اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
شناسایی مناطق کاشت برنج با آنالیز سری زمانی سنتینل-1
در این محصول آموزشی ویژگی های مختلفی مبتنی بر آنالیز سری زمانی تصاویر راداری سنتینل-۱ معرفی می شود و به شناسایی مناطق کاشت برنج در مناطق شمالی ایران در گوگل ارث انجین می پردازد. این آموزش یک روش تصمیم گیری مبتنی بر ویژگی های سری زمانی معرفی می کند که برای تهیه نقشه کشت برنج مناسب است. این نقشه براساس…
در این محصول آموزشی ویژگی های مختلفی مبتنی بر آنالیز سری زمانی تصاویر راداری سنتینل-۱ معرفی می شود و به شناسایی مناطق کاشت برنج در مناطق شمالی ایران در گوگل ارث انجین می پردازد.
این آموزش یک روش تصمیم گیری مبتنی بر ویژگی های سری زمانی معرفی می کند که برای تهیه نقشه کشت برنج مناسب است. این نقشه براساس داده های راداری SAR در باند C است که توسط سنتینل-۱ فراهم می شود.
در این آموزش، ابتدا مدل مربوط به رشد محصول ایجاد می شد که مرتبط با رشد برنج است و شامل تفاضل سیگنال بازگشتی، فاصله زمانی بین مراحل رشد و بلوغ، نرخ تغییر انحراف از معیار و متوسط سیگنال نرمال شده است. سپس، این ویژگی ها با هم ترکیب می شوند و برای بهبود دقت تشخیص برنج استفاده می شوند. براساس ادعای مقاله استفاده شده، نتایج تجربی نشان می دهد که این روش دارای دقت کلی ۹۱٫۹٪ است.
برای پیاده سازی از محیط محاسباتی Google Earth Engine استفاده شده است و منطقه مورد مطالعه در بخش شمالی ایران قرار دارد که برای سال ۲۰۱۹ مورد مطالعه قرار گرفتند.
تهیه آموزش:
به منظور تهیه این محصول آموزشی بر روی گزینه زیر کلیک کرده و بلافاصله دانلود نمایید.
مشخصات محصول:
- قیمت: ۱۲۰۰۰۰ تومان
- مدرس: دکتر محمد کاکوئی
- تخصص: برنامه نویسی، پردازش تصویر، هوش مصنوعی و سنجش از دور
- موضوع: سنجش از دور کشاورزی
- نرم افزار: سامانه گوگل ارث انجین
- ماهواره: سنتینل-۱
- فرمت آموزش: ویدئوهای آموزشی MP4
- طول آموزش: حدودا ۱ ساعت و ۵۵ دقیقه
توضیحات محصول:
در این ویدئوی آموزشی ابتدا تصاویر سنتینل-۱ پیش پردازش می شوند و به صورت مکانی نرم می شوند.
با توجه به اهمیت ویژگی های سری زمانی در این آموزش، تصاویر باید به صورت سری زمانی نیز نرم شوند. در شکل زیر، نمودار قرمز تغییرات تصویر اصلی و نمودار آبی نشان دهندهی نمودار سری زمانی بعد از نرم شدن به صورت سری زمانی را نشان می دهد.
در شکل زیر تصویر VHR از بخشی از منطقه مورد مطالعه را نشان می دهد.
در ادامه به عنوان نمونه شاخص تفاضل سیگنال بازگشتی نشان داده شده است.
در نهایت، نقشه کاشت برنج در شکل زیر نمایش داده می شود.
عناوین آموزشی:
عناوین آموزشی به شرح زیر می باشند:
- فراخوانی داده سنتینل-۱
- فیلتر کردن داده های سنتینل-۱ از نظر جهت تصویربرداری و نوع آن
- نرم کردن و میانگین گیری مکانی با توجه به پیکسل های همسایه
- نرم کردن مقادیر پیکسل ها به صورت سری زمانی برای کاهش نویز و تغییرات ناگهانی
- استخراج ویژگی های مختلف از تصاویر سری زمانی
- تلفیق ویژگی ها برای استخراج نقشه کاشت برنج
معرفی دوره آموزشی:
تهیه آموزش:
به منظور تهیه این محصول آموزشی بر روی گزینه زیر کلیک کرده و بلافاصله دانلود نمایید.
