است. 


کاربرد Google Earth

گوگل ارث در سنجش از دور امکان دسترسی به داده های ماهواره ای توان تفکیک مکانی بالا را فراهم کرده است. اما فراموش نکنید که تصاویر حاصله از گوگل ارث تنها بصورت عکس هستند و به عنوان یک تصویر در نظر گرفته نمی شوند. بسیاری از کاربران سنجش از دور تفاوت بین عکس و تصویر را نمی دانند و به اشتباه همواره از واژه عکس ماهواره ای استفاده می نمایند. داده های ماهواره ای گوگل ارث فقط برای تفسیر بصری و بصورت کیفی قابل استفاده است و قابلیت محاسبات طیفی و رادیومتریکی را ندارد به عنوان عکس شناخته می شوند. اما داده های ماهواره ای لندست چون از ویژگی های رادیومتریکی و طیفی برخوردار است و قابلیت استفاده در پردازش های رقومی و استخراج اطلاعات بصورت خودکار را دارد به عنوان تصویر شناخته می شوند. 

در این محصول آموزشی، شما با روش استفاده از عکس های گوگل ارث برای جداسازی باغات از زمین های زراعی آشنا می شوید. درحقیقت عکس گوگل ارث با جزییات مکانی بالا به خوبی امکان جداسازی زمین های زراعی و باغات را فراهم کرده و به عنوان یک ابزار مناسب برای تفسیر بصری محسوب می شود. در همین راستا، در این محصول آموزشی روش شناسایی این دسته از زمین ها ابتدا در گوگل ارث آموزش داده شده و سپس از منطق آن برای جداسازی زمین های مذکور در تصاویر ماهواره ای لندست استفاده شده است. در نهایت نقشه زراعی بدست آمده از تصاویر لندست، بر اساس نمونه های برداشتی در گوگل ارث اعتبارسنجی شده و بصورت کمی دقت آن ارزیابی می شود.


تکنیک های دورسنجی

تکنیک های دورسنجی آموزش داده شده در این محصول عبارت اند از:

  • دانلود تصاویر سری زمانی لندست
  • انتخاب تصاویر مناسب برای کاربرد کشاورزی
  • تصحیحات رادیومتریکی 
  • تصحیحات اتمسفری با روش FLAASH
  • تلفیق تصاویر لندست از ۳۰ به ۱۵
  • محاسبه شاخص پوشش گیاهی نرمال شده
  • ترکیب سری زمانی تصاویر لندست
  • برنامه نویسی خودکار آماده سازی داده ها در IDL
  • محاسبه چرخه فنولوژیکی محصولات 
  • جداسازی پوشش ها بر اساس روند رشد
  • استفاده از تصاویر گوگل ارث برای تفکیک اراضی 
  • نقش تصاویر گوگل ارث در اعتبارسنجی نتایج
  • طبقه بندی زمین های زراعی با روش SVM
  • طبقه بندی زمین های زراعی با روش Random Forest
  • برداشت نمونه های اعتبارسنجی از گوگل ارث
  • تولید ماتریس خطاها و اعتبارسنجی نتایج

نمونه تدریس

درصورتی که به کیفیت این محصول آموزشی شک دارید، بخشی از تدریس مهندس امیرحسین احراری را در ویدیو زیر مشاهده کنید. هرگونه سوالی در ارتباط با محتوی و ویژگی های این محصول آموزشی دارید در همین صفحه پیغام بگذارید. 


