بالاترین کیفیت
آموزش تهیه نقشه مناطق کاشت برنج به روش فنولوژی مبتنی بر لندست 8 منتشر شد.
اطلاعات توزیع مکانی و مساحت مناطق کاشت برنج در امنیت غذایی، مدیریت آب، انتشار گازهای گلخانه ای و انتقال بیماری از اهمیت ویژه ای برخوردار است. به دلیل گرمایش جهانی و افزایش فزاینده تقاضای مواد غذایی، کاشت محصول برنج در دهه گذشته در مناطق مختلفی به سرعت در حال گسترش است. الگوریتمی که در اینجا برای استخراج نقشه مناطق کاشت برنج استفاده می شود، مبتنی بر فنولوژی و پیکسل است. این الگوریتم از اطلاعات آب موجود در زمین در مرحله نشاء برنج استفاده می کند.
این محصول بر مبنای مقاله ای است که در آن به مطالعه پتانسیل تصاویر لندست 8 در استخراج تصاویر سالانه مناطق کاشت برنج در شمال شرقی آسیا، از جمله ژاپن، کره شمالی، کره جنوبی و شمال شرقی چین پرداخته است. ما در این محصول، مناطق شمالی ایران را مد نظر قرار داده ایم.
مشکل تهیه نقشه اراضی برنج، تا حد زیادی مربوط به ویژگی های طیفی مشابه بین برنج و سایر پوشش های زمینی است. روش های موجود برای تهیه نقشه مناطق کاشت برنج از منابع و رویکردهای مختلف داده استفاده می کنند و می توان این روش ها را به سه دسته کلی تقسیم کرد.
برخی از مطالعات از تصاویر از مراحل خاص (به عنوان مثال، نشا یا اوایل فصل رشد) و رویکردهای مبتنی بر آمار تصویر استفاده کرده اند، تا نقشه مناطق کاشت برنج را تولید کنند. به عنوان مثال، طبقه بندی های بامربی (مانند Maximum Likelihood و ماشین بردار پشتیبان (SVM)) و طبقه بندی های بدون مربی (مانند ISODATA) را به کار بردند.
استفاده از داده های سری زمانی برای طبقه بندی محصولات زراعی با استفاده از الگوریتم های مختلف مانند بخش بندی (Segmentation) به کمک آستانه گذاری (Thresholding).
براساس ویژگی آبیاری غرق آبی (ترکیبی از آب و گیاهان برنج) در مرحله نشاء برنج که در زمان شروع فصل رشد و رویش گیاهان قابل شناسایی است. در اینجا با ترکیبی از اطلاعات شاخص سطح آب سطح زمین (LSWI)، شاخص تفاضل گیاهی نرمال شده (NDVI)، و شاخص پوشش گیاهی (EVI) در سطح پیکسل شناسایی انجام می شود. البته باید در فصل رشد که مبتنی بر دما است، یک پنجره زمانی برای نشای برنج تعریف شود که این کار به کمک محصول ماهواره مادیس (MODIS) انجام می شود.
توانایی محاسبات در چند سال گذشته بسیار بهبود یافته است. به عنوان مثال، Google Earth Engine (GEE) با تکیه بر میلیون ها سرور خود در سرتاسر جهان و قابلیت انجام رایانش ابری و ذخیره سازی، حجم بزرگی از داده های ماهواره ها را بایگانی کرده و جامعه علمی را قادر ساخته است تا بدون نیاز به ذخیره سازی داده ها، به پردازش آن بپردازند. این سامانه شما را قادر می سازد بر روی تعداد بسیار زیادی تصاویر به روشی پردازشی موازی کار کنید.
استفاده از داده دمای شبانه سطح زمین مادیس LST (MODIS nighttime Land Surface Temperature) بر اساس این حقیقت است که شاخص مهمی برای تعیین شروع فصل نشا برنج است. علاوه بر این، نشانه های نشاء می تواند حدود دو ماه پس از شروع نشاء وجود داشته باشد.