آموزش های زیر را در صورت تمایل ببینید:
- آموزش تهیه نقشه مناطق کاشت برنج به روش فنولوژی مبتنی بر لندست ۸
- تولید نقشه زمین های کشت برنج مازندران – با استفاده از تصاویر راداری سنتینل ۱ در SNAP
- تولید نقشه محصولات زراعی از تصاویر ماهواره ای – استخراج نقشه گیاهان زراعی
23 دیدگاه. ارسال دیدگاه جدید
سلام آقای کاکائویی، در این روش برای اعتبارسنجی نیازی به داده های موقعیت زمینی یا GPS نیست؟ و آیا می توان بدون لحاظ کردن این مورد در مقالات علمی و برای محصولات دیگری مانند نخود از آن استفاده کرد ؟
سلام
بدون داده زمینی نمی توانید در یک محصول دیگه مقاله بدین
ولی مثلا شما در ارزیابی محصول کاشت برنج میخواین کار کنید و نیاز دارید که نقشه زمین های کاشت برنج را داشته باشید. میتوانید برای استخراج زمین از همین روش استفاده کنید و به مقاله استفاده شده در این آموزش ارجاع بدهید
پس این روش مختص محصول برنجه و فقط برای این محصول کاربرد داره، درسته؟
مقاله مرجع این محصول مربوط به استخراج زمین های کاشت برنج با داده سنتینل-۱ هست و هر گونه بسط، توسعه و تطبیق احتمالی با سایر محصولات، به ایده پردازی خودتون بستگی داره.
آقای کاکوئی هر فریم از تصاویر سنتینل ۲ و سنتینل ۱ به ترتیب چند کیلومتر از سطح زمین را پوشش می دهند؟ ممنون میشم جواب بدید؟
سلام
سطح ۱۰۰*۱۰۰ کیلومتر مربع
البته پاسخش به این سادگی ها نیست!! در سنتینل-۱ مودهای تصویر متفاوته و تصویر سنتینل-۲ هم از گرانول ها تشکیل شده است ولی ساده ترین پاسخ همین عدد بالاست
موفق باشید
با عرض سلام و ادب و خسته نباشید خدمت آقای دکتر
برای آشکار سازی سطح دریا چطور از از سنتینل 1 و 2 با هم استفاده کنیم؟
ایا می توان به صورت هر ابجکتی رو به صورت واضح دید ؟ و مشخصات هر اوجکتی رو نمایش داد(مثلا این تصویر که اشکار سازی شده چی هست؟ طولش چنده و …)
و ایا دوره ی دارید در این رابطه؟
سلام وخیر
دستیابی به گراندتروث سنکرون با ماهواره ها که برای کاربرد شما استفاده شود کار آسانی نیست.
تقریبا ساخت این پایگاه داده برای شما ممکن نیست
موفق باشید
سلام ، مهندس کاکوئی
امکان داره ایمیل شما را در اختیار داشته باشم؟
سلام
سوالات مطرح شده در کامنت ها با سرعت بیشتری پاسخ داده میشوند.
سلام و سپاس از آموزش بسیار عالی
من این آموزش رو خریداری کردم. امکانش هست که لینک کد رو برای من ارسال کنید. سپاس
سوالی هم داشتم: اگر بخوایم مثلا مساحت پزیرکشت برنج در یک پیلیگون را به صورت سری زمانی حساب کینم چه چیزی به کد باید اضافه کرد.
سلام و سپاس از آموزش بسیار عالی
من این آموزش رو خریداری کردم. امکانش هست که لینک کد رو برای من ارسال کنید. سپاس
سوالی هم داشتم: اگر بخوایم مثلا مساحت زیرکشت برنج در یک پلیگون(مثلا یک استان) را به صورت سری زمانی حساب کنیم چه چیزی به کد باید اضافه کرد.
سلام
برای دریافت لینک با ایمیل من در ارتباط باشید.
kakooey.m@gmail.com
برای محاسبه مساحت سری زمانی ابتدا باید نقشه های سری زمانی را استخراج کنید و سپس مساحت را در منطقه مورد نظر محاسبه کنید.
مساحت سری زمانی مناطق شهری در محصول زیر آموزش داده شده است.
https://girs.ir/gee-urban-mapping
موفق باشید
سلام
ممنون از پاسخگویی . برای دریافت کد برای شما ایمیل زدم. لطفا چک بفرمائید.
سلام . وقت بخیر
من در یک پروژه باید سطح زیرکشت برنج را تعیین کنم.
