سامانه جامع پایش کشاورزی مبتنی بر داده های سنجش از دور

برآورد سطح زیر کشت محصولات مختلف کشاورزي ( سامانه پایش محصولات کشاورزی مبتنی بر داده)در کشور معمولاً از سه طریق، تخمین کارشناسی، برآورد از طریق فهرست برداري و استفاده از فن آوري هاي جدید از جمله سنجش از دور و سامانه اطلاعات جغرافیایی انجام می گیرد. دقت روش تخمین کارشناسی بسیار اندك است و نمی توان نتایج آن را در تصمیم گیري هاي مهم کشور به کار گرفت. در روش برآورد از طریق فهرست برداري، هرچند سطح زیر کشت محصول تخمین زده می شود، اما پراکندگی آن را به دست نخواهد داد ضمن اینکه هزینه بالاي نیروي انسانی عامل مهم و محدود کننده این روش است . در ایران به دست آوردن آمار مربوط به کشاورزي، بیشتر از طریق کارشناسی و روش هاي سنتی صورت می پذیرد. بررسی ها نشان داده است که این روش ها داراي خطاهاي زیادي است. بنابراین به کارگیري روش هاي دقیق تر و سریع تر براي کمک به برنامه ریزي هاي کلان مختلف از جمله کشاورزي ضروري می باشد . برآوردهاي کارشناسی و غیر رسمی که از محاسبه ي سطح زیر کشت به صورت پرسشنامه اي و حضوري به دست کارشناسان انجام می شود، دوران خود را سپري کرده است و بهره گیري از داده هاي ماهواره اي به مثابه ي راه کاري جدید نه تنها کاستی هاي ناشی از خطاي انسانی را کاهش می دهد بلکه می تواند در امر برنامه ریزي هاي مختلف در حیطه ي کشاورزي نیز کارگشا باشد.  اخيراً در توليد آمار سطح زیر کشت محصولات كشاورزي توجه ويژه اي به فناوري سنجش از دور مي شود. زيرا با استفاده از داده هاي ماهوار ه اي و مدل هاي پيشرفته سنجش از دور، اين امر مهم با صرف زمان و هزينه كمتري نسبت به ساير روش هاي معمول قابل انجام است. تکنيکهای سنجش از دور به دليل تناوب در اخذ تصاوير یک ناحیه، منطقه تحت پوشش تصاوير، تصويربرداری در طول موج های مختلف در يک زمان و در نهايت امکان پردازش و تفسير سريع اين اطلاعات، بطور گسترده در تحلیل های مختلف مربوط به گیاهان مورد اسفاده قرار می گیرند. مطالعات زیادی که در زمينه تفکيک و تشخيص گياهان تیره غلات با استفاده از تصاوير چند زمانه صورت گرفته است.آمار و اطلاعات مربوط به سطح زير كشت محصولات كشاورزي به عنوان ابزار پايه در تدوين و تنظيم سياست هاي صادرات- واردات، قيمت گذاري فرآورده هاي كشاورزي، برنامه ريزي هاي توسعه كشاورزي و ساير مسايل مربوط به اين بخش محسوب میشود. اخيراً در توليد آمار سطح زیر کشت محصولات كشاورزي ( سامانه پایش محصولات کشاورزی مبتنی بر داده)توجه ويژه اي به فناوري سنجش از دور مي شود. زيرا با استفاده از داده هاي ماهوار هاي و مدل هاي پيشرفته سنجش از دور، اين امر مهم با صرف زمان و هزينه كمتري نسبت به ساير روش هاي معمول قابل انجام است. تکنيکهای  سنجش از دور به دليل تناوب در اخذ تصاوير یک ناحیه، منطقه تحت پوشش تصاوير، تصويربرداری در طول موج های مختلف در يک زمان و در نهايت امکان پردازش و تفسير سريع اين اطلاعات، بطور گسترده در تحلیل های مختلف مربوط به گیاهان مورد استفاده قرار می گیرند.

