استخراج نقشه گیاهان زراعی در نرم افزار MATLAB

در آموزش استخراج نقشه گیاهان زراعی در نرم افزار MATLAB  مباحث مربوط به شناسایی انواع زمین­ های زراعی در محیط متلب مورد بررسی قرار می ­گیرد.

در این دوران، فضای سبز با سرعت زیادی در حال نابودی است. در نتیجه برای جلوگیری از بحران غذایی و تامین امنیت غذایی، تحلیل و بررسی زمین های زراعی دارای اهمیت فراوانی است. از جمله عوامل مهمی که زمین­ های زراعی را تهدید می ­کنند عبارتند از:

• تبدیل مزارع به اراضی شهری
• ار بین رفتن مزارع به دلیل فرسایش خاک
• کاهش کیفی مزارع به دلیل شوری
• تغییر الگوهای کشت
• تغییرات جهانی آب و هوا

در نتیجه پایش مزارع در رزولوشن ریز دارای اهمیت ویژه ای است. تولید محصولات کشاورزی باید به طور پایدار افزایش یابد تا بتواند ضمن حفظ خدمات اکوسیستم و تنوع زیستی، میزان تقاضای رو به رشد مواد غذایی را برآورده کند. همچنین، باید در نظر داشت که جمعیت روستایی به شدت وابسته به تولید کشاورزی داخلی است و بر اقتصاد محلی تاثیر ویژه ای دارد.

مشکل اصلی این است که آمارهای کشاورزی غالباً منسوخ است یا از کیفیت مناسبی برخوردار نیست. در نتیجه، دانش کمی در مورد تغییرات اراضی کشاورزی وجود دارد. سنجش از دور، یک راه حل شناخته شده برای ارزیابی اراضی زراعی در مقیاس بزرگ است. پیشرفت زیادی در نقشه برداری تغییرات کاربری و پوشش زمین با استفاده از سیستم های اطلاعات جغرافیایی (GIS) و سنجش از دور انجام شده است، مانند تصویربرداری های مادیس، سری لندست و سری سنتینل. استفاده از تصاویر سری زمانی منظم و متوالی می­ تواند به تحلیل منظم زمین­ های زراعی کمک کند.

برای پیاده سازی از این آموزش از محیط برنامه نویسی Matlab بهره بردیم. در Matlab می­ توان:

• داده را تحلیل کرد
• الگوریتم ها را توسعه داد
• مدل­های دلخواه را ایجاد کرد

همچنین، این نرم افزار دارای توابع تعریف شده زیادی در حوزه پردازش تصویر و یادگیری ماشین است.

استخراج نقشه گیاهان زراعی در نرم افزار MATLAB

توضیحات محصول آموزشی

در این آموزش از تصاویر سنتینل-1، سنتینل-2 و لندست-8 برای استخراج زمین­ های زراعی استفاده کردیم. برای اعمال الگوریتم ­های مشابه به داده های مختلف نیازمند تعریف تابع در محیط متلب هستیم. بنابراین بعد از تعریف تابع شاخص تفاضل گیاهی، آن را به تصاویر فصلی سنتینل-2 و لندست-8 اعمال کردیم.

می توان با خوشه بندی که یک روش بدون مربی (Unsupervised) است، منطقه مورد مطالعه را به خوشه­ های مختلف تقسیم کرد. در اینجا از خوشه بندی K-means و K-medoids بهره بردیم و فضای پیکسل­ های تصویر را برای اعمال خوشه بندی تغییر دادیم.

الگوریتم های با مربی (supervised) دارای دقت بالاتری هستند و در آن داده ­های آموزشی با کلاس­ های از پیش تعریف شده وجود دارند. بنابراین، با استفاده از داده های آموزشی که از قبل آماده شده ­اند به آموزش الگوریتم ­های طبقه بندی درختی و SVM پرداختیم. نتیجه­ حاصل شده را به صورت زمین مرجع ذخیره کردیم تا برای تحلیل ­های بیشتر مورد استفاده قرار بگیرد.

عناوین آموزشی

عناوین آموزش داده شده عبارت است از:

• فراخوانی تصاویر زمین مرجع در Matlab
• آشنایی نحوه کار با باندهای مختلف تصویر
• فراخوانی تصاویر سنتینل-1 و سنتینل-2 و لندست -8
• کار با داده های حجیم در Matlab
• تعریف تابع در محیط متلب
• تشکیل داده های آموزشی از پیکسل های تصویر در محیط متلب
• خوشه بندی به روش های K-means و K-mediods
• فراخوانی داده­ های آموزشی و هدف با فرمت csv
• طبقه بندی به روش درختی و svm
• ذخیره تصویر تولید شده به صورت زمین مرجع

ویدئوی معرفی آموزش

لینک های مفید

• تولید نقشه محصولات زراعی از تصاویر ماهواره ای در گوگل ارث انجین
• برآورد سطح زیر کشت زمین های زراعی با استفاده از تصاویر ماهواره ای