خلاصه
کلید واژه ها:
سنجش از دور ؛ سری زمانی ؛ Sentinel-2 ; Sentinel-1 ; مناطق مدیریت سوخت ; فراگیری ماشین
۱٫ معرفی
۲٫ مواد و روشها
۲٫۱٫ منطقه مطالعه
۲٫۲٫ بررسی اجمالی رویکرد
تصاویر ماهواره ای از پیش پردازش شده است، و مناطق مورد علاقه برای به دست آوردن داده ها از مناطق FMZ که در حال تجزیه و تحلیل هستند، بریده شدند. اطلاعات برداری FMZs نیز از پیش پردازش شده و برای برش تصاویر ماهواره ای استفاده می شود. از تصویر حاصل، چندین معیار استخراج شده و سپس به الگوریتمهای یادگیری ماشینی برای پیشبینی وارد میشوند. الگوریتم هایی با بهترین نتایج در ادبیات برای ارزیابی اینکه کدامیک برای مسئله ارائه شده بهتر عمل می کند، استفاده شد. الگوریتمهای مورد استفاده عبارتند از: ماشین بردار پشتیبانی (SVM)، جنگل تصادفی (RF)، تقویت گرادیان شدید (XGBoost)، و نزدیکترین همسایه K (KNN). عملکرد این الگوریتم ها عمدتاً از طریق امتیاز F1 (معادله ( ۱ ) تجزیه و تحلیل خواهد شد.))، که با دقت و یادآوری کامل به حداکثر مقدار خود و امتیاز کاپا می رسد.
۲٫۳٫ اکتساب داده های ماهواره ای
۲٫۴٫ پردازش اطلاعات برداری FMZs
۲٫۵٫ خوشه بندی برداری FMZs
۲٫۶٫ مجموعه داده ها
برای هر یک از این ویژگی ها، اطلاعات از داخل FMZ و بافر بیرونی استخراج شد. با تکمیل آن، تفاوت (معادله ( ۲ )) و نسبت (معادله ( ۳ )) بین بافر بیرونی و FMZ داخلی برای هر مشخصه محاسبه شد. با این کار، هر بخش به داده هایی در مورد بافر، FMZ، تفاوت و نسبت ها ختم می شود.
جایی که ایکسبنشان دهنده داده های بافر و ایکسمنداده های FMZ، برای مشخصه x .
تجزیه و تحلیل چند زمانی می تواند از چندین تصویر استخراج شده استفاده کند، زیرا برای هر مشخصه تفاوت بین دو تاریخ متوالی برای کل سری زمانی محاسبه می شود (معادله ( ۴ )).
جایی که دمنfایکس،کنشان دهنده تفاوت بین بافر بیرونی و داخلی FMZ برای ویژگی x در تاریخ k است.
۳٫ نتایج
۳٫۱٫ تجزیه و تحلیل استاتیک
۳٫۲٫ تحلیل زمانی
۳٫۲٫۱٫ یک ماهواره: Sentinel-1
۳٫۲٫۲٫ یک ماهواره: Sentinel-2
۳٫۲٫۳٫ هر دو ماهواره: Sentinel-1 و Sentinel-2
۳٫۳٫ تخمین تاریخ مداخله FMZs
۴٫ بحث
۵٫ نتیجه گیری ها
اختصارات
در این نسخه از اختصارات زیر استفاده شده است:
SAR | رادار دیافراگم مصنوعی |
NDVI | شاخص گیاهی تفاوت عادی شده |
NDWI | شاخص تفاوت عادی آب |
LAI | شاخص سطح برگ |
GRD | محدوده زمینی شناسایی شد |
SAVI | شاخص گیاهی تعدیل شده با خاک |
SR | نسبت ساده |
IRECI | شاخص کلروفیل لبه قرمز معکوس |
FMZ | منطقه مدیریت سوخت |
FIZ | مناطق قطع سوخت |
FRZ | مناطق کاهش سوخت |
XGBoost | افزایش گرادیان فوق العاده |
SVM | ماشین بردار پشتیبانی |
RF | جنگل تصادفی |
KNN | K-نزدیک ترین همسایه ها |
منابع
- Instituto da Conservação da Natureza e das Florestas. ۸° Relatório Provisório de Incêndios Rurais. Informação Estatística Sobre Incêndios Rurais 1 de Janeiro a 15 de Outubro de 2019 ; این سند به زبان پرتغالی ارائه شده است. Instituto da Conservação da Natureza e das Florestas: لیسبون، پرتغال، ۲۰۱۹٫
