امروزه داشتن نقشه کشت در مطالعات کشاورزی از اهمیت بالایی برخوردار است. داشتن نقشه کشت در سطوح مطالعاتی مختلف گام اول در بررسی تغییرات الگو کشت در سال های مختلف، برآورد تبخیر و تعرق، ارزیابی مصرف آب در بخش کشاورزی، شناسایی گیاهان با مصرف آب زیاد، راندمان آبیاری و در نهایت اتخاذ تصمیم های کلان و خرد برای بخش کشاورزی در یک منطقه می باشد. در این مقاله سعی می شود تا به طور کامل و به صورت گام به گام نحوه تولید نقشه کشت از طبقه بندی تصاویر ماهواره Sentinel-2 در فضای Google Earth Engine آموزش داده شود.
اهمیت طبقه بندی تصاویر ماهواره ای
تهیه نقشه کشت به کمک جمع آوری داده های میدانی بسیار دشوار است به خصوص زمانی که قرار است اینکار در سطح مطالعاتی وسیع انجام شود. در عمل داده های محصولات کشت شده در محدوده مطالعاتی عمدتاً به صورت نقطه ای ثبت می شود. از این رو نمی توان انتظار داشت که مرزهای زمین های کشاورزی را بتوان به خوبی پیاده سازی کرد.
از این رو استفاده از تکنیک های طبقه بندی تصاویر ماهواره ای به منظور شناسایی عوارض مختلف زمین گزینه ای جذاب و اجتناب ناپذیر در بحث الگوهای کشت یک منطقه است. طبقه بندی تصاویر ماهواره ای می تواند بسته به دقت مورد نیاز بر روی تصاویر بازتابی ماهواره MODIS با دقت مکانی 250 متر، تصاویر بازتابی ماهواره لندست با دقت 30 متر و در نهایت تصاویر ماهواره Sentinel -2 انجام شود. در ماهواره Sentinel-2 با انتخاب صحیح باندهای بازتابی می توان دقت مکانی 10 متر را انتظار داشت.
چرا گوگل ارث انجین
در این مقاله تهیه نقشه کشت به کمک پردازش تصاویر ماهواره ای در فضای GEE آموزش داده می شود. دلایل مختلفی برای ترغیب مختصصان علوم سنجش از دور و سایر علوم زمین و جغرافیا برای استفاده از سامانه GEE وجود دارد که در صورت علاقه مند بودن، می توانید مقاله منتشر شده در این باب با عنوان آشنایی با سامانه Google Earth Engine را از لینک زیر دریافت نمایید.
آشنایی با سامانه Google Earth Engine
در تولید نقشه کشت می توان چند دلیل عمده برای توجیه استفاده از GEE برشمرد:
دلیل اول: تصاویر بازتابی ماهواره مهم ترین ورودی برای تهیه نقشه کشت است. در سامانه GEE تصاویر بازتابی ماهواره های MODIS، Landsat و Sentinel به طور کامل پوشش داده شده است. از طرفی این تصاویر دارای تصحیحات اتمسفری لازم نیز می باشند که نکته ای مهم در بحث محاسبه شاخص های طیفی است.
دلبل دوم: در فضای GEE به خوبی می توان انواع شاخص های طیفی از قبیل شاخص های طیفی گیاه را با استفاده از توابع داخلی کد نویسی کرد. با این کار می توان تصاویر بازتابی را به سرعت به شاخص های طیفی به عنوان ورودی اصلی الگوریتم های طبقه بندی تبدیل کرد.
دلیل سوم: با توجه به وسعت ناحیه مطالعاتی ممکن است برای پوشش یک منطقه نیاز به چندین تایل تصویر باشد. در فضای GEE کافی است که ناحیه مطالعاتی تعریف شود و نوع تصاویر نیز انتخاب شود. تایل های تصاویر به طور خودکار با یکدیگر ترکیب می شود و می تواند به کمک توابع داخلی مناسب، تصویر نهایی را بر اساس مرزهای منطقه مطالعاتی برش زد. در عمل اینکار براحتی برش زدن یک تصویر در محیط هایی همچون ArcGIS، Google Earth Pro، Envi و غیره است. این موضوع زمانی اهمیت پیدا می کند که شما خواسته باشید برای یک ناحیه مطالعاتی بزرگ تهیه نقشه کشت را داشته باشید.
به عنوان نمونه اگر خواسته باشید اینکار را در فضای Envi انجام دهید، نیاز خواهید داشت تا تمامی تایل های تصویر را به درستی انتخاب و دانلود نمایید. در نظر داشته باشید که این تایل ها باید در چند زمان مختلف نیز دانلود شود. پس در عمل نیاز به صرف هزینه و زمان زیادی خواهید داشت. در صورتی که اینکار در GEE در چندین ثانیه پس از کد نویسی مناسب قابل اجرا است.
