برآورد سطح زیر کشت برنج در استان گیلان با استفاده از فناوری سنجش از دور و سامانه GEE

نوع مقاله : مقاله پژوهشی

نویسندگان

1 موسسه تحقیقات برنج کشور . سازمان تحقیقات، آموزش و ترویج کشاورزی، رشت ، ایران

2 استاد گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران

3 موسسه تحقیقات برنج کشور، سازمان تحقیقات، آموزش و‌‌ ترویج ‌کشاورزی، رشت، ایران

چکیده

کمبود آب، افزایش هزینه‌های تولید، تغییر کاربری اراضی و افزایش تقاضا برای غذا سبب شده تا پایش دقیق مکانی و زمانی سطح زیر کشت برنج به عنوان یک محصول استراتژیک، برای برنامه ریزان و تصمیم‌گیران دارای اهمیت فوق‌العاده‌ای باشد.  روش‌های میدانی برآورد سطح زیر کشت محصولات در سطوح وسیع، هزینه‌بر و زمان‌بر است اما فناوری سنجش از دور داده های لازم را با سرعت زیاد و هزینه اندک در اختیار مدیران قرار میدهد. هدف از این پژوهش، استفاده از تصاویر سنجش از دور در برآورد سطح زیر کشت برنج در استان گیلان با بکارگیری بهترین روش طبقه‌بندی نظارت شده است. از این رو تصاویر ماهواره سنتینل 2 با استفاده از 6 روش طبقه‌بندی نظارت شده شامل روش‌های ML، CART، RF، SVM، GME و RF-NDVI تحلیل شد. روش ML در محیط ENVI و بقیه روش‌ها با محاسبات در فضای ابری محیط GEE انجام شد. نتایج استفاده از روش‌های طبقه‌بندی نشان داد که روش جنگل تصادفی به همراه شاخص گیاهی NDVI (RF-NDVI) با ضریب کاپای 0/94 و صحت کل 0/90 مقایسه با سایر روش‌ها بالاترین دقت را دارد که نشان‌دهنده تأثیر شاخص گیاهی در برقراری تمایز بین سطح زیر کشت برنج و دیگر کاربری‌ها است. برآورد سطح زیر کشت برنج استان با این روش نشان داد که سطح خالص کل زمین‌های شالیزاری استان گیلان 218135 هکتار است که در مقایسه با آمار موجود سازمان جهاد کشاورزی (238012 هکتار) و شرکت آب منطقه‌ای استان گیلان (245000 هکتار) به ترتیب 8/35%و 10/96%برآورد کمتری است.

کلیدواژه‌ها

عنوان مقاله [English]

Estimating the area under rice cultivation in Guilan province using remote sensing technology and GEE

نویسندگان [English]

  • Mojtaba Rezaei 1
  • Ebrahim Amiri 2
  • Morteza Kamali 3
1 Rice Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Rasht, Iran.
2 Department of Water Engineering, Lahijan Branch, Islamic Azad University, Lahijan, Iran
3 Rice Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Rasht, Iran
چکیده [English]

Lack of water, increase in production costs, change in land use, and increase in demand for food have caused the accurate determination of spatial and temporal monitoring of the paddy fields area to be extremely important for planners and decision makers. Actually, the use of field methods to estimate the cultivated area of crops in large areas is costly and time-consuming, and is associated with errors. Hence, the purpose of this study was to use remote sensing images to estimate the paddy fields area in the Guilan Province by the best classification method. Therefore, Sentinel 2 satellite images were analyzed using 6 supervised classification methods including ML, CART, RF, SVM, GME and RF-NDVI methods in GEE environment. The ML method was performed in the ENVI environment and the rest of the methods were performed in the cloud space of the GEE environment. The results of using the classification methods showed that the Random Forest method along with the NDVI (RF-NDVI) with a kappa coefficient of 0.94 and total accuracy of 0.90 had the highest accuracy compared to the other methods, which shows the effect of the vegetation index in distinguishing between paddy fields and other land uses. This estimation of the area under rice cultivation in the province showed that the net area of the total paddy fields in the province was 218,135 ha. This estimate, compared to the available statistics of the Agricultural Jihad Organization (238,012 ha) and the Regional Water Company of Gilan Province (245,000 ha) was, respectively, 8.35%. and 10.96% less

کلیدواژه‌ها [English]

  • Supervised classification
  • Sentinel-2
  • Satellite images
  • Cloud computing