پیشینه پژوهش

لي و همكاران روشهاي نظارت نشده و سيزده مورد از روشهاي نظارت شده را براي طبقه بندي كاربري اراضي شهر (کشاورزی شهری) گوانگژو چين با استفاده از داده هاي TM لندست مقايسه كردند. نتايج اين تحقيق نشان داد زماني كه نمونه آموزشي به تعداد مناسب انتخاب مي شود، بيشتر الگوريتمها طبقه بندي مناسبي مي دهند . اما زماني كه تعداد نمونه هاي آموزشي كاهش مي يابد، اختلاف دقت بين الگوريتم ها افزايش مي يابد.بر همین اساس در تحقیق حاضر بیش از 50 نمونه آموزشی با پراکندگی مناسب انتخاب گردیده است.  سارويي در مطالعه اي با استفاده از فناوري RS  و GIS نقشه اراضي زير کشت برنج را در شهرستا ن آمل و بابل با استفاده از داده هاي ماهواره TM لندست با الگوريتم حداکثر احتمال طبقه بندي و طبقات مختلف از جمله برنج زارها تفکيک گرديد.  رمضان خاني و مختارزاده دودسته از رايج ترين روش هاي طبقه بندي تصاوير، شامل روش هاي آماري و روش شبكه هاي عصبي مصنوعي را بر روي داده هاي ماهواره اي تك زمانه و چندزمانه پياده سازي نموده و نتايج حاصل را ارزيابي كردند. بر اساس نتايج حاصل شده ميتوان گفت كه روشهاي آماري با وروديهاي چند زمانه نسبت به وروديهاي تك زمانه داراي دقت مناسب تري بوده وليكن با كاهش عملكرد مناسب الگوريتمهاي طبقه بندي مواجه مي شوند . در مقابل شبكه هاي عصبي با وروديهاي چند زمانه با مشكلات روش هاي آماري مواجه نبوده و داراي دقت نسبتا بهتر ( 75/0 کاپا ) نسبت به روش هاي آماري چندزمانه(72/. کاپا ) مي باشند. یوسفی و همکاران (2011) تحقیقی را با هدف تعیین بهترین روش طبقه بندي تصاویر سنجنده ETM+ از بین 9 روش طبقه بندي نظارت شده جهت استخراج نقشه کاربري اراضی شهر نور انجام دادند. طبقه بندي آن ها شامل مناطق مسکونی،کشاورزي و جنگل بود . نتایج آن ها نشان داد که طبقه بندي شبکه عصبی با میانگین دقت کلی و کاپا به ترتیب81/86 درصد و 17/74 درصد و روش حداکثر احتمال با میانگین دقت کلی و کاپا به ترتیب84/81 درصد و 51/67 درصد به ترتیب در اولویت دوم و چهارم از بین 9 اولویت قرار داشتند.     سونمز و ساري با استفاده از روش شي ءگرا و ماشين بردار پشتيبان نقشه كاربري اراضي را تهيه كردند. نتايج نشان داد كه هر دو روش براي تهيه نقشه كاربري اراضي مناسب خواهد بود ولي روش شي ءگرا به نسبت روش ماشين بردار پشتيبان، صحت كلي و ضريب كاپا بالاتري دارد.  Barnett       و Thompson (1978) در ايالات تگزاس با استفاده از مدل Lacie از رابط ه خطی بين بازتاب طيفی محصولات کشاورزی در طول فصل رشد، بازدهی گندم را با داده های MSS برآورد نمودند. با ترکيب این رابطه با اطلاعات هواشناسی- کشاورزی هوشمند و کشاورزی دقيق می توان به نتايج قابل قبولی رسيد. با توجه به عدم دسترسی به اطلاعات هواشناسی هوشمند– کشاورزی دقیق در ایران این روش استفاده نشد.در پژوهشی براي تعیین سطح زیر کشت شالیزارهاي منطقه اصفهان، از داده هاي رقومی ماهواره  IRS-1D هند (WiFS و سري زمانی PAN ،LISS III )  استفاده شد . سنجنده هاي آن ها با استفاده از باند مادون قرمز موج کوتاه و استفاده از شاخص هاي NDVI ،NDWI مخصوصاً شاخص آب، برنجزارهاي منطقه مطالعاتی را جدا کردند (Khajeddin and Pourmanafi, 2007) در پژوهش دیگري که در آرژانتین انجام شد از مدل شبکه عصبی و داده هاي MODIS براي طبقه بندي دادههاي پوشش اراضی منطقه کوردوبا استفاده نمودند. در مطالعه مذکور، 5 مدل شبکه عصبی به کار برده شد که در 4 مدل، ورودي شامل RED ،NIR، EVI و NDVIبه تنهایی بود و در مدل پنجم ورودي شامل NIR و RED می شد.