آشكارسازي زمين‌هاي زراعي زعفران در سري زماني تصاوير ماهواره‌اي سنتينل-2 به كمك روش تخمين تنك

امروزه مديريت محصولات كشاورزي از طريق فن‌آوري سنجش از دور جايگاه ويژه‌اي در ميان مديران و تصميم‌گيران حوزه‌ي كشاورزي پيدا كرده است. زعفران با عنوان طلاي سرخ، يكي از محصولات كشاورزي خاص ايران و با ارزش اقتصادي بالا محسوب مي‌شود كه در حوزه‌هاي مختلف دارويي و غذايي مورد استفاده قرار مي‌گيرد. بواسطه‌ي ويژگي‌هاي كاشت اين محصول، در يك زمين زراعي نمي‌توان بطور پايدار زعفران استحصال نمود. بر اين اساس، سطح زيركشت اين محصول هرساله متغير بوده و پيش‌بيني و برآورد سالانه سطح آن مي‌تواند براي اهداف مديريتي كارآمد باشد. در اين مقاله با مبنا قرار دادن رفتار فنولوژيكي زمين­هاي زراعي زعفران، راهكاري به منظور آشكارسازي اين زمين­هاي زراعي از طريق الگوريتم‌هاي آشكارسازي هدف با استفاده از سري زماني شاخص تفاضلي گياهي نرمال شده مستخرج از تصاوير ماهواره‌‌اي سنتينل-2 پيشنهاد شده است. رويكرد آشكارسازي زمين‌هاي زعفران در اين تحقيق مبتني بر تخمين تنك پاسخ زماني– طيفي سري ‌زماني از طريق يك واژه نامه متشكل از پاسخ زماني– طيفي زمين‌هاي زعفران و نمونه‌هاي پس‌زمينه مي‌باشد. در اين روند، ساختار زيرماتريس واژه نامه عناصر پس‌زمينه بصورت اتفاقي و مبتني بر خوشه‌بندي فضاي ويژگي توليد شده و در ادامه به منظور حفظ تفكيك‌پذيري با نمونه‌هاي هدف، فيلترگذاري شده‌اند. نتايج پياده‌سازي اين ايده در سه منطقه‌ مورد آزمون در شهرستان نيشابور بطور متوسط دقت 1/93 درصدي را بدنبال داشته و در مقايسه با روش‌هاي آشكارسازي CEM، ACE، MF و طبقه‌بندي‌كننده‌هاي متوازي‌السطوح و SVM بطور متوسط بهبود 8/4 درصدي را داشته است.

Nowadays, agricultural management via remote sensing technology has gained a special position among managers and the people who are in charge of this industry. Saffron (Red Gold) is one of specific Iran’s agricultural products with a high economic valance which is used in different fields of food and medical industries. Considering the cultivation conditions of the saffron, there has not a persistent condition to plant in farmland, and it could not be recommended to plant saffron on the same land continuously. So, their cultivation area varies every year and the prediction of annual yields could be useful for managing aims. In this paper, considering the phenological behavior of the saffron farmlands, the detection of these farmlands using a novel target detection algorithm is proposed. To do so, a time series of the Normalized Difference Vegetation Index (NDVI) extracted from Sentinel-2 satellite images have been used as the indicator of the phenological of cultivation areas. In the proposed method, a sparse representation method is used as the target detector. In this procedure, each pixel of the NDVI time series is reconstructed through a dictionary consists of the spectra-temporal response of the saffron farmland and background samples. The sub-dictionary of the background samples has randomly sampled from a clustered feature space spanned by time series pixels. A filtering step has also been designed to avoid the selection of the target-like samples in the sub-dictionary of the backgrounds. On average, the results achieved in three different datasets in the Neyshabour city have reached 93.1% accuracies. Also, the proposed method in comparison with the well-known target detectors CEM, ACE, MF, and the parallelepiped and SVM classifiers have been indicated, on average, the 4.8% accuracy improvements