Journal of Geomatics Science and Technology

fa تعین سطح زیرکشت اراضی برنج با بکارگیری روش یادگیری ماشین و با استفاده همزمان از تصاویر ماهواره ای اپتیک و رادار با روزنه مجازی (مطالعه موردی : شهرستان بابل) Determining the area under rice cultivation using machine learning methods and simultaneous use of optical satellite images and radar with virtual aperture (Case study: Babol city) فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">برنج یکی از محصولات کلیدی کشاورزی در ایران و جهان است و پایش دقیق سطح زیرکشت آن، به‌ویژه تفکیک زمین‌های تک‌کشت از دوکشت، نقشی حیاتی در مدیریت منابع آب و برنامه‌ریزی تولید دارد. استان مازندران به‌عنوان قطب تولید برنج کشور، به دلیل پراکندگی مکانی مزارع و شرایط متنوع محیطی، نیازمند روش‌های نوین برای پایش اراضی کشاورزی است. در این پژوهش، چارچوبی نوین مبتنی بر ترکیب شبکه‌های عمیق پیچشی (CNN) و بازگشتی (RNN) توسعه داده شد که در دو سطح به شناسایی اراضی برنج و تفکیک الگوهای تک‌کشت/دوکشت می‌پردازد. در گام نخست، به‌منظور شناسایی اراضی برنج شهرستان بابل، از معماری شبکه‌ی عصبی U-Net استفاده شد. این مدل در دو سناریو آموزش یافت: (۱) تنها  با داده‌های اپتیکی سنتینل-2 و (۲) با ترکیب داده‌های اپتیکی و راداری (سنتینل-2 و سنتینل-1). نتایج حاصل از آزمایش‌ها نشان داد که مدل مبتنی بر داده‌های اپتیکی سنتینل-2 با صحت کلی 35/96% و امتیاز F1 برابر با 957/0 ارزیابی شد. در حالی‌که انتظار می‌رفت ترکیب داده‌های اپتیکی–راداری موجب بهبود نتایج شود، اما در منطقه‌ی مطالعه به‌دلیل شرایط نسبتاً بدون ابر، مزیت اصلی داده‌های SAR چندان نمایان نشد و همین امر در کنار نیاز به پیش‌پردازش پیچیده‌تر این داده‌ها می‌تواند دلیل کاهش نسبی دقت مدل ترکیبی با صحت‌کلی 32/94 و امتیاز F1 برابر با 93/0 گردید. برای آزمایش قدر تعمیم‌پذیری مدل سه منطقه انتخاب شد: شهرستان ساری به‌عنوان ناحیه‌ای نزدیک به منطقه اصلی، شهرستان لاهیجان منطقه‌ای با فاصله بیشتر و پوشش گیاهی متفاوت‌تر و جنوب تهران به عنوان ناحیه‌ای فاقد کشت برنج. ارزیابی تعمیم‌پذیری نشان داد که مدل در شهرستان ساری نتایج پایدار و دقیق ارائه می‌کند، در حالی‌که در لاهیجان دقت کاهش یافته ولی همچنان با صحت کلی بالای 88% قابل قبول بود. آزمون مدل در زمین‌های فاقد برنج جنوب تهران نیز نرخ خطای بسیار اندک (14/2%) را نشان داد که بیانگر توانایی بالای مدل در تشخیص مناطق غیرشالیزاری است. در گام دوم، برای تفکیک زمین‌های تک‌کشت و دوکشت، شبکه بازگشتی GRU به‌کار گرفته شد. این مدل توانست با صحت کلی 4/98%، ضریب کاپا 951/0 و امتیاز F1 برابر 974/0، عملکرد بسیار مطلوبی در تفکیک مزارع تک‌کشت از دوکشت برنج ارائه دهد. </div> <div style="text-align: justify;">Rice is one of the key agricultural products in Iran and the world, and accurate monitoring of its cultivated area, especially the separation of monoculture and double-cropping, plays a vital role in water resources management and production planning. Mazandaran province, as the country's rice production hub, requires new methods for monitoring agricultural lands due to the spatial dispersion of farms and diverse environmental conditions. In this study, a new framework based on the combination of deep convolutional networks (CNN) and recurrent networks (RNN) was developed, which identifies rice lands and distinguishes monoculture/double-cropping patterns at two levels. In the first step, the U-Net neural network architecture was used to identify rice lands in Babol County. This model was trained in two scenarios: (1) with Sentinel-2 optical data only and (2) with a combination of optical and radar data (Sentinel-2 and Sentinel-1). The results of the experiments showed that the model based on Sentinel-2 optical data was evaluated with an overall accuracy of 96.35% and an F1 score of 0.957. While it was expected that the combination of optical-radar data would improve the results, in the study area, due to the relatively cloudless conditions, the main advantage of SAR data was not very apparent. This, along with the need for more complex preprocessing of these data, could be the reason for the relative decrease in the accuracy of the combined model with an overall accuracy of 94.32 and an F1 score of 0.93. Three regions were selected to test the generalizability of the model: Sari County as an area close to the main area, Lahijan County as an area with a greater distance and more diverse vegetation, and south Tehran as an area without rice cultivation. The generalizability assessment showed that the model provided stable and accurate results in Sari County, while in Lahijan, the accuracy decreased but was still acceptable with an overall accuracy of over 88%. Testing the model in rice-free lands south of Tehran also showed a very low error rate (14.2%), indicating the high ability of the model to distinguish non-rice fields. In the second step, the GRU recurrent network was used to distinguish monoculture and biculture lands. This model was able to provide a very good performance in distinguishing monoculture and biculture rice fields with an overall accuracy of 98.4%, a kappa coefficient of 0.951, and an F1 score of 0.974.</div> سطح زیرکشت برنج, یادگیری عمیق, شبکه عصبی پیچشی, شبکه عصبی‌ بازگشتی, سنتینل-1, سنتینل-2 Rice Crop Area, Deep learning, CNN,RNN,Sentinel1, Sentinel2 0 0 http://jgst.issgeac.ir/browse.php?a_code=A-10-177-2&slc_lang=fa&sid=1 Ali لخخیشقظ روح الله گودرزی aliramzannezhad1454@gmail.com 100319475328460011217 100319475328460011217 No KNTU دانشگاه صنعتی خواجه نصیر الدین طوسی علی رمضان نژاد Rgoodarzi@mail.kntu.ac.ir 100319475328460011218 100319475328460011218 No دانشگاه صنعتی خواجه نصیر الدین طوسی محمودرضا صاحبی Sahebi@kntu.ac.ir 100319475328460011219 100319475328460011219 Yes دانشگاه صنعتی خواجه نصیر الدین طوسی