بهبود طبقه‌بندي رقومي محصولات كشاورزي در تصاوير چندزمانه با استفاده از اطلاعات بافت در شهرستان قروه

Classification Performance Improvement of Agricultural Crops in Multi-temporal Images Using Textural Information in Ghorveh County

مشخصه‌هاي استخراج‌شده از تصاوير ماهواره‌اي تك‌زمانه نمي‌تواند در طبقه‌بندي محصولات كشاورزي به صحت بالاي طبقه‌بندي منتج شود؛ بدين سبب، استفاده از تصاوير چندزمانه و اطلاعات بافت اين تصاوير در پژوهش حاضر بررسي شده است. اين تحقيق تفكيك چهار محصول يونجه، گندم، سيب‌زميني و خيار را در شهرستان قروه، با استفاده از تصوير تك‌زمانه و چندزمانه (ASTER & SPOT5)، بررسي مي‌كند. اين تحقيق هفت تصوير مربوط به هفت زمان متفاوت را بررسي كرده و با استفاده از جدول تفكيك‌پذيري، به اين نتيجه رسيده كه تصوير 11 تير بهترين تصوير تك‌زمانه و تركيب 11 تير و 21 مهر بهترين تصوير دوزمانه است. در تحقيق حاضر، از روشGLCM براي استخراج بافت استفاده شده است. براي استخراج شاخص‌هاي بافت از اين روش، اندازه تقريبي پنجره با استفاده از واريوگرام تعيين شد و سپس شاخص‌هاي به‌دست‌آمده با باندهاي طيفي تصوير تك‌زمانه و دوزمانه تركيب شدند. سپس طبقه‌بندي با استفاده از انواع تركيبات تصوير تك‌زمانه و دوزمانه و شاخص‌هاي گوناگون اجرا شد. در طبقه‌بندي طيفي بهترين تصوير تك‌زمانه (11 تير)، صحت كلي طبقه‌بندي حدود 24% بيشتر از كمترين صحت طبقه‌بندي مربوط به تصوير 10 مرداد (76.02% در برابر 52.28%) به‌دست آمد. صحت طبقه‌بندي با استفاده از تصوير دوزمانه به حداكثر مي‌رسد و با اضافه‌كردن تصاوير بعدي، افزايشي ندارد. در تصوير پنج‌زمانه، صحت طبقه‌بندي از تصوير دوزمانه بيشتر مي‌شود اما، با اضافه‌كردن شاخص‌هاي بافت، حدود 5% از صحت طبقه‌بندي دوزمانه با شاخص‌هاي بافت كاسته شد. بدين‌ترتيب مشخص مي‌شود كه بافت مي‌تواند نقشي بيشتر از چند تصوير داشته باشد. بهترين طبقه‌بندي در بهترين تركيب دوزمانه (11 تير و 21 مهر) به‌دست آمد (97.48%). در تصاوير تك‌زمانه، تصوير 11 تير بالاترين صحت طبقه‌بندي (95.2%) را به‌دست آورد. نتايج نشان داد كه استفاده از تصاوير چندزمانه به‌همراه شاخص‌هاي بافت، درمقايسه با روش‌هاي مرسوم (بدون استفاده از شاخص‌هاي بافت يا تصاوير چندزمانه)، دقت بسيار بالاتري دارد.

Features extracted from single-date satellite images can not lead to high accuracy in crop classification. As a result, in this article use of multi-temporal images and textural information is assessed. This research evaluates discrimination of four crops i.e. alfalfa, wheat, potato and cucumber in Ghorveh county (Kordestan province) with single-date and multi-temporal images (SPOT5 & ASTER). Seven images of four different months were obtained and separability analyses determined optimal scene combination (i.e. July 2nd image for single-date image and July 2nd – October 21st for two-date image) for classification. GLCM method has been used for extracting textural information. Approximate window size was determined with variogram, then extracted features were stacked with single-date and two-date spectral bands. The best single-date image overall accuracy (classification without texture) was 24% higher than the worst single-date image accuracy (76.02% versus 52.28%). Accuracy in two-date image reached to the highest levels (89.61%) and only five-date image has higher accuracy than two-date image, but with adding texture features to five-date image, accuracy decreased 5% lower than two-date image with texture features. This can indicate that texture has more importance than multi-date images. The highest classification accuracy was reached with the best two-date image (97.48%). In single-date images, July 2nd image reached to highest classification accuracy (95.2%). Results indicated using multi-temporal images along with texture features has very higher accuracy in comparison to conventional methods (without texture features or multi-temporal images).