تولید نقشه محصولات زراعی از تصاویر ماهواره ای – استخراج نقشه گیاهان زراعی
۳۹۰,۰۰۰ تومان
- مدرس: محمد کاکوئی
- متخصص برنامه نویسی، پردازش تصویر و سنجش از دور در Google Earth Engine
- موضوع: استخراج نقشه گیاهان زراعی
- نرم افزار: سامانه گوگل ارث انجین
- ماهواره: سنتینل 1 و سنتینل 2 و لندست 8
- فرمت آموزش: ویدئوهای آموزشی MP4
- طول آموزش: حدودا 1 ساعت
- کد تمرینی: دارد
توضیحات
توضیحات
در این آموزش تولید نقشه محصولات زراعی از تصاویر ماهواره ای و استخراج نقشه گیاهان زراعی از تصاویر ماهواره ای سنتینل 1 و2 و لندست 8 یاد می گیرید.
با توجه به رشد اقتصادی و گسترش شهرها، امنیت غذایی دارای اهمیت ویژهای می باشد. یکی از مهم ترین روش های پیشبینی میزان محصولات کشاورزی و ارتقای امنیت غذایی، تحلیل زمانی تصاویر محصولات زراعی مختلف است. طبقه بندی و تولید نقشه محصولات زراعی دارای اهمیت فراوانی است.
فناوری سنجش از دور مبتنی بر حسگرهای نوری و راداری، یکی از ابزارهای مهم برای استخراج نواحی زراعی است. همچنین فناوری سنجش از دور برای تخمین نوع محصولات زراعی قابل استفاده است. به دلیل افزایش رزولوشن مکانی، زمانی و طیفی تصاویر ماهواره ها، نتایج طبقه بندی بهبود یافته است. طبقه بندی های سری زمانی و در مقیاس بزرگ مبتنی بر نوع محصول، مهمترین موضوع مطالعاتی در این حوزه است.
به دلیل شرایط جوی (مانند هوای ابری و بارانی)، به کارگیری تصاویر نوری در بازه های زمانی مختلف دارای محدودیت می باشد. بنابراین، ترکیب آنها با تصاویر راداری میتواند موجب ارتقای روش های پیشنهادی شود. با این وجود، استفاده از تصاویر راداری دارای پیچیدگی بیشتری است، زیرا تحلیل این تصاویر نیازمند تحلیل ساختارهای پیچیده داده و تعیین وضعیت آن با محصول زراعی است.
استفاده از بسترهای مبتنی بر ابر (cloud)، امکان پردازش حجم بزرگی از تصاویر را با روش های یادگیری ماشین فراهم می کند. محیط پردازش GEE (Google Earth Engine)، یک بستر مبتنی بر ابر برای تحلیل تصاویر زمین است. این بستر به برای اهداف تحقیقاتی، آموزشی و غیر سودآور به صورت رایگان خدمت رسانی می کند.
توضیحات محصول آموزشی
توضیحات محصول آموزشیشناسایی و استخراج نقشه گیاهان زراعی دارای اهمیت زیادی در حوزه کشاورزی است. بسیاری از تحقیقات انجام شده در حوزه استخراج نقشه گیاهان زراعی مبتنی بر تصاویر SAR هستند. ما در این آموزش، از تصاویر و داده های چند زمانی سنتینل-1، سنتینل-2 و لندست-8 بهره بردیم تا پوشش گیاهان زراعی شناسایی شوند. در این بررسی از ویژگی تفاوت در زمان رشد و نمو گیاهان مختلف بهره برده ایم.
همچنین می توان از داده های پیش پردازش شده در GEE استفاده کرد و برای نمایش نوع محصول آنها را فراخوانی کرد. گرچه این روش بسیار سریع است و پاسخگوی نیاز فوری خواهد بود، اما به دلیل رزولوشن نامناسب، دارای جزییات زیادی نیست. برای حل این مشکل می توان طبقه بندی را براساس داده های فصلی تشکیل شده سنتینل-1، سنتینل-2 و لندست-8 انجام داد و در بازه های یک ساله، نقشه زمین های زراعی را تولید کرد.