- وزارت زراعت برای انکشاف دهات و ماهیگیری. Decreto-Lei n.° ۱۲۴/۲۰۰۶٫ در Diário da República n.° ۱۲۳/۲۰۰۶, Série IA de 2006-06-28 ; (توجه: این سند به زبان پرتغالی ارائه شده است). وزارت کشاورزی برای توسعه روستایی و ماهیگیری: آنا پائولا، پرتغال، ۲۰۰۶٫ [ Google Scholar ]
- Administração Interna. Decreto-Lei n.° ۱۰/۲۰۱۸٫ در Diário da República n.° ۳۲/۲۰۱۸, Série I de 2018-02-14 ; (توجه: این سند به زبان پرتغالی ارائه شده است). Administração Interna: لیسبون پرتغال، ۲۰۱۸٫ [ Google Scholar ]
- Instituto da Conservação da Natureza e das Florestas-ICNF. کتابچه راهنمای Rede Primária ; Divisão de Proteção Florestal E Valorização de Áreas Públicas (DPFVAP) (توجه: این سند به زبان پرتغالی ارائه شده است). Instituto da Conservação da Natureza e das Florestas-ICNF: لیسبون، پرتغال، ۲۰۱۴٫
- Noi، PT; کاپاس، ام. مقایسه طبقهبندیکنندههای ماشین تصادفی جنگل، k-نزدیکترین همسایه و بردار پشتیبان برای طبقهبندی پوشش زمین با استفاده از تصاویر نگهبان-۲٫ Sensors ۲۰۱۸ , ۱۸ , ۱۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- جیانگ، اچ. لی، دی. جینگ، دبلیو. خو، جی. هوانگ، جی. یانگ، جی. چن، اس. نقشهبرداری فصل اولیه نیشکر با استفاده از الگوریتمهای یادگیری ماشینی به دادههای سری زمانی Sentinel-1A/2: مطالعه موردی در شهر Zhanjiang، چین. Remote Sens. ۲۰۱۹ , ۱۱ , ۸۶۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کیان، ی. ژو، دبلیو. یان، جی. لی، دبلیو. Han, L. مقایسه طبقهبندیکنندههای یادگیری ماشین برای طبقهبندی پوشش زمین مبتنی بر شی با استفاده از تصاویر با وضوح بسیار بالا. Remote Sens. ۲۰۱۵ ، ۷ ، ۱۵۳-۱۶۸٫ [ Google Scholar ] [ CrossRef ]
- ایمیتزر، ام. وولو، اف. آتزبرگر، سی. اولین تجربه با داده های Sentinel-2 برای طبقه بندی گیاهان و گونه های درختی در اروپای مرکزی. Remote Sens. ۲۰۱۶ , ۸ , ۱۶۶٫ [ Google Scholar ] [ CrossRef ]
- مالتسف، ای. Maglinets، Y.; Tsibulskii, G. فن آوری برای شناسایی اشیاء شخم زن آتش شکن بر اساس داده های ماهواره ای سنجش از دور زمین. E3S Web Conf. ۲۰۱۹ ، ۷۵ ، ۰۱۰۰۶٫ [ Google Scholar ] [ CrossRef ]
- لیامپاس، S.-AG; Stamatiou، CC; Drosos، VC مقایسه سه منبع DEM: مطالعه موردی از جنگلهای یونان. در مجموعه مقالات ششمین کنفرانس بین المللی سنجش از دور و اطلاعات جغرافیایی محیط زیست، پافوس، قبرس، ۲۶ تا ۲۹ مارس ۲۰۱۸؛ جلد ۱۰۷۷۳٫ [ Google Scholar ] [ CrossRef ]
- بلژیک، م. Csillik، O. Sentinel-2 نگاشت زمین زراعی با استفاده از تجزیه و تحلیل تاب خوردگی زمانی پویا مبتنی بر پیکسل و شیء مبتنی بر زمان. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۰۴ ، ۵۰۹-۵۲۳٫ [ Google Scholar ] [ CrossRef ]
- پنیا، MA; لیائو، آر. برنینگ، A. استفاده از شاخص های طیف زمانی برای بهبود دقت طبقه بندی محصولات درخت میوه. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۲۸ ، ۱۵۸-۱۶۹٫ [ Google Scholar ] [ CrossRef ]