مراجع

  1. بنیاد، ا. و حاجی قادری، ط. 1386. تهیه نقشه جنگل‌های طبیعی استان زنجان با استفاده از داده‌های سنجنده +ETM ماهواره لندست ۷. نشریه تولید و فرآوری محصولات زراعی و باغی، ۱۱ (۴۲): 638-627.
  2. درودیان، ح. و درودیان، ع.1396. پیامدهای اجتماعی و بوم‌شناختی تغییر بی‌رویه کاربری اراضی کشاورزی. مدیریت اراضی، 5 (2): 97-81.
  3. ریاحی، و.، ضیاییان فیروزآبادی، پ.، عزیزپور، ف. و دارویی، پ. 1398. تعیین و بررسی سطح زیرکشت محصولات زراعی در ناحیه لنجانات با استفاده از تصاویر ماهواره‌ای. تحقیقات کاربردی علوم جغرافیایی (علوم جغرافیایی)، 19(52)، 169-147.
  4. عبیات، د.، عبیات، م. و عبیات، م. 1401. بررسی کارایی روش‌های طبقه‌بندی و شاخص‌های طیفی در برآورد سطح زیرکشت محصولات زراعی شهرستان شوش. آب و خاک (علوم و صنایع کشاورزی)، 36 (4)، 509-493.
  5. علیپور، ف.، آق‌خانی، م.، عباس‌پور فرد، م.ح. و سپهر، ع. 1393. تفکیک محدوده و تخمین سطح زیر کشت محصولات کشاورزی به کمک تصاویر ماهواره‌ای. ماشین‌های کشاورزی، 4(2)، 254-244.
  6. فیضی‌زاده، ب.، خدمت‌زاده، ع. و نیک‌جو، م. 1397. ریز طبقه‌بندی اراضی باغی و زراعی با استفاده از تکنیک‌های پردازش شی پایه و الگوریتم‌های فازی با هدف تخمین سطح زیر کشت. تحقیقات کاربردی علوم جغرافیایی (علوم جغرافیایی)، 18(48)، 216-201.
  7. وزارت جهاد کشاورزی، 1402. آمارنامه کشاورزی (جلد اول: محصولات زراعی). معاونت برنامه‌ریزی اقتصادی، ‌مرکز آمار، فناوری اطلاعات ‌و‌ ارتباطات.
  8. Asmar, E., Vahidnia, M.H., Rezaei, M. and Amiri, E. 2024. Remote sensing-based paddy yield estimation using physical and FCNN deep learning models in Gilan province, Iran. Remote Sensing Applications: Society and Environment, 34, 101199.
  9. Chen, B., Xiao, X., Li, X., Pan, L., Doughty, R., Jinwei Dong, J.M., Qin, Y., Zhao, B., Wu, , Sun, R., Lan, G., Xie, G., Clinton, N. and Giri, C. 2017. A Mangrove Forest Map of China in 2015: Analysis of Time Series Landsat 7/8 and Sentinel-1A Imagery in Google Earth Engine Cloud Computing Platform. ISPRS Journal of Photogrammetry and Remote Sensing, 131, 104-120.
  10. Dong, J. and Xiao, X. 2016. Evolution of regional to global paddy rice mapping methods: A review. ISPRS J. Photogramm. Remote Sens. 119, 214–227.
  11. Fatchurrachman, Rudiyanto, Soh, N., Shah, R.M., Giap, S.G.E., Setiawan, B.I. and Minasny, B. 2022. High-Resolution Mapping of Paddy Rice Extent and Growth Stages across Peninsular Malaysia Using a Fusion of Sentinel-1 and 2 Time Series Data in Google Earth Engine. Remote Sensing. 14 (8), 1-22.
  12. Gascon, F, Bouzinac, C, Thépaut, O, Jung, M, Francesconi, B, Louis, J, Lonjou, V, Lafrance, B, Massera, S, Gaudel-Vacaresse, A. 2017. Copernicus Sentinel-2A Calibration and Products Validation Status. Remote Sensing. 9 (6): 584.
  13. Geli, Z., Xiangming, X., Jinwei, D., Weili, K., Cui, J., Yuanwei, Q., Yuting, Z., Jie, W., Michael, A.M., and Chandrashekhar, B. 2015. Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data. ISPRS J. Photogramm. Remote Sens. 1 (106), 156–171.
  14. Gorelick, N., Hancher, M., Dixon, M. And Ilyushchenko, S. 2017. Google Earth Engine: Planetary-scale Geospatial Analysis for Everyone, Remote Sensing of Environment, 202 (1), 18-27.
  15. Hudait, M. and Patel, P.P. 2022. Crop-type mapping and acreage estimation in smallholding plots using Sentinel-2 images and machine learning algorithms: Some comparisons. Remote Sensing and Space Science, 25 (1): 147-156.
  16. Igué, M., Houndagba, C.J., Gaiser, T. and Stahr, K. 2012. Accuracy of the Land Use/Cover classification in the Oueme Basin of Benin (West Africa). International Journal of AgriScience, 2(2): 174-184.
  17. Jaafari, S.H., and Nazarisamani, A.A. 2013. Comparison between land use/land cover mapping through Landsat and Google Earth imagery. American-Eurasian Journal of Agriculture & Environment Science, 13 (6): 763-768.
  18. Jin, X., Li, Z., Feng, H., Ren, Z. and Li, S. 2020. Deep neural network algorithm for estimating maize biomass based on simulated sentinel 2A vegetation indices and leaf area index. The Crop Journal, 1 (8), 87–97.
  19. Latham, J. 2009. FAO Land Cover Mapping Initiatives. In Proceedings of the North American Land Cover Summit, Washington, DC, USA, 20–22. Environment and Natural Resources Service of the Food and Agriculture Organization of the United Nations (FAO): Rome, Italy, 75–95.