با در نظرگرفتن پروفایل های زمانی شاخص LST و شاخص های طیفی (NDVI ، EVI و LSWI)، شروع فصل رشد حرارتی برای شناسایی زمین های کاشت برنج آنالیز می شود. با توجه به تغییرات زمان انجام نشاء در مکان های مختلف، طول مرحله نشاء به عنوان 80 روز در این مطالعه تعریف می شود.
توضیحات محصول
در این ویدئوی آموزشی از مقاله ای استفاده شده است که در آن یک الگوریتم استخراج نقشه اراضی برنج مبتنی بر فنولوژی و در سطح پیکسل PPPM (Phenology- and Pixel-based Paddy rice Mapping) ارائه شده است. نشانه های غرق آبی کردن و نشاء برنج از ویژگی های اصلی شناسایی مزارع برنج است. برنج تنها محصولی است که به محیط مخلوط آب و خاک نیاز دارد.
مطالعات سنجش از دور نشان می دهد که بین LSWI با NDVI وEVI رابطه وجود دارد که می تواند نشانه های غرق آبی / نشاء را به طور مؤثر تمایز دهد. ما تجزیه و تحلیل پروفایل زمانی را در سایت های کاشت برنج منطقه انجام دادیم و نشان دادیم که مناطق کاشت برنج در منطقه مورد مطالعه در اوایل فصل رشد دارای نشانه های قوی هستند.
شکل زیر نشان دهنده روند اجرای این الگوریتم است.
مشخصه مهمی که در اینجا برای شناسایی مناطق غرق آبی استفاده می شود، استفاده از معیارهای LSWI > EVI یا LSEI > NDVI است. در نتیجه، رابطه زیر برای این منظور استفاده می شود:
که Flood نشن دهنده حالت غرق آبی/ نشاء است. همچنین SOT و EOT به ترتیب نشان دهنده آغاز و پایان فرآیند نشاء است.
با توجه به تغییر زمان نشاء در مکان های مختلف، اطلاعات نشاء از یک تصویر می تواند نتایج اشتباه و بایاس شده تولید کند. بنابراین از یک روش مبتنی بر فرکانس (رابطه زیر) برای برای در نظرگرفتن فرآیند سری زمانی استفاده شده است.
که در آن F نشان دهنده این فرکانس در میان نمونه های مشاهده شده در فصل نشاء است.
در ادامه تصاویری از روند اجرای ویدئوی آموزشی نشان داده شده است.
نمایش تعداد پوشش لندست 8 بدون ابر در سال 2019
رسم نمودارها در زمین های کشاورزی برنج
رسم نمودارها در باغ مرکبات
رسم نمودارها در مناطق جنگلی
نمایش تعداد پوشش لندست 8 بدون ابر در سال 2019
ویدئوی معرفی
عناوین آموزش تهیه نقشه مناطق کاشت برنج
عناوین آموزشی شامل موارد زیر می باشد:
- فراخوانی داده لندست 8 بدون ابر در مکان و زمان مشخص
- شکیل نقشه تعداد پوشش منطقه توسط ماهواره مد نظر
- فراخوانی پروداکت دمای سطح زمین شب از ماهواره مادیس
- ترسیم نمودار سری زمانی دما سطح زمین شب برای شناسایی زمان شروع نشاء
- ترسیم نمودار زمانی LSWI، NDVI و EVI در مناطق کاشت برنج و بقیه مناطق برای مقایسه رفتار آنها
- استخراج نقشه اولیه مناطق کاشت برنج براساس مقایسه شاخص ها
- فراخوانی داده SRTM DEM و آستانه گذاری بر روی Slope
- تصحیح نقشه با اطلاعات طیفی و Slope و استخراج نقشه نهایی مناطق کاشت برنج
علی محمدیان –
سلام
یه همچین محصولی برای گندم وجود داره؟
mohammad kakooei –
سلام
بله، میتوان با توجه به فنولوژی برای گندم هم تعریف کرد
ان شالله در آینده محصول گندم هم تولید میشود
موفق باشید
سید مسعود مصطفوی –
سلام جناب آقای دکتر
من بواسطه تخصص ام (دکترای اقلیم شناسی کشاورزی) سالهاست که علاقمند به موضوع پایش فنولوژیکی یا استفاده از سنجش از دور هستم . آیا با آموزش این بسته آموزشی، امکان تعمیم آن به سایر محصولات کشاورزی هم وجود دارد و آیا امکان تعیین مرحله فنولوژیکی محصولی خاص در سالیان قبل برای ایران وجود دارد؟ متشکرم
Mohammad Kakooei –
سلام و وقت بخیر
همانطور که در توضیحات این آموزش بیان شده است، شناسایی برنج مبتنی بر مقاله ای است که به شناسایی شروع فصل گرما و شناسایی زمین های غرق آبی کاشت برنج میپردازد.