با استفاده از بازدید میدانی میزان صحت هر یک از  مدلها مورد بررسی قرار گرفت. بهترین مدل داراي ورودي RED و NIR و صحتی معادل 93 درصد بود و بقیه مدل ها با ورودي هاي NIRو NDVI ،EVI ،RED داراي دقتی برابر با 76،83،86،81 درصد بودند. (Bocco et al., 2007)در پژوهشی که در سال  2007انجام شد به بررسی روند زمانی داده هاي شاخص هاي گیاهی براي طبقه بندي مزارع کشاوزي ( سامانه پایش محصولات کشاورزی مبتنی بر داده)شامل: یونجه، ذرت، ذرت خوشه اي، سویا، زمین هاي آیش و گندم با استفاده از 12 تصویر MODIS با قدرت تفکیک 250 متر پرداخته و با توجه به روندهاي زمانی متفاوت شاخص هاي EVI و  NDVIکلاس هاي مختلف را از هم تفکیک کردند و و نتايج آنها نشان داد که تفکيک پذيري غلات در دوره بلوغ محصولات نسبت به دوره رشد محصولات چشمگيرتر مي باشد .(Wardlow et al., 2007) هاسيان و همكاران روش هاي آماري پيكسل پايه سنتي ماهواره اي و روش هاي شيءگرا را براي طبقه بندي تصاوير موردبررسي قراردادند. نتايج تحقيقات آن ها نشان داد كه با توجه به افزايش روزافزون حجم تصاوير ماهواره اي و كاربرد تصاوير باقدرت تفكيك مكاني بسيار بالا، روش هاي پيكسل پايه و داده كاوي براي بررسي روند تغييرات كاربري قابليت هاي بيشتري دارند. ساواساوا با استفاده از تلفيق RS  و GIS و پارامترهاي مديريت، سطح زير کشت محصولات کشاورزي منطقه از جمله برنج برآورد شد. در اين مطا لعه با استفاده از تصاوير ماهواره (India Remote Sensing satellite) IRS با تفکيک مکاني ۲۳ متر و تصوير پانکروماتيک (PAN )  ماهواره مذکور با تفکيک مکاني 5  متر و هم چنين تصاوير سري زماني ماهواره اسپات اقدام به آناليز و تفسير داده هاي ماهواره اي گرديد . با استفاده از برداشتهاي زميني و نقشه هاي مختلف از منطقه و دخيل کردن پارامترهاي مديريتي و با توجه به مراحل فنولوژيکي محصولات و استفاده از شاخصهاي گياهي مانند NDVI سطح زير کشت برنج زارها را در منطقه اي در نظام آباد ايالت آندراپراش هند برآورد نمود. در پژوهشی براي طبقه بندي سه کلاس گندم، جو بهاره و چغندرقند بر روي تصاویر سنجیده Spot HR از الگوریتم هاي مختلف آموزش داده ها در روش SVM ( ماشین بردار پشتیبان) استفاده شد . نتایج آن ها نشان داد که دقت کلی حاصل از الگوریتم هاي مختلف تقریباً یکسان بوده و همچنین دقت طبقه بندي براي گندم در حدود 80 ٪ و براي جو در حدود %76 می باشد Foody and Mathur, 2006).)در پژوهشی دیگر کاربرد تصاویر ماهواره IRS به منظور تهیه نقشه پراکنش برنج در شهرستان مرودشت مورد بررسی قرار گرفت. در این پژوهش براي تعیین مزارع برنج از دو گذر زمانی تصاویر سنجنده IRS-P از ماهواره Liss III-6  که هم زمان با سبزینگی و زردشدگی گیاه برنج بود تصویر تهیه شد . آن ها اشاره کردند که شاخص گیاهی SAVI می تواند مزارع و مراتع منطقه را شناسایی کند ولی به علت نزدیک بودن درصد بازتاب طیفی برنج در زمان سبزینگی با دیگر کاشت هاي هم زمان سبز در منطقه، خصوصا ذرت، قادر به تفکیک تمامی مزارع برنج از دیگر کشت هاي سبز در منطقه نبود. در نقشه پراکنش نهایی، مساحت اراضی برنج استخراج شده با دقت 77 درصد تعیین گردید.( Salami and Kazemi,2008 ) رحیم زادگان و پور غلام در پژوهشی در سال 1395 به شناسايي سطح زير كشت محصول زعفران در شهرستان تربت حيدريه با استفاده از تصاوير ماهواره اي( سامانه پایش محصولات کشاورزی مبتنی بر داده) Landsat- 8 پرداختند که با استفاده از روش هاي طبقه بندي شبكه عصبي مصنوعي، ماشين هاي بردار پشتيبان، فاصله ماهالانوبيس، حداقل فاصله، حداكثر احتمال، متوازي السطوح براي تهيه نقشة پوشش و استفاده از شاخص هاي گياهي نرمال شده تفاضل پوشش گياهي (NDVI) و شاخص پوشش گياهي با انعكاس خاك (SAVI)  در دوره اوج سبزينگي زعفران با بررسي تقويم زراعي آن بود.