دلیل چهارم: برای طبقه بندی تصاویر ماهواره نیاز به انتخاب داده های آموزش است. این کار به جهت فراهم بودن نقشه هوایی از سطح زمین براحتی در GEE قابل انجام است که در ادامه تشریح خواهد شد.
دلیل پنجم: برای طبقه بندی تصاویر ماهواره نیاز به الگوریتم های طبقه بندی است. سامانه GEE دارای توابع داخلی مناسب برای این منظور است. در حقیقت نیازی به کدنویسی اضافه برای الگوریتم طبقه بندی وجود ندارد. مهم تر اینکه به جهت وجود توابع داخلی و همچنین فضای ابری، سرعت پردازش در GEE بسیار بالا است.
دلایل دیگری را نیز می توان برای توجیه استفاده از GEE در تهیه نقشه کشت برشمرد که در این مقاله از آن ها صرف نظر شده است. در ادامه پنج گام اصلی برای تهیه نقشه کشت مناسب یک منطقه تشریح می شود.
گام اول: انتخاب ماهواره
همانطور که بیان شد می توان از تصاویر بازتابی ماهواره های MODIS، Landsat و Sentinel-2 برای تهیه نقشه کشت از طریق طبقه بندی استفاده کرد. نکاتی را باید در خصوص انتخاب ماهواره مناسب در نظر داشت. اول اینکه اگر تراکم کشت در ناحیه مطالعاتی خیلی بالاست مانند دشت های حوضه دریاچه ارومیه بهتر است از ماهواره های با دقت مکانی بهتر استفاده کرد. می توان در مطالعات کلان مقیاس از تصاویر با دقت مکانی کمتر بهره گرفت تا حجم پردازش و همچنین حجم تصویر خروجی کمتر شود.
نکته مهم دیگر در بحث طبقه بندی داشتن حداقل یک تصویر با کیفیت خوب به لحاظ درصد ابر از ناحیه مطالعاتی در هر ماه از فصل رشد گیاه است. در حقیقت فنولوژی گیاهان متمایز کننده آن ها از یکدیگر است. بنابراین باید بتوان این فنولوژی را به خوبی رصد کرد که این کار با داشتن حداقل یک تصویر در ماه میسر است. تصاویر MODIS را می توان به صورت روزانه، متوسط 8 روزه و ماهانه دریافت کرد. از طرفی تصاویر Landsat دارای زمان بازبینی 14 روزه از یک ناحیه هستند. در حقیقت می توان انتظار داشت که در هر ماه دو تصویر Landsat از ناحیه مطالعاتی موجود باشد.
تصاویر Sentinel-2 دارای زمان بازبینی 5 روزه هستندکه در نتیجه نسبت به Landsat تصاویر بیشتری در یک ماه می توان دریافت کرد. از این رو با احتمال بیشتری می توان گفت تصاویر بدون ابر برای Sentinel-2 در یک ماه وجود خواهد داشت. بنابراین در مطالعات با دقت مکانی بالا Sentinel-2 انتخاب بسیار خوبی است که در این مقاله نحوه تولید نقشه کشت برای تصاویر بازتابی Sentinel-2 تشریح می شود. برای کسب اطلاعات بیشتر در خصوص ماهواره Sentinel می توانید از لینک زیر استفاده کنید.
آشنایی با سری ماهواره های Sentinel
لازم به ذکر است که روش کار برای تمامی ماهواره های در طبقه بندی یکی است و تنها نحوه تعریف شاخص های طیفی متفاوت خواهد بود.
گام دوم: انتخاب ناحیه مطالعاتی
پس از انتخاب ماهواره مناسب لازم است تا تصاویر بر اساس محدوده مطالعاتی که برای تهیه نقشه کشت مورد نظر است، فیلتر شود. ناحیه مطالعاتی را می توان با ابزارهای ترسیم موجود در GEE تعیین کرد. راه دوم برای معرفی ناحیه مطالعاتی، وارد کردن آن به محیط Asset به صورت شیب فایل است. درحقیقت باید لایه شیب فایل به همراه تمامی فایل های همراه به صورت فشرده با فرمت zip ایجاد شود و به محیط Asset وارد گردد. در شکل زیر نمونه ای از وارد کردن ناحیه مطالعاتی به GEE نشان داده شده است.
گام سوم: تعریف شاخص های گیاهی
همانطور که بیان شد برای تهیه نقشه کشت، وجه تمایز گیاهان مختلف یعنی رفتار فنولوژی آن ها مهم است. برای بررسی رفتار فنولوژی گیاهان از شاخص های گیاهی استفاده می شود. این شاخص ها تنوع زیادی دارند که هرکدام بسته به نیاز می تواند مورد استفاده باشد. در لینک زیر می توانید با شماری از این شاخص ها و نحوه محاسبه آن ها آشنا شوید.