عناوین آموزشی
عناوین آموزش داده شده عبارت است از:
- فراخوانی تصاویر سنتینل 1 و سنتینل 2 و لندست 8 در زمان و مکان مشخص
- تعریف شاخص در تابع و اعمال آن به تصاویر سنتینل 2 و لندست 8
- تشکیل تصاویر فصلی برای هر ماهواره
- نمونه گیری تصادفی از داده و تشکیل پایگاه داده برای خوشه بندی
- خوشه بندی داده ها به روش K-means و اعمال به تصاویر مورد نظر
- فراخوانی داده محصولات زراعی پیش پردازش شده در GEE شامل کلاس هایی از گندم، برنج، جو، سویا، ذرت و …
- نمونه گیری مبتنی بر هر کلاس از داده و تشکیل پایگاه داده برای طبقه بندی
- آموزش طبقه بند جنگل تصادفی
- طبقه بندی تصویر و تولید نقشه محصولات زراعی در رزولوشن 10 متر
استخراج نقشه گیاهان زراعی از تصاویر ماهواره ای
ویدئوی معرفی آموزش
نظرات (37)
37 دیدگاه برای تولید نقشه محصولات زراعی از تصاویر ماهواره ای – استخراج نقشه گیاهان زراعی
محصولات بیشتر
آرش –
با سلام و احترام
ضمن تشکر از استاد گرامی
آیا می توان با استفاده از سامانه گوگل ارث انجین و بدون دانستن نوع گیاه ( گندم، جو ، لوبیا و ….) در منطقه ، اقدام به تعیین نوع گیاه نمود؟
با تشکر
mohammad kakooei –
سلام
بله. در کنار روش های بامربی (supervised) که در این آموزش معرفی شده است، روش هایی مبتنی بر نمودار و شرایط فصلی و ماهیانه رشد گیاه وجود دارد که بدون طبقه بندی (classification) و داده های آموزشی (training dataset) این کار را انجام میدهد.
ان شاالله در آینده محصولی در مورد این موضوع در GEE تولید میشود.
موفق باشید
mojtaba d –
سلام من تمام مراحل را انجام دادم با این ارور مواجه شدم چیکار باید بکنم؟
Required argument (numPoints) missing to function: Image.stratifiedSample(image, numPoints, classBand, region, scale, projection, seed, classValues, classPoints, dropNulls, tileScale, geometries)
Extracts a stratified random sample of points from an image. Extracts the specified number of samples for each distinct value discovered within the ‘classBand’. Returns a FeatureCollection of 1 Feature per extracted point, with each feature having 1 property per band in the input image. If there are less than the specified number of samples available for a given class value, then all of the points for that class will be included. Requires that the classBand contain integer values
Mohammad Kakooei –
سلام
به نظر میرسه که در یکی از کلاس ها نمونه وجود نداره، چون روش stratifiedSample نیاز داره که از همه کلاس ها نمونه برداری کنه
با Get Link لینک کدتون رو بگیرید و برای من ایمیل کنید تا بررسی کنم.
kakooey.m@gmail.com
موفق باشید
حمیدرضا قره چائی –
سلام
زمان کلاسترینگ کردن در استخراج نقشه زراعی خطای time out می دهند. وسعت منطقه ۴۰۰ کیلومتر مربع است. تعداد پیکسل را تا ۲۰ هزار تا قرار دادم بازم هم خطا می دهد در فیلم آموزشی تعداد پیکسل ۵ هزار تعیین شده است.
با سپاس
Mohammad Kakooei –
سلام
اولا بررسی کنید که آیا clusterer آموزش میبینه یا نه. یعنی اگر از clusterer پرینت بگیرید، در کنسول نمایش داده میشه. فکر میکنم که در این مورد مشکلی ندارید
به نظر میرسه که مساحت منطقه برای نتیجه ی آنلاین بزرگ باشه. بنابراین مجبور هستید که مشابه بخش دوم، نتیجه را به asset خودتون export کنید و بعدا ببینید.
برای بررسی بیشتر میتونید لینک کدتون رو برای من ایمیل کنید
موفق باشید
محمد –
با سلام و عرض ادب
من میخوام برای یک فصل زراعی (۶ماهه) برای یک دشت به مساحت ۳۰۰ هکتار به تفکیک نوع محصول کشت شده برای هرکدوم از قطعات زمینهای زراعی (کاداستر اراضی) رو بدست بیارم. در این آموزش قدرت تفکیک مکانی برای یک قطعه زمین زراعی حداقل چند هکتاره؟ و میزان دقت برآورد نوع محصول کشت شده حاصل از نتایج چقدر قابل اطمینانه؟
سپاس
محمد –
با سلام و عرض ادب
دقت برآورد نوع محصول با واقعیت آنچه که در زمین کشت شده به چه میزان می باشد؟ حداقل مساحتی که میتوان نوع محصول کشت شده رو با این آموزش مشخص کرد چند هکتار می باشد؟
با سپاس
mohammad kakooei –
سلاو
با توجه به اینکه از تلفیق تصاویر سنتینل و لندست استفاده شده است، رزولوشن مکانی نقشه نهایی برابر ۱۰ متر است.