مقالات شرکت پرتوتاپ رایان

اینترنت اشیاء کشاورزی هوشمند مقالات

کشاورزی هوشمند اینترنت اشیاء

  بذرپاشی ها، کمباین ها، دروگرها و ماشین آلات مزرعه با فناوری بسیار محدود استفاده [...]

اطلاعات بیشتر

اینترنت اشیاء دامداری هوشمند مقالات

هوشمند سازی گاوداری شیری

میزان ارزش افزوده ایجاد شده در صنعت گاوداری شیری مبتنی بر هوش مصنوعی و اینترنت [...]

اطلاعات بیشتر

مقالات

کشاورزی هوشمند: درس هایی از آفریقا، برای جهان

  آب و هوای جهان در حال تغییر است و پیش‌بینی می‌شود که این تغییر [...]

اطلاعات بیشتر

مقالات

داستان کوتاه : باغی که عاشق بود

یک باغ سیب به نام سیبین در دل دشتی سبز واقع شده بود. سیبین، با شاخه‌های [...]

اطلاعات بیشتر

مقالات

داستان کوتاه – هوش مصنوعی در دامداری: از صفر تا بهره‌وری

عنوان: “هوش مصنوعی در دامداری: از صفر تا بهره‌وری” در دشت‌های دیجیتالی، جایی که بیت‌ها [...]

اطلاعات بیشتر

مقالات

نقشه راه هوشمندسازی کشاورزی مبتنی بر اقلیم در ایران

  کشاورزی هوشمند مبتنی بر اقلیم CSA نیازمند یکپارچگی دیجیتالی اطلاعات آب و هوا و [...]

اطلاعات بیشتر

مقالات

رابطه تولید دام با هوشمند سازی اقلیم محور (دامداری حافظ محیط زیست) چیست؟

    معرفی فائو تعریف کرده است که کشاورزی هوشمند برای اقلیم کشاورزی است که [...]

اطلاعات بیشتر

مقالات دامداری هوشمند

آیا دامداری هوشمند رفاه حیوانات را بهبود می بخشد یا به آنها آسیب می رساند؟ فناوری و آنچه حیوانات می خواهند

      کشاورزی «هوشمند» یا «دقیق» عمل آوری محصولات کشاورزی را متحول کرده است، [...]

اطلاعات بیشتر

مقالات

رهبان جهان نهان مزرعه

    سامانه مزرعه هوشمند رهبان، نتیجه سال ها پژوهش و تلاش متخصصان ایرانی و [...]

اطلاعات بیشتر

مقالات

حامد در مزرعه

      این داستان در مورد شرکت پرتوتاپ رایان، تولید کننده سامانه پیشرفته کشاورزی [...]

اطلاعات بیشتر

کشاورزی هوشمند مقالات هواشناسی هوشمند

مزرعه هوشمند و کشاورزی هوشمند در یک نگاه

    کشاورزی هوشمند: فناوری ها و مزایا برای کشاورزی توسعه فناوری های مدرن بر [...]

اطلاعات بیشتر

مقالات

سنسور و ماهواره همزمان در کشاورزی هوشمند

فناوری پیشرفته در زمینه کشاورزی هوشمند به طور مداوم در حال پیشرفت است، اما برخی [...]

اطلاعات بیشتر

مقالات

همه چیز درباره کشت قراردادی

آینده کشاورزی قراردادی در ایران به دلیل افزایش آگاهی طبقه متوسط از ایمنی و کیفیت [...]

اطلاعات بیشتر

مقالات

اندازه بازار کشاورزی هوشمند

بازار کشاورزی هوشمند در سال 2022 به 15.1 میلیارد دلار رسید و انتظار می رود [...]

اطلاعات بیشتر

دامداری هوشمند مقالات هوش مصنوعی

افزایش میزان تولید گاو شیری به کمک گردنبند هوشمند

خلاصه با بزرگ و صنعتی شدن دام داری ها نیاز به هوشمند سازی و دامداری [...]

اطلاعات بیشتر

مقالات

استفاده از گردنبند هوشمند دام برای پیشگیری و درمان اسیدوز و لنگش تغذیه ای

مقدمه: هدف اصلی در هر کار اقتصادی از جمله دامپروری کسب سود اقتصادی و افزایش [...]

اطلاعات بیشتر

کاربردهای اصلی سنجش از دور در کشاورزی هوشمند

 برآورد سطح زیر کشت

پایش رشد محصولات

پیش بینی محصول

• محصول کتاب کشاورزی هوشمند

  

  مشاهده

  کشاورزی هوشمند

  کشاورزی هوشمند نسل پنجم

  ریال۵.۲۸۰.۰۰۰

  افزودن به سبد خرید