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-۱، سنتینل-۲ و لندست-۸ 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-۲ و لندست-۸ 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-۱ و سنتینل-۲ و لندست -۸
- 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
امیرحسین –
سلام خسته نباشید
ببخشید سوال من راجع به نوع داده های آموزشی و نحوه تهیه اونها هست
آیا از داده زمینی استفاده شده و اینکه نحوه تهیه فایل اکسل رو هم اگر امکان داره توضیح بدهید
ممنون
mohammad kakooei –
سلام.. سلامت باشید
فایل اکسل از یک نقشه موجود نمونه برداری شده است. گرچه شما می توانید از نمونه های زمینی استفاده کنید و یک مرجع زمینی با دقت بالا در منطقه مورد بررسی تولید کنید
موفق باشید
امیرحسین –
یک سوال دیگه هم دارم آیا میتونیم در اون منطقه با داده های تمرینی اموزش بدیم و جای دیگه توی ایران تست بکنیم
mohammad kakooei –
امکانش که هست و دقتش هم به عنوان تخمین اولیه مناسبه
اما طبیعیه که اگر از منطقه خودتون هم نمونه داشته باشید به دقت بالاتری میرسید
حدیث –
با سلام دقت این روش چقدره؟
و ایا امکان تفکیک محصولات کشاورزی یک شهر به طور کامل وجود دارد؟
Mohammad Kakooei –
سلام
در اینجا از طبقه بندهای کلاسیک برای طبقه بندی Cropland استفاده شده است. این طبقه بندها در صدها و هزاران مقاله به کار گرفته شده و دقت آن ها تابعی از عوامل زیادی است که به صورت موردی در هر مقاله گزارش می شود. به عنوان نمونه، موارد زیر بر ارزیابی دقت موثر است:
دقت داده های آموزش و تست
ویژگی های استخراج شده از تصویرکه در آموزش استفاده می شوند
پارامترهای قابل تنظیم در طبقه بندها
تعداد کلاس های مد نظر و میزان جدایی پذیری آن ها
…..
بله، امکان تفکیک محصولات کشاورزی در سطح شهر وجود دارد
طاهره کریمی –
با سلام خدمت استاد گرامی. آیا آموزشی در ادامه ی تهیه نقشه شن و رس از داده های رادار دارید که با کمک نمودار مثلث بافت خاک، درصدهای سه تصویر شن و رس و سیلت را به برنامه بدهیم و نقشه بافت خاک منطقه که شمال لومی، شنی، سیلتی، رسی، شنی رسی و غیره می باشد را استخراج نماییم؟
اگر آموزشی در این زمینه دارید لطفا انتشار دهید.
Mohammad Kakooei –
سلام
فعلا مورد مناسبی برای نقشه بافت خاک با داده های راداری ندارم. اگر مقاله ای مد نظر هست که قابلیت پیاده سازی با GEE را دارد، لینک آن را بفرستید.
موفق باشید
Negin –
سلام من میخواهم در انوی شاخص های خشکسالی رو انجام بدم برای دوره زمانی ٢٠ ساله ایا میتوانم از این اموزش برای فراخوانی تصاویر در منلب استفادع کنم ؟
Mohammad Kakooei –
سلام
انوی یا متلب؟
در ابن آموزش امکان فراخوانی تصاویر، تعریف و اعمال توابع، خوشه بندی، طبقه بندی و ذخیره نتیجه به صورت زمین مرجع وجود دارد.
در هر حال، برای آنالیز سری زمانی توصیه میشود از گوگل ارث انجین استفاده کنید.
رویا –
سلام وقت بخیر. ببخشید چطور 21 باند رو باهم ترکیب کردید؟ میشه بیشتر توضیح بدید.
ممنونم
Mohammad Kakooei –
سلام
اگر منظور شما تصویر ورودی است، از گوگل ارث انجین Export شده است.
موفق باشید
رویا –
سلام. ببخشید چرا برای نمایش بهتر باندها علامت [] را در انتها داخل پرانتز قرار دادید؟
Mohammad Kakooei –
سلام
در واقع استفاده از براکت برای تعیین آستانه پایین و بالا در نمایش تصویر است. [low, high]
اگر در براکت چیزی ننویسیم به صورت خودکار مقدار حداقل و حداکثر را با توجه به تصویر نمایش داده شده در نظر میگیرد.
موفق باشید
Alireza m –
سلام
امکانش هست مقاله ای درباره با این موضوع معرفی کنید
ممنون
Mohammad Kakooei –
سلام
مقالات زیادی برای طبقه بندی cropland وجود داره و با جستجوی ساده قابل دسترسی است. مثلا مقاله زیر
Application of Google Earth Engine Cloud Computing Platform, Sentinel Imagery, and Neural Networks for Crop Mapping in Canada
https://www.mdpi.com/2072-4292/12/21/3561
موفق باشید
1684679823 –
سلام وقتتون بخیر
میخواستم بپرسم نقشه ای که در نهایت تولید میشه، میتونیم داخل gis فراخوانی کنیم؟یعنی در قالب تیف باشه؟ و اینکه میشه با کدنویسی در متلب سطح زیرکشت محصولات مختلف رو براورد کرد یا باید از گوگل ارث انجین استفاده کرد؟
Mohammad Kakooei –
سلام
بله، میتوانید به صورت GeoTiff ذخیره کنید و در هر نرم افزار دلخواهی فراخوانی کنید.
برای برآورد سطح زیرکشت محصولات هم میتوانید از GEE و هم از متلب استفاده کنید. بهتر است در همان محیطی که کد اصلی طبقه بندی وجود دارد انجام شود.
موفق باشید
1684679823 –
سلام وقتتون بخیر
شما از باندهای مخصوصی استفاده کردید. و تعداد انها ۲۱ باند هست. میخواستم بپرسم ایا نیاز هست برای منطقه خودم از باندهای دیگه ای هم استفاده کنم یا همین باندهایی که شما استفاده کردید کافیه؟ و اینکه در روشهای با مربی، از طریق جدول، فایل اکسل رو کلاس بندی کردید. اما داخل جدول،در یک کلاس، چند محصول قرار می گیره. من از کجا بفهمم کدوم یکی از اون محصولات در منطقه من وجود داره؟من هیچ اطلاعاتی از محصولات کشاورزی منطقه ندارم.
Mohammad Kakooei –
سلام
خیر. از باندهای خاصی استفاده نشده است. بلکه باندهای ماهواره های مربوطه است!
در بحث پیش بینی، میتوانید مدل آموزش داده شده را به منطقه مد نظر اعمال کنید و با توجه به پوشش منطقه خروجی میگیرید. اما بدون داده برای ارزیابی و بدون اطلاعات در مورد منطقه چگونه میتوانید به پیش بینی اعتماد کنید؟
موفق باشید