بخش بندی محصول آموزشی 

این محصول آموزشی از سه بخش اصلی تشکیل شده است که عبارت است از: 

  1. دانلود و آماده سازی داده ها برای کاربرد کشاورزی
  2. ترکیب داده های سری زمانی و استخراج چرخه رشد محصولات
  3. طبقه بندی و تولید نقشه زراعی به همراه اعتبارسنجی آن با ماتریس خطاها

مهم ترین عناوین آموزشی

  • استفاده ترکیبی گوگل ارث و ماهواره لندست 
  • خودکارسازی پردازش داده های سری زمانی با استفاده از زبان IDL
  • ترکیب داده های سری زمانی NDVI 
  • جداسازی باغات و کشت آبی
  • استفاده از الگوریتم Random Forest
  • بررسی قابلیت های الگوریتم Decision Tree در فرایند طبقه بندی
  • اعتبار سنجی نتیجه فرضیات ارائه شده با استفاده از Google Earth

مهارت های حاصل از این محصول 

  • منطبق کردن نتایج ماهواره لندست و گوگل ارث
  • کدنویسی سری زمانی برای تصاویر ماهواره لندست
  • روش انجام طبقه بندی Random Forest
  • اعتبار سنجی کیفی و کمی نقشه کشت آبی و باغی با استفاده از Google Earth
  • مهارت انجام کار با یک نرم افزار تخصصی (متن باز) طبقه بندی تصاویر ماهواره ای

سوالات مهم کاربران

در این بخش مهم ترین ابهامات و سوالاتی که کاربران در ارتباط با این محصول آموزشی دارند مطرح و تشریح شده است. هدف از ارائه این پرسش و پاسخ ها آن است تا کاربران با تمامی جنبه ها و ویژگی های این محصول آموزشی آشنا شده و با دیدگاه کاملی نسبت به خرید محصولات اقدام نمایند. با این حال درصورتی که سوالات بیشتری داشتید می توانید آن ها را از طریق بخش نظرات در همین صفحه مطرح کنید تا مدرس آن پاسخ گو باشد. 

روش بکاربرده شده در این آموزش برای تصاویر ماهواره سنتینل نیز قابل استفاده است؟

بله. در صورتی که شما با روش های پیش پردازش و آماده سازی داده های سنتینل آشنایی داشته باشید میتوانید از این محصول آموزشی برای آن استفاده نمایید.

آیا تصاویر ماهواره ای رایگان دقت لازم برای جداسازی کشت های آبی و باغات را دارا هستند؟ 

بله. با استفاده از تصاویر ماهواره ای سری لندست و سنتینل به راحتی میتوان نسبت به جداسازی این پوشش ها اقدام کرد.

چگونه ادعای مذکور را تایید میکنید؟

استفاده از داده های مرجع که از دقت بالاتری دارند مانند تصاویر موجود در گوگل ارث میتوانند برای اعتبار سنجی کمی و کیفی مورد استفاده قرار گرفته و از لحاظ علمی نیز قابل استناد در مقالات نیز هست.

در این محصول آموزشی دقیقا چه نوع گیاه هایی را با دقت بالا از یکدیگر تفکیک کردید؟

در این محصول جداسازی پوشش گیاهی طبیعی و زراعی و کشت آبی و باغی بصورت کامل آموزش داده شده است.

در نقشه کشت آبی و باغی چه کلاس هایی را در فرایند طبقه بندی شناسایی کردید؟

  • زمین های کشت آبی
  • مراتع و پوشش های گیاهی طبیعی
  • باغات
  • زمین های بایر
  • هدف اصلی در تولید این محصول آموزشی جداسازی پوشش های گیاهی طبیعی و زراعی به همراه زمین های کشت آبی و باغات بوده است.

روش پیاده سازی چه الگوریتم هایی را در این محصول آموزشی ارائه کردید؟ 

  • طبقه بندی کمترین فاصله Minimum Distance
  • طبقه بندی بیشترین شباهت Maximum Likelihood
  • طبقه بندی مبتنی بر شبکه های عصبی مصنوعی Neural Network
  • طبقه بندی مبتنی بر بردارهای ماشین پشتیبان Support Vector Machines
  • طبقه بندی مبتنی بر Random Forest
  • طبقه بندی مبتنی بر تصمیم گیری درختی Decision Tree

در بخش اعتبار سنجی به تحلیل چه پارامترهایی پرداختید؟

  • روش اجرای ماتریس خطاها
  • تحلیل پارامتر overall accuracy
  • معرفی پارامتر kappa coefficient
  • تحلیل پارامتر خطای omission
  • تحلیل پارامتر خطای commission
  •  تحلیل پارامتر user accuracy
  • تحلیل پارامتر producer accuracy