آشنایی با شاخص های طیفی معروف گیاه
در این مقاله چون صرفاً جنبه آموزش وجود دارد، معروف ترین شاخص گیاهی یعنی Normalized Difference Vegetation Index (NDVI) به عنوان شاخص طیفی اصلی معرفی می شود. استفاده از سایر شاخص های معروف همچون شاخص سطح برگ (LAI) و شاخص کلروفیل سبز گیاه نیز در مقالات تحقیقاتی برای افزایش دقت طبقه بندی توصیه شده است.
شاخص NDVI
شاخص NDVI تفاضل نرمال شده دو باند قرمز (Red) و مادون قرمز نزدیک (NIR) است. این شاخص را می توان به راحتی به کمک تابع داخلی NormalizedDifference در محیط GEE ایجاد نمود. لازم است حداقل برای هر ماه یک تصویر NDVI تولید شود. از آن جا که در استفاده از Sentinel-2 ممکن است بیش از یک تصویر برای هر ماه بر اساس کیفیت ابر وجود داشته باشد، می توان از مقدار میانه تصاویر به عنوان نماینده NDVI آن ماه استفاده کرد. باند قرمز معادل با B4 و باند NIR معادل با B8 در تصاویر Sentinel-2 است.
ماه های مهم در نقشه کشت
بر اساس تجربه بهترین ماه ها که در تهیه نقشه کشت باید به طور همزمان وارد شوند ماه های اردیبهشت (معادل ماه April) تا آبان ماه (معادل ماه October) است. در حقیقت در این ماه ها پوشش مناسبی از تغییرات NDVI برای کشت های مختلف را شامل می شود. به عنوان نمونه بسته به ناحیه مطالعاتی معمولاً کشت های زمستانه معروف به سفید برگ در ماه اردیبهشت و گاهاً خرداد (در نواحی سردسیر) بیشترین مقدار NDVI را دارند و پس از برداشت در ماه تیرماه مقدار NDVI آن ها به شدت کاهش می یابد. در خصوص محصولات تابستانه در نقشه کشت همچون چغندر قند، ذرت، پنبه، سیب زمینی می توان گفت که این محصولات عموماً در بهار کشت می شوند و NDVI فصل بهار پایینی دارند. در فصل تابستان و اوایل پاییز مقدار NDVI بالایی برای اینگونه کشت ها دیده می شود. در پاییز و پس از برداشت محصول انتظار کاهش NDVI منطقی خواهد بود. در مورد گیاهان همیشه سبز همچون یونجه و باغات عموماً مقادیر NDVI بالایی را می توان در تمامی ماه های سال از فرودین تا اواخر پاییز انتظار داشت.
در شکل زیر می توانید سری زمانی چند گیاه مهم در سطح دشت های حوضه آبریز دریاچه ارومیه را مشاهده کنید. در این شکل beet معادل چغندر قند، vegetable دسته صیفی جات، alfalfa مربوط به گیاه یونجه، corn گیاه ذرت، grape تاک انگور، grarden مربوط به باغات، rainfed اراضی دیم، irrWinterCrop اراضی کشت های زمستانه آبی (گندم، جو و ..)، recultivated مربوط به اراضی که در سال به دو کشت مختلف اختصاص می یابند و در نهایت noCrop نواحی غیر زراعی (شامل اراضی بایر، ساختمان ها و …) می باشد. داشتن چنین سری های زمانی در تهیه نقشه کشت بسیار کمک کننده است.
مطابق شکل زیر می توان کد نویسی لازم برای تولید تصاویر NDVI هر ماه را انجام داد.
گام چهارم: تولید داده آموزش
در بحث طبقه بندی و تهیه نقشه کشت عموماً از الگوریتم های نظارت شده استفاده می شود. لازمه اجرای یک الگوریتم نظارت شده داشتن داده های آموزشی است. این داده های را می توان به صورت زمینی از محل زمین های زراعی برداشت نمود. راه کار دیگر تهیه این داده در خود فضای GEE است. برای اینکار می توان ترکیب رنگ های مختلف از تصاویر NDVI ماه های مختلف ایجاد نمود. در حقیقت این ترکیب رنگ ها به ما نشان می دهد که هر گیاه در چه ماهی NDVI بالاتری داشته است و به نوعی می توان سری زمانی NDVI آن را مشابه شکل گام قبلی رصد نمود.
