[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 317
نرخ پذیرش: 63
نرخ رد: 37
میانگین داوری: 209 روز
میانگین انتشار: 347 روز
..
:: دوره 8، شماره 1 - ( 3-1399 ) ::
جلد 8 شماره 1 صفحات 123-101 برگشت به فهرست نسخه ها
آشکارسازی زمین‌های زراعی زعفران در سری زمانی تصاویر ماهواره‌ای سنتینل-2 به کمک روش تخمین تنک
اشکان رزاق منش ، سمیرا اله یاری بک ، علیرضا صفدری نژاد*
دانشگاه تفرش
چکیده:   (3509 مشاهده)
امروزه مدیریت محصولات کشاورزی از طریق فن‌آوری سنجش از دور جایگاه ویژه‌ای در میان مدیران و تصمیم‌گیران حوزه‌ی کشاورزی پیدا کرده است. زعفران با عنوان طلای سرخ، یکی از محصولات کشاورزی خاص ایران و با ارزش اقتصادی بالا محسوب می‌شود که در حوزه‌های مختلف دارویی و غذایی مورد استفاده قرار می‌گیرد. بواسطه‌ی ویژگی‌های کاشت این محصول، در یک زمین زراعی نمی‌توان بطور پایدار زعفران استحصال نمود. بر این اساس، سطح زیرکشت این محصول هرساله متغیر بوده و پیش‌بینی و برآورد سالانه سطح آن می‌تواند برای اهداف مدیریتی کارآمد باشد. در این مقاله با مبنا قرار دادن رفتار فنولوژیکی زمین­های زراعی زعفران، راهکاری به منظور آشکارسازی این زمین­های زراعی از طریق الگوریتم‌های آشکارسازی هدف با استفاده از سری زمانی شاخص تفاضلی گیاهی نرمال شده مستخرج از تصاویر ماهواره‌‌ای سنتینل-2 پیشنهاد شده است. رویکرد آشکارسازی زمین‌های زعفران در این تحقیق مبتنی بر تخمین تنک پاسخ زمانی طیفی سری ‌زمانی از طریق یک واژه نامه متشکل از پاسخ زمانی طیفی زمین‌های زعفران و نمونه‌های پس‌زمینه می‌باشد. در این روند، ساختار زیرماتریس واژه نامه عناصر پس‌زمینه بصورت اتفاقی و مبتنی بر خوشه‌بندی فضای ویژگی تولید شده و در ادامه به منظور حفظ تفکیک‌پذیری با نمونه‌های هدف، فیلترگذاری شده‌اند. نتایج پیاده‌سازی این ایده در سه منطقه‌ مورد آزمون در شهرستان نیشابور بطور متوسط دقت 1/93 درصدی را بدنبال داشته و در مقایسه با روش‌های آشکارسازی CEM، ACE، MF و طبقه‌بندی‌کننده‌های متوازی‌السطوح و SVM بطور متوسط بهبود 8/4 درصدی را داشته است.
واژه‌های کلیدی: آشکارسازی هدف، تخمین تنک، سری زمانی، گیاه زعفران، شاخص گیاهی.
متن کامل [PDF 2723 kb]   (1211 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1398/5/26 | پذیرش: 1399/3/31 | انتشار: 1399/3/31
فهرست منابع
1. [1] M. Rahimzadegan and M. Pourgholam, "Indentification of the area under cultivation of Saffron using Landsat-8 temporal satelite images (Case study: Torbat Heydarieh)," RS & GIS for Natural Resources, vol. 7, no. 4, pp. 97-115, 2017.
2. [2] j. Farzadmehr and K. Tabaki Bajestani, "Capability of Landsat 8 satellite images to estimate the area under cultivation of saffron (case study:city of Torbat Heydarieh)," Saffron Agronomy & Technology, vol. 6, no. 1, p. 49-60, 2018.
3. [3] G. Shaw and D. Manolakis, "Signal Processing for Hyperspectral Image Exploitation," IEEE Signal Processing Magazine, vol. 19, no. 1, pp. 12-16, July 2002. [DOI:10.1109/79.974715]
4. [4] S. Matteoli, M. Diani, and G. Corsini, "Hyperspectral Imaging: Techniques for Spectral Detection and Classification," IEEE Aerosp. Electron. Syst. Mag, vol. 25, no. 7, pp. 5-28, July 2010. [DOI:10.1109/MAES.2010.5546306]
5. [5] C.-I. Chang and D. C. Heinz, "Constrained subpixel target detection for remotely sensed imagery," IEEE transactions on geoscience and remote sensing, vol. 38, no. 3, pp. 1144-1159, 2000. [DOI:10.1109/36.843007]
6. [6] S. Soofbaf, M. Sahebi, and B. Mojaradi, "A sliding window-based joint sparse representation (swjsr) method for hyperspectral anomaly detection," Remote Sensing, vol. 10, no. 3, p. 434, 2018. [DOI:10.3390/rs10030434]
7. [7] L. Ji, X. Geng, K. Sun, Y. Zhao, and P. Gong, "Target Detection Method for Water Mapping Using Landsat 8 OLI/TIRS Imagery," Water, vol. 7, pp. 794-817, 2015. [DOI:10.3390/w7020794]
8. [8] M. Pieper, D. Manolakis, R. Lockwood, T. Cooley, P. Armstrong, and J. Jacobson, "Hyperspectral detection and discrimination using the ACE algorithm," in Imaging Spectrometry XVI, 2011, vol. 8158: International Society for Optics and Photonics, p. 815807. [DOI:10.1117/12.893950]
9. [9] C.-I. Chang and H. Ren, "Linearly constrained minimum variance beamforming approach to target detection and classification for hyperspectral imagery," in IEEE 1999 International Geoscience and Remote Sensing Symposium. IGARSS'99 (Cat. No. 99CH36293), 1999, vol. 2: IEEE, pp. 1241-1243.
10. [10] R. G. Baraniuk, "Compressive sensing [lecture notes]," IEEE signal processing magazine, vol. 24, no. 4, pp. 118-121, 2007. [DOI:10.1109/MSP.2007.4286571]
11. [11] M. T. Eismann, A. D. Stocker, and N. M. Nasrabadi, "Automated Hyperspectral Cueing for Civilian Search and Rescue," Proceedings of the IEEE, vol. 97, no. 6, pp. 1031-1055, June 2009. [DOI:10.1109/JPROC.2009.2013561]
12. [12] P. WT Yuen and G. Bishop, "Hyperspectral Algorithm Development for Military Applications: A Multiple Fusion Approach," in 3rd EMRS DTC Technical Conference, Edinburgh, 2006.
13. [13] C.-I. Chang, "Hyperspectral Data Processing: Algorithm Design and Analysis; ," Wiley: Hoboken, March 2013. [DOI:10.1002/9781118269787]
14. [14] C. Zhao, Y. Wang, B. Qi, and J. Wang, "Global and Local Real-Time Anomaly Detectors for Hyperspectral Remote Sensing Imagery Hyperspectral Remote Sensing Imagery," Remote Sens, vol. 7, pp. 3966-3985, 2015. [DOI:10.3390/rs70403966]
15. [15] B. Du, R. Zhao, L. Zhang, and L. Zhang, "A spectral-spatial based local summation anomaly detection method for hyperspectral images," Signal Processing, vol. 124, pp. 115-131, 2016. [DOI:10.1016/j.sigpro.2015.09.037]
16. [16] N. Bhuvaneswari and V. Sivakumar, "A comprehensive review on sparse representation for image classification in remote sensing," in 2016 International Conference on Communication and Electronics Systems (ICCES), 2016: IEEE, pp. 1-4. [DOI:10.1109/CESYS.2016.7889923]
17. [17] Y. Chen, N. M. Nasrabadi, and T. D. Tran, "Hyperspectral image classification using dictionary-based sparse representation," IEEE transactions on geoscience and remote sensing, vol. 49, no. 10, pp. 3973-3985, 2011. [DOI:10.1109/TGRS.2011.2129595]
18. [18] M. Immitzer, F. Vuolo, and C. Atzberger, "First Experience with Sentinel-2 Data for Crop and Tree Species Classifications in Central Europe," Remote Sensing, vol. 3, no. 8, p. 166, 2016. [DOI:10.3390/rs8030166]
19. [19] J. Clevers, G, L. Kooistra, and v. d. B. M.MM "Using Sentinel-2 Data for Retrieving LAI and Leaf and Canopy Chlorophyll Content of a Potato Crop," Remote Sensing, vol. 5, no. 9, p. 405, 2017. [DOI:10.3390/rs9050405]
20. [20] W. I. Ng, P. Rima, K. Eimonann, and M. Immitzer, "Assessing the Potential of Sentinel-2 and Pleiades Data for the Detection of Prosopis and Vachellia spp. in Kenya." X 9(1), 74.," Remote Sensing, vol. 1, no. X 9, p. 74, 2017. [DOI:10.3390/rs9010074]
21. [21] X. Song, C. Yang, M. Wu, C. Zhao, G. Yang, and H. W.C, "Evaluation or Sentinel-2A Satellite Imagery for Mapping Cotton Root Rot," Remote Sensing, vol. 9, no. 9, p. 906, 2017. [DOI:10.3390/rs9090906]
22. [22] H. Zheng et al., "Performance Evaluation of Downscaling Sentinel-2 Imagery for Land Use and Land Cover Classification by Spectral-Spatial Features," Remote Sensing, vol. 12, no. 9, p. 1274, 2017. [DOI:10.3390/rs9121274]
23. [23] B. Mariana and C. Ovidiu, "Sentinel-2 Cropland Mapping Using Pixel-Based and Object-Based Time-Weighted Dynamic Time Warping Analysis," Remote Sensing of Environment, vol. 204, pp. 509-523, 2018. [DOI:10.1016/j.rse.2017.10.005]
24. [24] D. Manolakis, C. Siracusa, and G. Shaw, "Hyperspectral subpixel target detection using the linear mixing model," IEEE transactions on geoscience and remote sensing, vol. 39, no. 7, pp. 1392-1409, 2001. [DOI:10.1109/36.934072]
25. [25] J. A. Tropp and S. J. Wright, "Computational methods for sparse solution of linear inverse problems," Proceedings of the IEEE, vol. 98, no. 6, pp. 948-958, 2010. [DOI:10.1109/JPROC.2010.2044010]
26. [26] J. Mairal, J. Ponce, G. Sapiro, A. Zisserman, and F. R. Bach, "Supervised dictionary learning," in Advances in neural information processing systems, 2009, pp. 1033-1040.
27. [27] M. Jian and C. Jung, "Semi-supervised bi-dictionary learning for image classification with smooth representation-based label propagation," IEEE Transactions on Multimedia, vol. 18, no. 3, pp. 458-473, 2016. [DOI:10.1109/TMM.2016.2515367]
28. [28] P. Sprechmann and G. Sapiro, "Dictionary learning and sparse coding for unsupervised clustering," in 2010 IEEE international conference on acoustics, speech and signal processing, 2010: IEEE, pp. 2042-2045. [DOI:10.1109/ICASSP.2010.5494985]
29. [29] Q. Zhang and B. Li, "Discriminative K-SVD for dictionary learning in face recognition," in 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2010: IEEE, pp. 2691-2698.S [DOI:10.1109/CVPR.2010.5539989]
30. [30] S. F. Cotter, B. D. Rao, K. Engan, and K. Kreutz-Delgado, "Sparse solutions to linear inverse problems with multiple measurement vectors," IEEE Transactions on Signal Processing, vol. 53, no. 7, pp. 2477-2488, 2005. [DOI:10.1109/TSP.2005.849172]
31. [31] S. Wu, H. Chen, Y. Bai, Z. Zhao, and H. Long, "Remote sensing image noise reduction using wavelet coefficients based on OMP," Optik, vol. 126, no. 15-16, pp. 1439-1444, 2015 [DOI:10.1016/j.ijleo.2015.04.029]
32. [32] P. Kumar, D. K. Gupta, V. N. Mishra, and R. Prasad, "Comparison of support vector machine, artificial neural network, and spectral angle mapper algorithms for crop classification using LISS IV data," International Journal of Remote Sensing, vol. 36, no. 6, pp. 1604-1617, 2015. [DOI:10.1080/2150704X.2015.1019015]
33. [33] S. Huang, H. Zhang, and A. Pižurica, "A robust sparse representation model for hyperspectral image classification," Sensors, vol. 17, no. 9, p. 2087, 2017. [DOI:10.3390/s17092087]
34. [34] S. A. El-Rahman, "Performance of spectral angle mapper and parallelepiped classifiers in agriculture hyperspectral image," International Journal of Advanced Computer Science and Applications (IJACSA), vol. 7, no. 5, pp. 55-63, 2016. [DOI:10.14569/IJACSA.2016.070509]
35. [35] N. Otsu, "A threshold selection method from gray-level histograms," IEEE transactions on systems, man, and cybernetics, vol. 9, no. 1, pp. 62-66, 1979. [DOI:10.1109/TSMC.1979.4310076]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Razaghmanesh A, Allahyari Bek S, Safdarinezhad A. A Sparse Representation Method to Detect Saffron Agricultural Lands Using Sentinel-II Satellite Images Time. jgit 2020; 8 (1) :101-123
URL: http://jgit.kntu.ac.ir/article-1-786-fa.html

رزاق منش اشکان، اله یاری بک سمیرا، صفدری نژاد علیرضا. آشکارسازی زمین‌های زراعی زعفران در سری زمانی تصاویر ماهواره‌ای سنتینل-2 به کمک روش تخمین تنک. مهندسی فناوری اطلاعات مکانی. 1399; 8 (1) :101-123

URL: http://jgit.kntu.ac.ir/article-1-786-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 8، شماره 1 - ( 3-1399 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 38 queries by YEKTAWEB 4660