- ارینجری، جی جی. سینگ، ام. کنت، آر. نقشه برداری و ارزیابی انواع پوشش گیاهی در جنگل های بارانی استوایی گات غربی با استفاده از تصاویر ماهواره ای Sentinel-2 و SAR Sentinel-1 چند طیفی. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۱۶ ، ۳۴۵-۳۵۴٫ [ Google Scholar ] [ CrossRef ]
- مولر، اچ. روفین، پی. گریفیث، پی. Barros Siqueira، AJ; سری زمانی لندست متراکم معدنکاری Hostert، P. برای جداسازی زمینهای زراعی و مرتع در یک چشمانداز ناهمگن ساوانای برزیل. سنسور از راه دور محیط. ۲۰۱۵ ، ۱۵۶ ، ۴۹۰-۴۹۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- پلتیه، سی. والرو، اس. اینگلادا، جی. قهرمان، ن. ددیو، جی. ارزیابی استحکام جنگلهای تصادفی برای نقشهبرداری از پوشش زمین با سریهای زمانی تصاویر ماهوارهای با وضوح بالا در مناطق بزرگ. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۷ ، ۱۵۶-۱۶۸٫ [ Google Scholar ] [ CrossRef ]
- گومز، سی. سفید، JC; Wulder، MA داده های سری زمانی سنجش از دور نوری برای طبقه بندی پوشش زمین: یک بررسی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۶ . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- باهوش، JG; کویسترا، ال. van den Brande، MM با استفاده از داده های Sentinel-2 برای بازیابی سطح برگ و محتوای کلروفیل برگ و تاج یک محصول سیب زمینی. Remote Sens. ۲۰۱۷ , ۹ , ۴۰۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- پیراگنولو، م. لوسیانی، جی. Pirotti, F. مقایسه شاخص های پوشش گیاهی از تصاویر RPAS و Sentinel-2 برای تشخیص مراتع دائمی. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی طاق ISPRS. ۲۰۱۸ ، ۴۲ ، ۱۳۸۱–۱۳۸۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- روزنشتاین، او. هایمن، ن. کاپلان، جی. Tanny, J. برآورد مصرف آب پنبه با استفاده از یک سری زمانی از تصاویر Sentinel-2. کشاورزی مدیریت آب. ۲۰۱۸ ، ۲۰۷ ، ۴۴-۵۲٫ [ Google Scholar ] [ CrossRef ]
- ساتیر، ا. Berberoglu، S. پیشبینی عملکرد محصول تحت شوری خاک با استفاده از شاخصهای گیاهی مشتق شده از ماهواره. Field Crops Res. ۲۰۱۶ ، ۱۹۲ ، ۱۳۴-۱۴۳٫ [ Google Scholar ] [ CrossRef ]
- Setiyono، TD; کیچو، ED; گاتی، ال. کامپو تابرنر، ام. بوستتو، ال. کولیویگنارلی، اف. گارسیا هارو، اف جی. بوشتی، ام. خان، NI; Holecz, F. تخمین فضایی عملکرد برنج بر اساس دادههای MODIS و Sentinel-1 SAR و مدل رشد محصول ORYZA. Remote Sens. ۲۰۱۸ , ۱۰ , ۲۹۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کاستیلو، JAA; آپان، AA; Maraseni, TN; Salmo، SG برآورد و نقشه برداری از زیست توده بالای زمینی جنگل های حرا و استفاده از زمین جایگزین آنها در فیلیپین با استفاده از تصاویر سنتینل. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۳۴ ، ۷۰-۸۵٫ [ Google Scholar ] [ CrossRef ]
- جیانگ، ز. هیوت، ا. چن، جی. چن، ی. لی، جی. یان، جی. Zou، Y. تجزیه و تحلیل NDVI و شاخص تفاوت مقیاس شده پوشش گیاهی بازیابی بخش پوشش گیاهی. سنسور از راه دور محیط. ۲۰۰۶ ، ۱۰۱ ، ۳۶۶-۳۷۸٫ [ Google Scholar ] [ CrossRef ]
