نوع مقاله : مقاله پژوهشی

نویسندگان

• رحمان باریده
• فرشته نسیمی

urmia

چکیده

در چند دهه اخیر با پیشرفت علم و تنوع ماهواره‌های نوری و راداری امکان پایش و تفکیک محصولات کشاورزی در سطح وسیع فراهم شده است. اما یکی از چالش‌های اصلی در طبقه‌بندی تصاویر ماهواره‌ای، تعداد نمونه‌های آموزشی مورد نیاز است. بنابراین هدف از این تحقیق بررسی ارتباط بین تعداد نمونه‌های آموزشی و دقت طبقه‌بندی اراضی برنج و غیربرنج بود. برای این منظور از تصاویر ماهواره‌های سنتینل 1 و 2 و طبقه‌بندی کننده جنگل تصادفی در پلتفرم گوگل ارث انجین استفاده گردید. در مجموع 2500 نمونه برنج و 9500 نمونه غیربرنج در محدوده مطالعاتی تهیه گردید و تعداد 100 اجرای متفاوت با تعداد نمونه‌های آموزشی مختلف انجام شد. نتایج نشان داد که سری زمانی تصاویر سنتینل 1 امکان متمایز کردن مزارع برنج از غیر برنج را با دقت بالایی امکان‌پذیر می‌کند. بنابراین ورودی‌های طبقه‌بندی­کننده جنگل تصادفی شامل شیب ضریب باز پراکنش، اختلاف حداکثر و حداقل ضریب باز پراکنش و شاخص NDVI بودند. نتایج نشان داد که افزایش تعداد نمونه‌های آموزشی با افزایش دقت طبقه‌بندی رابطه غیرخطی دارد و با افزایش تعداد نمونه‌ها دقت کاهش پیدا می‌کند. بیشترین دقت کلی (89 درصد) و ضریب کاپا (86/0) زمانی به دست آمد که از یک نمونه آموزشی در هر 181 هکتار از مزارع برنج و یک نمونه آموزشی در هر 669 هکتار از کاربری‌های غیر برنج استفاده گردید. با افزایش دو برابری تعداد نمونه‌ها دقت کلی و ضریب کاپا به ترتیب برابر 87% و 84/0 به دست آمد. بنابراین نتایج نشان می‌دهد که صرفاً افزایش تعداد نمونه‌های آموزشی باعث افزایش دقت طبقه‌بندی نمی‌شود.

کلیدواژه‌ها

• سری زمانی
• جنگل تصادفی
• ماهواره راداری
• گوگل ارث انجین

عنوان مقاله [English]

The relationship between training sample size and rice classification accuracy using Sentinel 1 and 2 Case study: Mazandaran, Iran

نویسندگان [English]

• rahman Barideh
• fereshteh nasimi

urmia