در سایت چهار آموزش
*آموزش تهیه نقشه مناطق کاشت برنج به روش فنولوژی مبتنی بر لندست ۸
*تولید نقشه زمین های کشت برنج مازندران – با استفاده از تصاویر راداری سنتینل ۱ در SNAP
*تولید نقشه محصولات زراعی از تصاویر ماهواره ای – استخراج نقشه گیاهان زراعی
*شناسایی مناطق کاشت برنج با آنالیز سری زمانی سنتینل-۱
در این رابطه پیدا کردم. کدام یک از این آموزش ها با دقت بالاتری سطح زیر کشت برنج را می تواند ارائه دهد؟ و کدام یک به جمع آوری داده از منطقه نیاز دارد؟
با سلام و احترام
این محصول دکتر کاکوئی در زمینه آنالیز سری زمانی باید مناسب باشه. البته بنده این آموزش رو خودم مشاهده نکردم اما ایشون آموزش های دقیقی در این رابطه تولید می کنند. اگر هم سوالی از خودشون دارید همین جا کامنت بزارید خدمت شما پاسخ خواهند داد. تا کنون بازخوردی از مشتریان در ارتباط با دقت پایین محاسبات آموزش ها دریافت نکردیم. حداقل برای این آموزش ها که فرمودید. در هرکدام از این آموزش ها از یک سناریو خاص استقاده شده که در توضیحات صفحه محصول به آن اشاره شده است. توضیحات صفحه محصول رو مطالعه کنید و هرکدام که بر اساس توضیحات به کارتون نزدیک تر بود از همان استفاده بفرمایید.
موفق باشید
موفق باشید
سلام
هر داده ای ویژگی مخصوص به خود را دارد و همچنین هر روشی نیز دارای مزایا و معایبی است.
مثلا داده راداری نویز بیشتری دارد و برای مناطق کوهستانی مشکل است، ولی به شرایط آب و هوایی وابسته نیست و این برای مناطق کاشت برنج (مخصوصا در شمال) یک مزیت است. برای داده های نوری مثل لندست هم از این قبیل استدلال ها وجود دارد.
این روش ها به داده زمینی نیاز ندارند ولی باید با فنولوژی کاشت برنج در منطقه مطالعاتی آشنا باشید.
موفق باشید
با سلام و احترام، ممکن هست عنوان مقاله ای که در این آموزش پیاده سازی کردید رو بفرمایید؟ با تشکر
سلام
در ویدئوی اول در رابطه با مقاله ی مبنا توضیح داده شده است!
Chang, Lena, Yi-Ting Chen, Jung-Hua Wang, and Yang-Lang Chang. “Rice-Field Mapping with Sentinel-1A SAR Time-Series Data.” Remote Sensing 13, no. 1 (2021): 103
موفق باشید
سلام محصول را خریدم و کد را نوشتم ولی متاسفانه خطا میده احتمالا یه جای اشتباه کردم ولی نمیتونم خطا را پیدا کنم امکانش هست لینک کد خودتون را برایم بفرستید؟
سلام
به دلیل محدودیت وقت امکان بررسی کد وجود ندارد. خطی از کد که خطا مربوط به آن است را به همراه متن خطا بفرمایید.
سلام. در این آموزش از ماشین لرنینگ یا مدل خاصی استفاده شده؟ کلا برای استخراج مزارع به روش فنولوژی آیا می شه از مدل استفاده کرد یا فقط به صورت ترشولد گذاری هست؟
سلام
روش های مختلفی برای این کار وجود دارد که از این قبیل میتوان به آستانه گذاری، روش مارکوف، روش های طبقه بندی مخصوصا سری زمانی ، و روش های مبتنی بر شبکه عصبی اشاره کرد.
با جستجوی عباراتی از قبیل phenology crop classification در گوگل اسکالر میتوانید مقالات زیادی پیدا کنید. به عنوان نمونه موارد زیر با جستجوی همین عبارت پیدا شدند!
Bargiel, Damian. “A new method for crop classification combining time series of radar images and crop phenology information.” Remote sensing of environment 198 (2017): 369-383.
Siachalou, Sofia, Giorgos Mallinis, and Maria Tsakiri-Strati. “A hidden Markov models approach for crop classification: Linking crop phenology to time series of multi-sensor remote sensing data.” Remote Sensing 7, no. 4 (2015): 3633-3650.
Wang, Ziqiao, Hongyan Zhang, Wei He, and Liangpei Zhang. “Phenology alignment network: A novel framework for cross-regional time series crop classification.” In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 2940-2949. 2021.
Zhong, Liheng, Peng Gong, and Greg S. Biging. “Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley.” Photogrammetric Engineering & Remote Sensing 78, no. 8 (2012): 799-813.
موفق باشید