  20. Li, Y., Li, X., Zhang, Y., Peng, D. and Bruzzone, L. 2023. Cost-efficient information extraction from massive remote sensing data: When weakly supervised deep learning meets remote sensing big data. International Journal of Applied Earth Observation and Geoinformation, 120, 103345.
  21. Lillesand, T., Kiefer, R.W. and Chipman, J. 2004. Remote Sensing and Image Interpretation. John Wiley and Sons. New York, p. 720.
  22. Liu, X., Hu, G., Chen, Y., Li, X., Xu, X., Li, S., Pei, F. and Wang, S. 2018. High-Resolution Multi-Temporal Mapping of Global Urban Land Using Landsat Images Based on the Google Earth Engine Platform. Remote Sensing of Environment, 209, 227-239.
  23. Lu, D., Moran, E. and Batistella. M. 2003. Linear mixture model applied to Amazonian vegetation classification. Remote Sensing of Environment. 87: 456-469.
  24. Moussavi, S.A., Abbaszadeh Tehrani, N., and Janalipour, M. 2020. Estimation of wheat area cultivation using Sentinel 2 satellite images, Case study: Sojasroud Region, Khodabandeh City, Zanjan Province. Environmental Research and Technology, 7(7): 77-90.
  25. Nguyen-Thanh, S., Chi-Farn, C., Cheng-Ru, C. and Horng-Yuh, G., 2020. Classification of multitemporal Sentinel-2 data for field-level monitoring of rice cropping practices in Taiwan. Adv. Space Res. 1, 65.
  26. Nyaga, J.W., Markert, K.N., Thomas, A.B., Mugo, R.M., Wahome, A.M. and Irwin, D. Water Quality Monitoring of In Land Lakes in East Africa. AGUFM, 40 (1), 1-7.
  27. Pageot, Y., Baup, F., Inglada, J., Baghdadi, N., and Demarez, V. 2020. Detection of irrigated and rainfed crops in temperate areas using Sentinel-1 and Sentinel-2 time series. Remote Sensing, 12(18):
  28. Remy, F., Vincent, B., David, C. and Gerard, D. 2020. Combined use of multi-temporal Landsat-8 and Sentinel-2 images for wheat yield estimates at the intra-plot spatial scale. Agronomy, 1 (10), 327.
  29. Rezaei, M., Shahnazari, A., Raeini Sarjaz, M. and Vazifedoust, M. 2016. Improving agricultural management in a large-scale paddy field by using remotely sensing data in the CERES-Rice model. Irrigation and drainage, 65: 224-228
  30. Sarker, I.H. 2021. Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science. 2 (160).
  31. Soler-Perez-Salazar, M.J., Ortega-García, N., Vaca-Mier, M. and Cram-Hyedric, S. 2021. Maize and sorghum field segregation using multi-temporal Sentinel-2 data in Central Mexico. Society of Photo-Optical Instrumentation Engineers, 1 (15), 024513.
  32. Teluguntla, P., Thenkabail, P.S., Oliphant, A., Xiong, J., Gumma, M.K., Congalton, R.G., Yadav, K. and Huete, A. 2018. A 30-m Landsat-Derived Cropland Extent Product of Australia and China Using Random Forest Machine Learning Algorithm on Google Earth Engine Cloud Computing Platform, ISPRS Journal of Photogrammetry and Remote Sensing, 144, 325-340.
  33. Thenkabail, P.; Lyon, J.G.; Turral, H. and Biradar, C. 2009. Remote Sensing of Global Croplands for Food Security; CRC Press: Boca Raton, FL, USA.
  34. Verde, N.; Kokkoris, I.P.; Georgiadis, C.; Kaimaris, D.; Dimopoulos, P.; Mitsopoulos, I. and Mallinis, G. 2020. National Scale Land Cover Classification for Ecosystem Services Mapping and Assessment, Using Multitemporal Copernicus EO Data and Google Earth Engine. Remote Sens., 12 (20):
  35. Xiong, J., Thenkabail, P., Gumma, M., Teluguntla, P., Poehnelt, J., Congalton, R., Kamini, Y. and Thau, D. 2017. Automated Cropland Mapping of Continental Africa Using Google Earth Engine Cloud Computing. Journal of Photogrammetry and Remote Sensing, 126, 225-244
  36. Zhang, B., Chen, Z., Peng, D., Benediktsson, J.A., Liu, B., Zou, L. and Li J. 2019. Plaza A. Remotely sensed big data: Evolution in model development for information extraction. Proceedings of the IEEE, 107 (12), 2294-2301.
  37. Zhao, R.; Li, Y. and Ma, M. 2021. Mapping Paddy Rice with Satellite Remote Sensing: A Review. Sustainability.13 (2), 503.

 

 

پژوهش های خاک
دوره 38، شماره 2
شهریور 1403
صفحه 113-124

فایل ها

هم رسانی

ارجاع به این مقاله

آمار