قابلیت اطمینان نقشه وابسته به کیفیت داده های آموزشی است که در این محصول از GFSAD استفاده شده است.
سید عرفان –
سلام استاد یک سوال داشتم، بهترین سنجنده برای برآورد سطح زیر کشت محصولی مانند نخود یا گندم در سطح یک استان کدام است؟ اگر سطح منطقه ی مورد مطالعاتیمان یک استان مانند کرمانشاه باشد. لندست بهتر است یا مادیس؟
mohammad kakooei –
سلام
از دقت موررد انتظار تا سرعت و ابزار تحلیل در این موضوع موثر است
ولی اگر امکانات مهیا باشه، من لندست رو انتخاب میکنم
Omid Afsharkohan –
سلام استاد وقتتون بخیر
در قسمت خوشه بندی بعد از اضافه کردن تصویر GFSAD رنگ لایه مورد نظر سبز نشد و سیاه سفید باقی موند،میخواستم بدونم ایراد کار کجا هستش ممنون میشم🙏
Mohammad Kakooei –
سلام و وقت بخیر
اگر یک باند را به صورت عادی نمایش دهید به صورت مقیاس سطح خاکستری نمایش داده می شود.
یا باید پلت رنگ تعریف کنید
یا از تابع randomVisualizer استفاده کنید.
موفق باشید
Omid Afsharkohan –
من دقیقا طبق آموزش شما پیش رفتم یعنی پلت رنگ هم مثل همان که در آموزش گفتین استفاده کردم ولی متاسفانه نشد
Mohammad Kakooei –
به ایمیلتون پاسخ دادم
رویا –
سلام و احترام
لطفا آموزش همین بخش رو بدون استفاده از گوگل ارت انجین بذارید چرا که امکان استفاده از این نرم افزار برای برخی فراهم نیست و با اینکه کتاب راهنما رو هم از شما خریداری کردم نیاز به فیلتر شکن دارد که بدون اون نمیشه کار کرد .
اگر آموزش جدا برای یک مبحث با نرم افزار مورد نظر خودمان بخواهیم امکان پذیر هست ؟
متشکرم
احمد نجفی –
با سلام و وقت بخیر
درخواست های آموزش خود را همینجا بنویسید
ali mehrabi –
سلام و عرض ادب جناب مهندس
امکانش هست مقاله یا مقاله هایی برای cropland از این approach ای که جنابعالی استفاده کردین رو لینک بدین؟
و سوال دیگه اینکه آیا امکان بازنویسی محصول با استفاده از پایتون می باشد یا خیر؟
Mohammad Kakooei –
سلام
در آموزش هایی که به صورت کامل از یک مقاله مشخص استفاده شده است، خود مقاله نیز توضیح داده شده است.
در این آموزش روش های بدون مربی و با مربی آموزش داده شده است که در بسیاری از روش های شناسایی Cropland مشترک است و شما با جستجو می توانید مقالات و survey ها را بیابید.
البته به زودی مقاله ما هم چاپ میشود و میتوانید از آن استفاده کنید.
موفق باشید
Mohammad Kakooei –
بله..میتوان این کد را در پایتون بازنویسی کرد.. البته مختص به این کد نیست و شکل کد جاوا اسکریپت در GEE، شباهت زیادی به پایتون دارد.
سمیرا –
سلام وقتتون بخیر
ممنون برای آموزش خوبتون
ببخشید تصحیحات مربوط به مرحله پیش پردازش تصاویر راداری سنتینل ۱ رو چطور باید در GEE انجام بدیم؟ چون این مراحل رو در نرم افزار به راحتی میشه انجام داد اما نمیدونم چطور در GEE این تصحیحات رو روی تصاویر اعمال کنم.
تصحیحاتی مثل تصحیحات رادیومتریک، نویز حرراتی، terrain correction و ..
امیرحسین احراری –
با سلام و احترام
روش کار با تصاویر راداری سنتینل ۱ در گوگل ارث انجین در محصول زیر آموزش داده شده است. خیلی از تصحیحات در ارث انجین بر روی داده ها انجام شده.
https://girs.ir/sen1-speckle-noise/
موفق باشید