مدرس

  • امیرحسین احراری
  • کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
  •  بیش از ۱۰ سال آموزش سنجش از دور
  • تحصیلات کارشناسی: سنجش از دور، دانشگاه تهران
  • تحصیلات کارشناسی ارشد: سنجش از دور، دانشگاه تهران
  • طراح و مدرس صدها دوره آموزشی سنجش از دور
  • نویسنده اولین کتاب گوگل ارث انجین در ایران
  • طراح و مدرس دوره استاد بزرگ ENVI
  • طراح و مدرس نخستین دوره آنلاین نرم افزار ENVI در ایران
  • طراح و مدرس نخستین آموزش جامع سامانه گوگل ارث انجین در ایران
  • و . . .

محصولات مرتبط :

22 دیدگاه. ارسال دیدگاه جدید

  • من نیاز دارم تهیه نقشه های یک به دو‌هزارم اراضی که برای استعلام ها استفاده میشه رو‌ یاد بگیرم.‌توی این آموزش نحوه تشخیص عوارضی مثل پایه های برق خطوط لوله و تفکیک اراضی آموزش داده میشه؟

    پاسخ
  • سلام وقت بخیر. من در پروژه خود احتیاج به تفکیک نقشه زمین های زراعی دیم از آبیاری و همچنین باغی از جنگل ها مراتع می باشم. آیا این آموزش جوابگوی نیاز من است یا آموزش دیگری را پیشنهاد می کنید؟ با سپاس

    پاسخ
  • با سلام و احترام

    آکه با استفاده از تصاویر لندست، بتوان اراضی دیم و آبی را از هم تفکیک کرد. با در نظر گرفتن این موضوع که فنولوژی مشابهی دارند.

    پاسخ
  • با سلام و احترام

    جناب احراری در آموزشی که فرمودید، پوشش طبیعی مانند درختزار و … الگو و رنگ کاملا متفاوتی با باغات دارد، ولی در تصویری که کار می کنم، این پوشش های درختی رنگی کاملا مشابه با باغات دارند، ضمن اینکه به لحاظ ارتفاعی و شیب هم مشابه باغات هستند، در این مورد تکلیف چیست؟
    سوال دیگه ای که از خدمتتون داشتم، بعد از استفاده از spear، تصویر ی کاملا سیاه در گوگل ارث باز می شود. بسیار ممنون میشم اگر راهنمایی بفرمایید.
    و لطفا اگر در ارتباط با کاربرد داده های زمینی در طبقه بندی تصاویر در انوی، آموزشی دارید، معرفی بفرمایید. با تشکر

    پاسخ
    • با سلام و احترام

      این گونه از موارد جزو خطاهایی است که در فرایند محاسبه ایجاد می شود. حتی اگر داده های زمینی هم داشته باشید اما روند تغییرات شاخص در این پوشش ها در سری زمانی یکسان باشد بازهم احتمال بروز خطا وجود دارد.
      در ارتباط با استفاده از داده های زمینی در فرایند کار متاسفانه فعلا بنده آموزشی در این رابطه ندارم.
      در ارتباط با spear راهکار خاصی ندارد. طبق همان آموزش عمل کنید. احتمالا بخشی از کار رو اشتباه انجام دادید. لطفا مجددا بررسی بفرمایید.

      موفق باشید

      پاسخ
  • میترا امامی
    1402-08-15 7:22 ق.ظ

    سلام
    وقت شما بخیر
    در این آموزش نمونه های تعلیمی نیز برای طبقه بندی تهیه می شود؟

    پاسخ
  • میترا امامی
    1402-08-15 11:09 ق.ظ

    سلام
    از این روش میتوان برای جداسازی مناطق کشاورزی از مراتع و جنگل ها نیز استفاده کرد؟