- Huete، A. شاخص گیاهی تنظیم شده با خاک (SAVI). سنسور از راه دور محیط. ۱۹۸۸ ، ۲۵ ، ۲۹۵-۳۰۹٫ [ Google Scholar ] [ CrossRef ]
- جردن، C. استخراج شاخص سطح برگ از کیفیت نور در کف جنگل. اکولوژی ۱۹۶۹ , ۵۰ . [ Google Scholar ] [ CrossRef ]
- فرامپتون، WJ; داش، ج. واتموگ، جی. میلتون، ای جی ارزیابی قابلیت های Sentinel-2 برای تخمین کمی متغیرهای بیوفیزیکی در پوشش گیاهی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۳ ، ۸۲ ، ۸۳-۹۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- گائو، پیش از میلاد NDWI-یک شاخص تفاوت عادی آب برای سنجش از راه دور آب مایع گیاهی از فضا. سنسور از راه دور محیط. ۱۹۹۶ ، ۵۸ ، ۲۵۷-۲۶۶٫ [ Google Scholar ] [ CrossRef ]
- Hadjimitsis، DG; پاپاداوید، گ. آگاپیو، ا. Themistocleous، K. Hadjimitsis، MG; رتالیس، ا. مایکلیدس، اس. کریسولاکیس، ن. تولیوس، ال. Clayton، CRI تصحیح جوی برای داده های سنجش از راه دور ماهواره ای در نظر گرفته شده برای کاربردهای کشاورزی: تاثیر بر شاخص های پوشش گیاهی. نات. سیستم خطرات زمین. علمی ۲۰۱۰ ، ۱۰ ، ۸۹-۹۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- آگاپیو، ع. Hadjimitsis، DG; پاپوتسا، سی. الکساکیس، دی. پاپاداوید، جی. اهمیت محاسبه اثرات جوی در کاربرد NDVI و تفسیر تصاویر ماهوارهای که از تحقیقات باستانشناسی حمایت میکنند: مطالعات موردی سایتهای Palaepaphos و Nea Paphos در قبرس. Remote Sens. ۲۰۱۱ , ۳ , ۲۶۰۵–۲۶۲۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- مین-نورن، ام. Pflug، B. لوئیس، جی. دباکر، وی. مولر-ویلم، U. Gascon، F. Sen2Cor برای Sentinel-2. در پردازش تصویر و سیگنال برای سنجش از راه دور XXIII ; Bruzzone, L., Ed. انجمن بین المللی اپتیک و فوتونیک SPIE: بلینگهام، WA، ایالات متحده آمریکا، ۲۰۱۷; جلد ۱۰۴۲۷، صص ۳۷–۴۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- موریرا، ا. سانتوس، بدنه مقعر من: یک رویکرد k نزدیکترین همسایه برای محاسبه منطقه اشغال شده توسط مجموعه ای از نقاط. در مجموعه مقالات GRAPP 2007، دومین کنفرانس بین المللی در نظریه و کاربردهای گرافیک کامپیوتری، بارسلون، اسپانیا، ۸ تا ۱۱ مارس ۲۰۰۷٫ [ Google Scholar ]
- مشارکت کنندگان OpenStreetMap. ۲۰۱۹٫ Planet Dump بازیابی شده از https://planet.osm.org . در دسترس آنلاین: https://www.openstreetmap.org (در ۲۶ مارس ۲۰۱۹ قابل دسترسی است).
- مک کوئین، جی. برخی روشها برای طبقهبندی و تحلیل مشاهدات چند متغیره. در مجموعه مقالات پنجمین سمپوزیوم برکلی در مورد آمار و احتمالات ریاضی، برکلی، کالیفرنیا، ایالات متحده آمریکا، ۲۱ ژوئن تا ۱۸ ژوئیه ۱۹۶۵; جلد ۱، ص ۲۸۱-۲۹۷٫ [ Google Scholar ]
- عبدیکان، س. سانلی، FB; اوستونر، م. Calo, F. نقشه برداری پوشش زمین با استفاده از داده های Sentinel-1 sar. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۶ ، XLI-B7 ، ۷۵۷–۷۶۱٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه