اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
آشکارسازی کشت برنج با استفاده از تصاویر راداری ماهواره سنتینل 1 در Google Earth Engine
محصول آموزشی روش شناسایی نوع کشت با استفاده از داده های راداری سنتینل ۱ در Google Earth Engine منتشر شد! آموزشی کاملا کاربردی برای علاقه مندان به کاربرد داده های راداری در مطالعات کشاورزی. روش شناسایی تغییرات رشد گیاه با استفاده از مقادیر بازپراکنش تصاویر راداری در سنجش از دور. ارزیابی روند سری زمانی تغییرات بازپراکنش امواج راداری از زمین…
- محصول آموزشی روش شناسایی نوع کشت با استفاده از داده های راداری سنتینل ۱ در Google Earth Engine منتشر شد!
- آموزشی کاملا کاربردی برای علاقه مندان به کاربرد داده های راداری در مطالعات کشاورزی.
- روش شناسایی تغییرات رشد گیاه با استفاده از مقادیر بازپراکنش تصاویر راداری در سنجش از دور.
- ارزیابی روند سری زمانی تغییرات بازپراکنش امواج راداری از زمین های زراعی به منظور تشخیص نوع کشت.
- ترکیب تصاویر سری زمانی راداری به منظور شناسایی مناطق کشت خاص (مثلا برنج).
- اگر شما در زمینه سنجش از دور کشاورزی فعالیت دارید این محصول آموزشی یکی از کاربردی ترین انتخاب ها برای شما است.
مشخصات محصول آموزشی
- مدرس : امیرحسین احراری (کارشناس سنجش از دور و پردازش تصاویر ماهواره ای)
- موضوع : سنجش از دور کشاورزی
- نوع آموزش: ویدئویی
- مخاطب : علاقه مندان به کاربردهای سنجش از دور در کشاورزی
- نرم افزار : سامانه پردازشی Google Earth Engine
تهیه آموزش:
جهت تهیه این آموزش بر روی دکمه زیر 👇 کلیک کرده و پس از پرداخت بلافاصله ویدئوهای آموزشی را دانلود کنید:
عناوین آموزشی
- روش فراخوانی تصاویر راداری ماهواره سنتینل ۱ در Google Earth Engine
- روش فراخوانی تصاویر سری زمانی راداری ماهواره سنتینل ۱ در Google Earth Engine
- روش شناسایی تغییرات بازپراکنش امواج راداری در بازه زمانی مشخص در Google Earth Engine
- تحلیل روند تغییرات بازپراکنش راداری در بازه زمانی مشخص در Google Earth Engine
- بصری سازی تغییرات روند بازپراکنش تصاویر راداری در قالب تصاویر ترکیب شده در Google Earth Engine
- روش ترکیب تصاویر راداری چندزمانه با استفاده از مولفه های آماری در Google Earth Engine
در این محصول آموزشی شما آشنا می شوید :
- که چگونه بیش از ۱۰۰ گیگابایت تصاویر ماهواره ای راداری را در کمتر از یک ساعت پردازش و تحلیل کنید.
- که چگونه روند تغییرات بازپراکنش های راداری در طول زمان را شناسایی کنید.
- که چگونه نوع کشت را از روی تغییرات روند بازپراکنش های راداری شناسایی کنید.
- که چگونه نتایج بدست آمده از یک بخش کوچک را به کل منطقه مورد مطالعه تان تعمیم دهید.
تهیه آموزش:
جهت تهیه این آموزش بر روی دکمه زیر 👇 کلیک کرده و پس از پرداخت بلافاصله ویدئوهای آموزشی را دانلود کنید:
36 دیدگاه. ارسال دیدگاه جدید
سلام استاد احراری! آیا امکان دارد با استفاده از دیتا های زمانی سنتینل ۱ همین آموزش که روی برنج تولید کردید روی گندم ویا همین برنج با استفاده از نام افزار ENVI ویا SNAP هم تولید کنید؟ چرا که خیلی بهش نیازمندیم چون تخمین گندم که ما انجام میدهیم معمولا در فصل بهار است و متاسفانه موجودیت ابر یک چالش است . ممنون
با سلام و احترام
نمونه چنین آموزشی را در نرم افزار SNAP و ENVI برای داده های اپتیکی داریم.
https://girs.ir/product/%D9%86%D9%82%D8%B4%D9%87-%D9%86%D9%88%D8%B9-%DA%A9%D8%B4%D8%AA-%D8%B2%D8%B1%D8%A7%D8%B9%DB%8C-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D8%AA%D8%B5%D8%A7%D9%88%DB%8C%D8%B1/
اما در ارتباط با داده های راداری هم حتما جزو برنامه تولید محصولات قرار خواهیم داد. البته شما میتوانید از این آموزش که در Google earth engine هست هم استفاده کنید.
موفق باشید
جناب آقای احراری عزیز، با سلام
آیا برای شما امکان دارد که در مورد استخراج جابجایی های قائم و افقی سطح زمین (مانند جابجایی های ناشی از گسلش، لغزش و …) آموزش، پردازش و تفسیر تصاویر راداری سنتینل ۱ با نرم افزار SNAP و یا هر نرم افزار دیگری را تدوین فرمایید؟ این موضوع در مباحث مخاطرات زمین شناختی و مدیریت بحران، بسیار کاربردی است.
در ضمن آیا برنامه آموزشی ارائه شده شما با عنوان: آشکارسازی کشت برنج با استفاده از تصاویر راداری ماهواره سنتینل ۱ در Google Earth Engine که برای دانلود قرار داده اید، می تواند کمکی در فراگیری موضوع مخاطرات زمین شناختی (که در بالا عرض کردم) به من نماید و مفید و کاربردی باشد؟
با تشکر از شما
با سلام و احترام خدمت شما
ممنون از پیشنهاد شما متخصص محترم حتما در نظر گرفته خواهد شد.
متاسفانه این محصول آموزشی در موضوعی که فرمودید کاربردی نیست. با عرض پوزش از شما.
با سلام
آیا از این محصول آموزشی فقط برای کشت برنج میشه استفاده کرد یا اینکه بوسیله این آموزش میشه برای سایر محصولات کشاورزی هم استفاده کرد
با تشکر
با سلام و احترام
برای تمامی محصولات زراعی که چرخه رشد متفاوتی دارند قابل استفاده است.
موفق باشید
سلام وقت بخیر ، این محصول در پکیج کلی گوگل ارث انجین هست ؟
با سلام و احترام
در صفحه آموزش جامع گوگل ارث انجین مطالبی آموزش داده شده که در صفحه محصول آن ذکر شده است. بنده در حال حاضر حضور ذهن ندارم. لطفا صفحه محصول آن را مشاهده کنید تا اشتباه راهنمایی نشوید.
موفق باشید
سلام
من بارها کد آموزش داده شده در این محصول را برای مناطق مختلف ایران (و حتی برای برنج در استان مازندران) نوشتم اما اصلا تصویری موجود نیست و با این پیام روبرو میشوم:
the image collection is empty
و بنابراین هیچ چارتی دیده نمیشه. و اجرای برنامه همین جا متوقف میشه و هیچ خروجی نداره. اشکال کار از کجاست؟ ممنون میشم راهنمایی بفرمایید.
با سلام و احترام
کدی که می نویسید اشتباهی دارد که متوجه آن نمی شوید. لینک کدتون رو با استفاده از گزینه get link برای بنده در این جا کامنت بزارید و مشکل رو مطرح نمایید تا بررسی کنم.
موفق باشید
سلام
این آموزش در پکیج آموزش جامع گوگل ارث انجین هست؟
با سلام و احترام
نکاتی که در صفحه محصول جامع نوشته شده را کامل مطالعه کنید. تمامی مطالبی که در محصول هست داخل صفحه توضیح داده شده است.
موفق باشید
سلام آقای احراری،
محصول شناسایی مناطق سیل زده با استفاده از داده های سنتینل ۱ و سنتینل ۳ شما رو در سامانه ارث انجین تهیه کردم. میخواهم از سنتینل ۱ برای شناسایی آب رودخانه ای استفاده کنم که بنا به مشاهدات در اطراف بستر آن نیزار هست. آیا سنتینل ۱ میتواند در تشخیص اینکه نیزارکاملا زیر آب فرو رفته یا قسمتی از ارتفاع آن را آب گرفته است کمک کند؟ و ضمنا بین تصاویر سنتینل ۱و تصاویر ۱۰ متری شده سنتینل ۲ (به کمک فیوژن) کدام یک در این باره بهتر عمل میکنند؟؟؟
متشکرم
با سلام و احترام
در ارتباط با نیزارها حقیقتا تست نکردم. به همین دلیل دقیقا نمی توانم در این رابطه نظر بدم.
موفق باشید
سلام وقت بخیر
با استفاده از این آموزش می توان سطح زیرکشت برنج را تعیین کرد؟
کدام آموزش برای تعیین سطح زیرکشت برنج دقیق تر است؟
در این آموزش از داده های زمینی هم استفاده شده است؟
با سلام و احترام
بله می توانید از این آموزش استفاده کنید. اما خب بنده داده های زمینی نداشتم که بصورت کمی آن را اعتبارسنجی کنم.
در این محصول آموزشی فقط از چرخه فنولوزی استفاده شده است و داده های زمینی نداشتیم متاسفانه.
موفق باشید
سلام
وقت بخیر
آیا روشی در دGEE هست که دو تا نمودار مثلا برنج و درخت رو همزمان بندازیم رو هم ببینیم کدوم ماهها بیشترین اختلاف دارند؟
با احترام
با سلام و احترام
بله می توانید با استفاده از دستور chart image series region استفاده کنید. درکتاب گوگل ارث انجین این موضوع رو قبلا آموزش داده ام.
موفق باشید
با سلام
آیا امکان دانلود تصاویر راداری در باند L به صورت رایگان وجود دارد؟ داده ایلوس خیلی قدیمی هستش. داده جدیدتر چیزی داریم؟
با سلام و احترام
فعلا هیچ داده ای غیر از الوس 1 در باند ال بصورت رایگان در دسترس نیست.
موفق باشید
سلام
شما سه تا بازه زمانی در نظر گرفتید که یک دوره تقریبا 16 ماهه رو پوشش میده. بازه اول با بازه سوم 4 ماه مشترک (از نظر فصلی شامل دی بهمن اسفند فروردین) داره! یعنی پراکنشهای گیاه برنج یا هر گیاهه دیگری تقریبا مشترک هستند. آیا نباید این دوره های زمانی کاملا متفاوت باشند؟
با سلام و احترام
در روش جداسازی محصول بر اساس چرخه فنولوژی زمانی که داده های زمینی ندارید و صرفا باید بر اساس یک سری تغییرات فصلی نتیجه گیری کنید این خطایی که میفرمایید وجود دارد. اما چون قالب منطقه در آن جا برنج است من آن را انتخاب کردم. دقیق ترین روش برای جداسازی نوع کشت برای هر محصولی استفاده از داده های زمینی و ترین کردن طبقه بندی بر اساس آن به همراه داده های راداری چند زمانه هست.
موفق باشید
شاید من سوالم رو خوب مطرح کردم.
برای بررسی فنولوژی برنج ما یک دوره یکساله رو آنالیز می نماییم. چون بیشتر از این مدت، ما یک روند تکراری در فنولوژی گیاه داریم. در مرحله بعد، در این دوره یک ساله بخش هایی از نمودار تغییرات رو که پراکنش متفاوت دارند رو شناسایی و انتخاب می نماییم.
مثلا از خرداد تا تیر یک دوره، شهریور تا مهر یک دوره و دی تا اسفند هم یک دوره دیگه. و بعد این سه تا رو به 3 تا لایه RGB نسبت میدم و تصویر تهیه می نمایم.
قضیه اینه که الان فرض کنید من به دو تا لایه مثلا قرمز و آبی بیام یک دوره (مثلا دی تا اسفند رو نسبت بدم)، این کار به نظرتون غلط نیست؟ من یک دوره ای که پراکنش ها کاملا یکی هست رو به 2 تا لایه اختصاص دادم بنابراین عملا از دو قسمت نمودار فنولوژی برای نمایش تفاوت ها استفاده نمودم. و اون قسمت سوم که انتخاب کرده بودم رو از دست دادم.
من خودم در آموزش تولید نقشه نوع کشت (قبل از این محصول) به همین صورتی که شما میفرمایید عمل کردم و نتیجه هم مثبت بود.
https://girs.ir/downloads/crop-type/
در این آموزش راداری هم میشه مثل همان سناريو عمل کرد اما چون داده های باند c برای نوع کشت مثل باند L کارایی ندارد من بصورت ابتکاری تعداد باندها رو کم کردم در دوره های مشخص که اگر در یک دوره (یک باند) فنولوژی مشابه بود تفاوت در دوره های دوم و سوم باعث جداسازی محصول مورد نظر شود. بر اساس تجربه شخصی از این روش نتیجه مثبتی گرفتم و به اشتراک گذاشتم. مزیت این روش آن است که تفسير کردن سه باند در تولید نقشه راحت تر تفسير ۱۲ باند راداری چند زمانه است آن هم در باندهای غیر کاربردی. قطعا این روش برای چند محصول بصورت همزمان کارایی ندارد و فقط برای جداسازی یک محصول آن هم کشت غالب می تواند کارایی داشته باشد.
موفق باشید
سلام
برای تفکیک کردن کلاس های مختلف در یک تصویر راداری من به روش زیر عمل کردم.
روند تغییرات پراکنش رو برای کلاس های مختلف در یک دوره یکساله بدست آوردم. بعد با مقایسه این کلاس ها ، ماهها یا دوره های زمانی رو انتخاب نمودم، که میزان پراکنش بیشترین اختلاف رو داشت. و بعد از تصاویر مربوط به اون دوره ها به عنوان ورودی به الگوریتم طبقه بندی استفاده نمودم. اما حقیقتش خیلی متوجه روش شما نشدم. بویژه اینکه تو سه دوره زمانی مختلف شما، 4 ماه مشترک وجود داشت(آیا می شد مثلا 5 دوره زمانی داشت و باز هم به صورت RGB نمایش داد؟).
روش بنده غلط یا غیر علمی یا مشکل دار است؟
با سلام و احترام
روش های علمی مختلفی در ارتباط با جداسازی نوع کشت ارائه شده و تنها محدود به روش بنده نیست. اگر با روش خودتون هم به نتیجه درستی رسیدید می توانید به آن استناد کنید. مهم این هست که تغییرات روند رشد گیاه در تصاویر چند زمانه به گونه ای نمایش داده شود که نوع محصول مورد نظر را برای شما از سایرین جدا کند.
اگر در اعتبارسنجی کارتون به نتیجه درستی رسیدید پس روش شما درست است.
موفق باشید
سلام
دو تا مورد می خواستم عرض کنم.
یکی اینکه مساله اسندینگ و دی سندینگ تو دیتاهای استفاده شده می تونه کمک کننده. و استفاده از یکیشون به تنهایی نمودار را نرم (smoth) میکنه. و اینکه تفکیک پذیری هدف (برنج، درخت، چای و …) از محصولات دیگه در یکی از این حالتها بیشتره!!!
دوم تأثیر توپوگرافی و جهت شیب بر روی شدت پراکنش است. شیب به سمت ماهواره باعث میشه شدت پراکنش افزایش پیدا کنه و سمت مخالف کاهش پیدا میکنه. بنابراین هدف (برنج، درخت و…) بر حسب اینکه رو کدوم سمت یک تپه قرار داشته باشند مقادیر کاملاً متفاوتی در پراکنش میدهند.!! برای حل این موضوع چه پیشنهادی دارید. در مناطقی که شیب کاملاً به سمت ماهواره است. شدت پراکنش به اندازه ساختمان های مسکونی (کرنر رفلکتور) افزایش پیدا میکنه و باعث خطا میشه. آیا برای حل این موضع نکته ای دارید بفرمایید؟ (مثلا با اعمال توپوگرافی نتایج رو بهبود بخشید؟)
با سلام و احترام
ممنون از به اشتراک گذاشتن نقطه نظرات شما.
من مطالعات عمیقی روی موضوعات پردازشی داده های راداری نداشتم.
در کارهایی که اخیرا انجام دادم استفاده از روش Terrain Flatenning برای برطرف کردن اثر توپوگرافی در داده های راداری مناسب بود.
موفق باشید
سلام
وقت شما بخیر
حدود 200 تا نمونه تعلیمی گرفتم. بعد دو سه هفته که برنامه رو باز کردم. نمونه ها به حالت خطوط برنامه نویسی در اومدند و باید دونه دونه گزینه کانورت رو بزنم.
این کار زمانبر و وقتگیره. شما با چنین مشکلی بر خوردید؟ چکار باید کرد؟
با سلام و احترام
اگر نمونه ها به این حالت تبدیل شده باید یک بار صفحه رو ببندید و دوباره باز کنید. سنگینی بیش از اندازه کد و تعداد نمونه های خیلی زیاد به همراه سرعت پایین اینترنت باعث ایحاد این مشکل میشه.
موفق باشید
سلام و وقت بخیر
ممنونم بابت آموزش کاربردی
برای این روش و آموزش مقاله‌ای دارید که بتونیم رفرنس بدیم؟
با سلام و احترام
خیر در حال حاضر رفرنسی ندارم اما با کلمه کلیدی crop type mapping by multi temporal NDVI سرچ کنید مقالات بسیار زیادی در این زمینه خواهید یافت.
موفق باشید
سلام جناب احراری. لینک کدهای نوشته شده برای این آموزش رو چگونه میتونیم دریافت کنیم؟ در پکیج آموزشی آنالیز سری زمانی گیاهان تحت کشت دیم و آبی فولدر کدها وجود داشت ولی این آموزش فقط حاوی فیلم آموزشی بود. ممنون میشم اسکریپت این آموزش رو هم در اختیارم قرار بدین.
با سلام و احترام
برخی از محصولات فاقد کدهای آموزشی هستند. اگر به کد آن احتیاج دارید اسم کدی که در آموزش ذخیره سازی کردم با پیشوند example را بفرمایید تا لینکش رو اینجا براتون بزارم.
موفق باشید
سلام مجدد جناب احراری. اسم کد که در آموزش ذخیره کردید example_31 بود. ممنون از شما
خدمت شما
https://code.earthengine.google.com/8a3a27f479445ef06b3ae1943ae80f41
موفق باشید