اینکه چقدر بتوانید این را به محصولات دیگر تعمیم دهید، به محصول و نحوه تعریف ویژگی مبتنی بر فنولوژی وابسته است.
با توجه به اینکه داده های استفاده شده مبتنی بر مادیس و لندست هستند، داده های سری زمانی زیادی وجود دارد و امکان بررسی در سالیان قبل وجود دارد.
موفق باشید
سید مسعود مصطفوی –
جناب آقای دکتر
آیا روش انجام شده پایش فنولوژیکی برای سطوح کمتر از یک هکتار امکان پذیر است؟ دسترسی داده رایگان است؟ ممنون
Mohammad Kakooei –
بله، از داده لندست-۸ استفاده شده که رزولوشن مکانی آن برابر ۳۰ متر است.
مجتبی محمدی –
سلام و احترام آقای کاکویی، لطفا ایراد کد من را بگویید، من نتوانستم پیغام خطا را درک کنم و نمی دانم باید چیکار کنم؟!
https://code.earthengine.google.com/9ea4ad6d2f6cdd4537a0e4bb73fd278b
اسماعیل –
سلام و عرض ادب و احترام
ممنونم از محصول بسیار خوبتون
ببخشید من میخوام بر اساس دادهای l1b مادیس و با استفاده از باندهای ۲۰ و ۲۱ اون، یه شاخص ساده که تفریق دو باند ۲۰ و ۲۱ می باشه رو بدست بیارم
کدوم محصولتون و خریداری کنم؟
Mohammad Kakooei –
سلام
نگاهی به محصولات زیر میتواند به شما کمک کند.
http://girs.ir/basics-gee/
http://girs.ir/function-in-gee/
مونا –
سلام خسته نباشید سوال من اینه اکه تو چندتا تاریخ متفاوت داشته باشیم بعد همه تصاویر addBands کنیم و بعدش بخواهیم ازش یه plot بگیریم میشه ؟و اگه میشه لطفا راهنمایی کنید ؟و اینکه تمام تاریخ مربوط به یک منطقه هست ممنون میشم کمکم کنید
Mohammad Kakooei –
سلام
بله، ممکن است
با ایمیل در ارتباط باشید و لینک کدتون رو بفرستید
kakooey.m@gmail.com
زهرا –
سلام در استخراج مزارع با استفاده از فنولوژی آیا از مدل خاصی یا ماشین لرنینگ استفاده می شه؟
زهرا –
سلام در استخراج مزارع با استفاده از فنولوژی آیا از مدل خاصی یا ماشین لرنینگ استفاده می شه و یا فقط ترشولدگذاری هست؟
Mohammad Kakooei –
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
reza.saeedi.k@gmail.com –
سلام و وقت بخیر اقای دکتر
من فیلم ها را مشاهده کردم فقط مثلا اگر بخواهیم اخر سر مساحت این زمین ها را حساب کنیم چیکار کنیم؟
Mohammad Kakooei –
سلام
نقشه استخراج شده را در ee.Image.pixelArea ضرب کنید و با reduceRegion مساحت را محاسبه کنید.
موفق باشید