    پاسخ
  • میترا امامی
    1402-08-15 11:25 ق.ظ

    سلام
    برای تهیه ی نقشه کاربری زمین در سه سال متقاوت و بررسی تغییرات در یک بازه ی زمانی مشخص با استفاده از تصاویر لندست، برای تصاویر لندستی که فاقد باند پانکروماتیک هستن و عمل فیوژن را نمیتوان انجام داد، چه باید کرد؟

    پاسخ
  • میترا امامی
    1402-08-15 11:07 ب.ظ

    سلام
    آقای احراری شما فرمودید در صورت وجود ابر در یک ماه یا چند ماه در یک سال مشخص، میتوان از تصاویر همان ماه در سال بعد یا قبل استفاده کرد. در منطقه ی مورد مطالعه بنده در شمال کشور در سال قبل و بعد نیز ابر وجود دارد. در این صورت میتوان از دو الی سه سال قبل یا بعد استفاده کرد؟ در صورت عدم وجود تصویر مناسب از لندست 9 در یک ماه، ایا میتوان از تصویر لندست 8 مربوط به همان ماه استفاده کرد؟

    پاسخ
    • با سلام و احترام
      طبیعتا گپ زمانی دقت رو کاهش میده. میشه با داده های سنتینل اون گپ رو پر کرد. اگر تصویری نیست دیگه به ناچار میشه از سال های قبل استفاده کرد. بهتر هست که حتما از داده های لندست 8 و 9 بصورت ترکیبی استفاده کنید چون ویژگی داده هاشون کاملا مشابه و یکسان هست.

      موفق باشید

      پاسخ
      • میترا امامی
        1402-08-17 8:02 ق.ظ

        سلام
        خیلی متشکرم از پاسخ شما. فقط امکانش هست توضیح مختصری در مورد چگونگی پر کردن گپ زمانی با داده های سنتینل با توجه به متفاوت بودن قدرت تفکیک مکانی ان با لندست بفرمایید؟یعنی در صورت عدم وجود تصویر مناسب لندست در چند ماه برای سال 2022، از تصاویر سنتینل مربوط به ان سال یا سال بعد و قبل ، استفاده شود؟

        پاسخ
        • در این محصول پر کردن گپ داده ها با استفاده از داده های همان ماهواره توضیح داده شده. روش ترکیب لندست و سنتینل تدریس نشده است.

          موفق باشید

          پاسخ
  • میترا امامی
    1402-08-15 11:08 ب.ظ

    سلام و وقت بخیر
    آقای احراری شما فرمودید در صورت وجود ابر در یک ماه یا چند ماه در یک سال مشخص، میتوان از تصاویر همان ماه در سال بعد یا قبل استفاده کرد. در منطقه ی مورد مطالعه بنده در شمال کشور در سال قبل و بعد نیز ابر وجود دارد. در این صورت میتوان از دو الی سه سال قبل یا بعد استفاده کرد؟ در صورت عدم وجود تصویر مناسب از لندست 9 در یک ماه، ایا میتوان از تصویر لندست 8 مربوط به همان ماه استفاده کرد؟

    پاسخ
    • با سلام و احترام
      طبیعتا گپ زمانی دقت رو کاهش میده. میشه با داده های سنتینل اون گپ رو پر کرد. اگر تصویری نیست دیگه به ناچار میشه از سال های قبل استفاده کرد. بهتر هست که حتما از داده های لندست 8 و 9 بصورت ترکیبی استفاده کنید چون ویژگی داده هاشون کاملا مشابه و یکسان هست.

      موفق باشید

      پاسخ
  • میترا امامی
    1402-08-19 10:37 ب.ظ

    سلام
    خیلی متشکرم از پاسخ شما. فقط امکانش هست توضیح مختصری در مورد چگونگی پر کردن گپ زمانی با داده های سنتینل با توجه به متفاوت بودن قدرت تفکیک مکانی ان با لندست بفرمایید؟یعنی در صورت عدم وجود تصویر مناسب لندست در چند ماه برای سال ۲۰۲۲، از تصاویر سنتینل مربوط به ان سال یا سال بعد و قبل ، استفاده شود؟

    پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

keyboard_arrow_up