فهرست نشریات علمی دسترسی آزاد ایران

مقدمه: استفادۀ بهینه از زمین‌های کشاورزی یکی از دغدغه‌های مسئولان است زیرا کشاورزی ازنظر اشتغال‌زایی، ارزآوری، تأمین امنیت غذایی کشور و وابستگی کمتر به ارز خارجی دارای اهمیت بسیار است. به دست آوردن اطلاعات دربارۀ الگوی توزیع مکانی و سطح زیرکشت محصولات زراعی می‌تواند به استفادۀ کارآمد از آن‌ها کمک ‌کند. ازجملۀ روش‌های مناسب به‌منظور حصول اطلاعات درمورد سطح زیرکشت محصولات زراعی، بهره‌گیری از تصاویر ماهواره‌ای است. حوزۀ سنجش‌ از‌ دور، با امکان ارائۀ تصاویر دارای قدرت تفکیک‌های مناسب و همچنین پوشش مکانی و زمانی وسیع، به رویکردی غالب برای استخراج سطح زیرکشت و‌ پایش محصولات زراعی تبدیل شده است. یکی از داده‌های سنجش‌ازدوری که اخیراً در حوزۀ نقشه‌برداری نوع محصول زراعی مورد توجه قرار گرفته، تصاویر همدوسی تداخل‌سنجی رادار دریچۀ مصنوعی است که به‌دلیل حساسیت بالا به ساختار محصولات زراعی، به نظارت و نقشه‌برداری آن‌ها کمک بسیاری می‌کند. در منابع جهانی، تصاویر همدوسی  InSARکاربردی گسترده در تحقیقات مرتبط با محصولات زراعی داشته است. این درحالی است که در ایران، بهره‌گیری از داده‌های همدوسی برای پایش فنولوژی و تفکیک محصولات زراعی گوناگون، به‌ر‌غم توانایی‌های منحصربه‌فرد آن، چندان مورد توجه قرار نگرفته است. از‌این‌رو ارزیابی کارآیی داده‌های همدوسی و قابلیت‌های آن‌ها برای اتخاذ سیاست‌های مدیریت کشاورزی بهینه در ایران می‌تواند بسیار کارساز باشد.روش‌شناسی: هدف اصلی مطالعۀ حاضر ارزیابی کارآیی داده‌های همدوسی مبتنی‌بر یادگیری ماشین، به‌منظور نقشه‌برداری نوع محصول زراعی است. بدین‌منظور سری زمانی یک‌ساله‌ای متعلق به سال زراعی 1398 (2019 میلادی)، از داده‌های همدوسی دارای اطلاعات فاز ماهوارۀ سنتینل‌– 1، درمورد بخشی از اراضی دشت اردبیل واقع در غرب و شمال‌غرب شهر اردبیل، تهیه شد. در ‌این راستا زنجیره‌ای از جفت تصاویر راداری، با خط‌مبناهای مکانی و زمانی کوتاه، برای تولید داده‌های همدوسی به کار رفت. داده‌های میدانی از 1358 قطعه‌زمین با محصولات متفاوت برداشت شد. در مرز قطعات زراعی، حریمی ده‌متری برای جلوگیری از پیکسل‌های مخلوط در نظر گرفته شد. درمجموع، 156026 پیکسل از تصاویر همدوسی، برای نمونه، برداشت و به‌صورت تصادفی به سه دستۀ آموزشی (70%)، اعتبارسنجی (15%) و آزمایشی (15%) تقسیم شد. به‌منظور انتخاب بازۀ زمانی مناسب برای استفاده از تصاویر همدوسی، پاسخ فنولوژیکی محصولات به همدوسی تحلیل شد. در بازۀ زمانی انتخابی، سیگنال‌های فنولوژیکی محصولات مورد بررسی، با سیگنا‌ل‌های مناطق شاهد ساخته‌شده و خاک لخت، مقایسه شد تا درمورد اختلاط نیافتن آن‌ها اطمینان به دست آید. بدین‌ترتیب داده‌های همدوسی چندزمانه در بازۀ انتخابی، به‌منزلۀ ورودی طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان با کرنل‌های متفاوت، برای تفکیک و شناسایی نوع محصولات زراعی استفاده شدند.نتایج: بررسی مقادیر سری زمانی همدوسی، در مناطق شاهد انتخابی، حاکی از تمایز رفتار همدوسی محصولات زراعی متفاوت، درمقایسه با هم و نیز درقیاس با مناطق ساخته‌شده و خاک لخت است. بر‌این‌اساس داده‌های همدوسی انطباق خوبی با مراحل فنولوژیکی اصلی محصولات زراعی نشان می‌دهند. از میان کرنل‌های گوناگون طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان، کرنل تابع پایۀ شعاعی بیشترین میزان صحت کلی برابر را با 69/59%، با ترکیب متفاوتی از پارامترهای c و گاما در مرحلۀ اعتبارسنجی نشان داد. صحت کلی نقشۀ‌ نوع محصول زراعی تولید‌شده با استفاده از طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان و کرنل تابع پایۀ شعاعی، در مرحلۀ آزمایش، برابر با 6/60% است که بهترین عملکرد را در شناسایی گندم و بدترین را درمورد یونجه داشته است. صحت کاربر، برای گیاهان گندم و سیب‌زمینی، بالاتر و برای گیاهان ذرت، باقلا و یونجه، پایین‌تر است.جمع‌بندی: به‌طور کلی، می‌توان گفت تصاویر همدوسی اطلاعات ارزشمندی به‌منظور شناسایی و تفکیک محصولات زراعی در ایران ارائه می‌دهند. استفاده از قابلیت‌های یادگیری ماشین می‌تواند، در پایش و تفکیک انواع محصولات زراعی، به داده‌های همدوسی کمک کند. در این راستا، عواملی همچون تعداد نمونه‌های آموزشی هر محصول، تعداد ویژگی‌های همدوسی، استفاده از داده‌های مکمل، اختلاف‌منظر سنجنده (خط‌مبنای مکانی)، ویژگی‌های توپوگرافیکی (شیب و جهت)، فاصلۀ زمانی بین تصاویر رادار و نوع الگوریتم طبقه‌بندی تصویر، کارآیی تصاویر همدوسی و طبقه‌بندی‌کننده را تحت تأثیر قرار می‌دهند که باید مورد توجه قرار گیرند.