برای ایجاد ترکیب رنگ های مختلف لازم است که ابتدا تصاویر NDVI ماه های مختلف را با یکدیگر ترکیب کرد و یک تصویر چندبانده که هر باند آن معادل NDVI یک ماه است، ایجاد کرد. این کار با تابع addBands در محیط GEE قابل انجام است. این تصویر به عنوان تصویر پایه تهیه نقشه کشت استفاده خواهد شد. با دستور Map.addLayer می توان تصویر حاصل را به صورت بصری دید. شکل زیر کد های لازم برای اینکار را نشان می دهد.
در نتیجه می توان این تصویر چند بانده را به صورت شکل زیر با ترکیب رنگ مورد نظر مشاهده کرد. در این شکل مشاهده می شود که رنگ های مختلفی بر اساس نوع کشت و مرحله رشد گیاه ایجاد شده است. این رنگ ها اساس انتخاب داده آموزش برای الگوریتم طبقه بندی جهت تولید نقشه کشت خواهد بود.
تحلیل رنگ RGB در شناسایی نوع محصول
می توان با ایجاد ترکیب رنگ های مختلف و توجه به نوع کشت های غالب در منطقه به برداشت نمونه های آموزش پرداخت. همانطور که در شکل قبل دیده می شود، چندین رنگ غالب در تصویر RGB حاصل از ترکیب NDVI ماه های April، July و October دیده می شود. می توان نمونه برداری را بر روی همین رنگ ها برای تولید نقشه کشت انجام داد. به عنوان مثال رنگ قرمز در این شکل به کشت های زمستانه همچون گندم و جو اختصاص دارد چرا که در ماه April مقدار NDVI بالایی دارند. رنگ سفید به کشت های همیشه سبز اختصاص دارد چرا که در هر سه ماه منتخب مقدار NDVI بالایی از خود نشان می دهند و در نتیجه ترکیب سه رنگ قرمز، سبز و آبی به رنگ سفید منجر خواهد شد. رنگ سبز به کشت های تابستانه که در اواسط تابستان بیشترین مقدار NDVI را از خود نشان می دهند و در اوایل پاییز برداشت می شوند مربوط می شود. در این دسته می توان محصولاتی همچون ذرت، پیاز و یا حتی سیب زمینی و دیگر صیفی جات را قرار داد. رنگ آبی و آبی آسمانی در تهیه نقشه کشت به محصولاتی مربوط می شود که تا اواخر مهرماه یا اوایل آبان ماه مقدار NDVI بالایی دارند. در این گروه محصولات می توان چغندر قند را قرار داد. در نهایت رنگ های تیره و مشکی به عوارض غیر زراعی اختصاص دارد.
برای انتخاب نمونه های آموزش، مطابق شکل زیر می توان از ابزارهای ترسیم موجود در GEE استفاده کرد. این نمونه ها را می توان به صورت نقطه یا Polygon برداشت نمود.
نکته مهم اینکه مجموعه نقاط برداشت شده برای یک کلاس باید به صورت Feature Collection و دارای مشخصه (Property) یکسان باشد. این موضوع را می توان با کلیک کردن برای روی تنظیمات مربوط به هر لایه به فرم شکل زیر انجام داد.
در گام بعد می توان با کلیک بر روی نقاط دلخواه و یا ترسیم Polygon های دلخواه برای هر کلاس نمونه برداری انجام داد. شکل زیر نمونه برداری برای 5 کلاس را در دشت بوکان مربوط به حوضه دریاچه ارومیه نشان می دهد.
گام پنجم: اجرای طبقه بندی
در این فاز لازم است تا ابتدا تمامی داده های آموزش با یکدیگر ادغام شوند. در گام بعد این داده ها به عنوان داده های آموزش یک الگوریتم طبقه بندی برای تولید نقشه کشت به GEE معرفی شوند. سپس باید الگوریتم طبقه بندی انتخاب شود. از میان الگوریتم های طبقه بندی متنوع موجود، در این مقاله الگوریتم Random Forest که یک الگوریتم طبقه بندی مبتنی بر چندین درخت تصمیم است، پیشنهاد می گردد. این الگوریتم قدرت خود را در پژوهش های مختلف به اثبات رسانده است. برای کسب اطلاعات بیشتر در مورد این الگوریتم به مقاله مرجع زیر مراجعه نمایید.
الگوریتم طبقه بندی Random Forest
با انتخاب الگوریتم طبقه بندی، می توان طبقه بندی را بر روی تصویر چند بانده ایجاد شده در گام چهارم بر اساس داده آموزش و الگوریتم طبقه بندی انجام داد. تصویر زیر بخش های مختلف مورد نظر در گام پنجم را تشریح می کند.
در نهایت می توان خروجی طبقه بندی را مطابق شکل زیر مشاهده کرد. این تصویر تنها بخشی از ناحیه مطالعاتی را نشان می دهد. می توان تصویر نهایی را به صورت image از در فضای Asset و Drive ذخیره سازی نمود
