شناسایی مزارع پنبه با مدل درختی C5 و سری زمانی تصاویر لندست (مطالعه موردی: استان گلستان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 موسسه تحقیقات پنبه کشور سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران

2 گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران. 3 دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.

3 دانش‌آموخته دکتری علوم و مهندسی آب-آبیاری زهکشی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان

4 موسسه تحقیقات پنبه کشور

5 پژوهشگر پسادکتری، گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان

6 دانشیار، گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

10.22092/ijcr.2026.372160.1253

چکیده

سابقه و هدف: پایش دقیق الگوی کشت و تفکیک محصولات زراعی در مقیاس منطقه‌ای، از ارکان اساسی مدیریت پایدار منابع آب و برنامه‌ریزی کارآمد کشاورزی به‌شمار می‌رود. در این پژوهش، عملکرد مدل طبقه‌بندی درخت تصمیم C5 در شناسایی محصولات زراعی، با تأکید بر محصول پنبه، در اراضی کشاورزی شهرستان‌های گرگان، علی‌آباد و آق‌قلا واقع در استان گلستان با استفاده از تصاویر ماهواره‌ای لندست 8 و 9 مورد ارزیابی و مقایسه قرار گرفت. مدل درختی مورد استفاده در این پژوهش به شکل گام به گام اجراء شده که ضمن غلبه بر مشکل حریصانه الگوریتم درختی، متعیرهای مؤثر در مدل را نیز شناسایی می‌کند.
 
مواد و روش‌ها: بدین منظور، سه مقطع زمانی 16 مرداد، 9 شهریور و دوم مهر به‌منظور تعیین مناسب‌ترین مرحله فنولوژیک فصل رشد برای دستیابی به بیشینه دقت تفکیک پنبه در داده‌های چندطیفی انتخاب شد. فرآیند طبقه‌بندی با بهره‌گیری از الگوریتم C5  به‌عنوان یک مدل قانون‌محور با قابلیت انتخاب خودکار ویژگی‌ها انجام گرفت. مجموعه‌ای از شاخص‌های پوشش گیاهی و رطوبتی شامل NDVI، EVI، GNDVI، SAVI، NDWI  و NMDI به‌همراه باندهای طیفی مرئی، فروسرخ نزدیک (NIR) و فروسرخ کوتاه‌موج (SWIR) به‌عنوان ورودی مدل مورد استفاده قرار گرفتند.
 
یافته‌ها: نتایج مقایسه‌ای ماتریس خطا نشان داد که تاریخ دوم مهر بالاترین دقت کلی طبقه‌بندی محصولات زراعی را با مقدار 10/88 درصد ارائه می‌دهد؛ در حالی‌که تاریخ‌های 16 مرداد و 9 شهریور به‌ترتیب دقت‌های 6/83 و 3/82 درصد را ثبت کردند. همچنین، محصول پنبه در تاریخ دوم مهر با دقت 8/86 درصد، نسبت به سایر تاریخ‌ها با موفقیت بیشتری شناسایی شد. هم‌زمانی این تاریخ با مرحله بلوغ کامل گیاه پنبه، که با کاهش کلروفیل، باز شدن غوزه‌ها، تغییر ساختار تاج پوشش و افزایش بازتاب در باندهای قرمز و SWIR همراه است، موجب ایجاد امضای طیفی متمایز پنبه نسبت به سایر محصولات زراعی می‌شود.
نتیجه‌گیری: این ویژگی‌ها سبب افزایش جدایش‌پذیری طیفی و در نتیجه بهبود عملکرد مدل طبقه‌بندی در این مقطع زمانی شده است. بر این اساس، انتخاب تاریخ دوم مهر به‌عنوان تاریخ مرجع و به‌کارگیری مدل C5 در این مرحله فنولوژیک، می‌تواند دقت شناسایی و نقشه‌برداری مزارع پنبه را در مطالعات پایش کشاورزی به‌طور معناداری ارتقا دهد.
 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Identification of Cotton Fields Using the C5 Decision Tree Model and Landsat Time-Series Imagery (Case study: Golestan Province)

نویسندگان [English]

  • Ghorban Ghorbani NasrAbad 1
  • Khalil Ghorbani 2
  • maryam mazidi 3
  • Ebrahim, MollaAli 4
  • Laleh rezaei 5
  • choghi Komaki 6
  • Abdolreza Gharanjiki 4
1 Cotton Research Institute of Iran, Agricultural Research, Education and Extension Organization, (AREEO) Gorgan, Iran
2 Headquarters, Department of Water Engineering, Faculty of Water and Soil Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
3 PhD student in Water Science and Engineering - Irrigation and Drainage, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan
4 Agricultural Research, Education and Extension Organization (AREEO), Gorgan, Iran
5 Postdoctoral Researcher, Department of Water Engineering, Faculty of Water and Soil Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan
6 Associate Professor, Department of Desert Areas Management, Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
چکیده [English]

Background and Objective: Accurate monitoring of crop cultivation patterns and crop separation at a regional scale is considered to be one of the fundamental requirements of sustainable water resources management and efficient agricultural planning. This study aims to evaluate and compare the performance of the C5 decision tree classification model in crop identification, with a particular focus on cotton, using Landsat 8 and 9 satellite imagery over the agricultural lands of Gorgan, Aliabad, and Aqqala counties in Golestan Province. The tree-based model used in this research was implemented stepwise, effectively reducing the greedy nature of the decision tree algorithm and identifying the most influential variables within the model.
 
Materials and Methods: For this purpose, three time periods of August 6, August 31, and September 23 were selected to determine the most appropriate phonological stage of the growing season to achieve maximum cotton separation accuracy in multispectral data. The classification process was performed using the C5 algorithm as a rule-based model with automatic feature selection capability. A set of vegetation and moisture indices including NDVI, EVI, GNDVI, SAVI, NDWI and NMDI along with visible, near-infrared (NIR) and short-wave infrared (SWIR) spectral bands were used as input datasets.
 
Results: The comparative results of the error matrix showed that the date of September 23 provided the highest overall crop classification accuracy with a value of 88.10%; while the dates of August 6 and August 31 recorded accuracies of 83.6% and 82.3%, respectively. Also, the cotton crop was identified more successfully on the date of September 23 with an accuracy of 86.8% compared to other dates. The coincidence of this date with the full maturity stage of the cotton plant, which is accompanied by a decrease in chlorophyll, opening of bolls, a change in canopy structure and an increase in reflectance in the red and SWIR bands, creates a distinctive spectral signature of cotton compared to other crops.
 
Conclusion: These features have increased spectral separability and consequently improved the performance of the classification model at this time point. Accordingly, choosing the 23rd of September as the reference date and using the C5 model at this phonological stage can significantly improve the accuracy of identifying and mapping cotton fields in agricultural monitoring studies.
 

کلیدواژه‌ها [English]

  • Crop classification
  • optical satellite
  • C5
  • spectral indices

فایل ها

هم رسانی

ارجاع به این مقاله

آمار