سامانه جامع پایش کشاورزی مبتنی بر داده های سنجش از دور

سامانه جامع پایش کشاورزی مبتنی بر داده های سنجش از دور

سامانه جامع پایش کشاورزی مبتنی بر داده های سنجش از دور

بی شک دسترسی به داده های مناسب با دقت بالا و سرعت گردآوری ضرورتی انکار ناپذیر در هر گونه برنامه ریزی است.بخش کشاورزی با توجه به تغییرات و نوسانات اقلیمی از یک سو و گسترش جوامع و توسعه نامتوازن جمعیتی از دیگر سو دسترسی سریع و دقیق اطلاعات مکانی از اهمیت و جایگاه بالایی برخوردار است.داده هاي ماهواره اي به همراه فن آوري سنجش از دور از جمله ابزارهاي کارآمد براي مطالعه وپایش، تعیین سطح زیر کشت محصولات کشاورزي می باشد. محصولات سنجش از دور با قابلیت تفکیک طیفی ،تکرار پذیری زمانی و داراي ماهیت مكاني – نقشه اي روشی مناسب ،مقرون به صرفه و قابل استنادی برای یافتن سطح زیر کشت و آشکارسازی تغییرات زمانی آن است.  كشاورزي يكي از منابع كليدي در تأمين نياز غذايي براي مردم هر كشور بوده كه در اين راستا از اهميت ويژه اي برخوردار است. بنابراين در جهت تصميم گيري ، مديريت منابع و برنامه ريزي در سطح كلان مي بايست به اطلاعات مربوط به كشاورزي ( سامانه پایش محصولات کشاورزی مبتنی بر داده)از قبيل سطح زير كشت، ميزان محصول ، آفت هاي كشاورزي و غيره دسترسي داشت . همچنين پايش سلامت گياه، شناسايي استرس ها، تعيين ظرفيت فتوسنتز و ميزان محصولات منطقه، در راستاي كشاورزي پايدار امري اجتناب ناپذير است و يكي از روش هاي مناسب، كم هزينه و سريع در تأمين اين اطلاعات، استفاده از اندازه گيري هاي ثبت شده توسط تصاوير ماهواره اي مي باشد. ازآنجايي كه محصولات كشاورزي در محدوده طول موجي مرئي و مادون قرمز طيف الكترومغناطيس بيشترين تمايز را نسبت به ساير پوشش هاي سطحي نشان مي دهند، هر چه تعداد باندهاي طيفي يك سنجنده در اين محدوده ها افزايش يابد، منحني هاي طيفي محصولات با دقت بيشتري ترسيم شده و در نتيجه تمايز بين محصولات مختلف كشاورزي بر اساس اين منحني بالاتر مي رود. اين موضوع در مورد تصاوير ابرطیفی صدق مي كند ، ولي در مورد تصاوير چند طيفي به دليل تعداد باندهاي محدود و با پهناي زياد در دامنه طيفي امواج مرئي و مادون قرمز، منحني طيفي محصولات مختلف كشاورزي به خطوط شكسته نزديك شده و شباهت بين آن ها را افزايش مي دهد و در نتيجه تمايز بين آن ها را بشدت كاهش مي دهد و به همين دليل براي تفكيك بين محصولات ، كشاورزي مختلف با استفاده از تصاوير چند طيفي ، اغلب از تصاوير چندزمانه استفاده مي شود. از طرفي با توجه به اينكه رفتار طيفي محصولات كشاورزي مختلف( سامانه پایش محصولات کشاورزی مبتنی بر داده) در طول دوره رشد (تقويم زراعي ) متفاوت است ، در يك زمان خاص نمي توان تمامي محصولات را در وضعيت يكسان از دوره رشد، در تصوير مشاهده نمود . ممكن است بعضي از محصولات در دوره رويش اوليه و برخي ديگر در دوره بلوغ و مابقي در زمان پيري خود باشند، كه اين مورد امكان ادغام  بعضي از محصولات باهم و يا باكلاس خاك را زياد مي كند همچنين استفاده از تصاوير چند زمانه در طول دوره رشد محصولات كشاورزي، امكان استفاده از منحني طيفي زماني(كه با تقويم زراعي هر محصول ارتباط دارد)، را مي دهد . اين منحني طيفي براي هر محصول تقريباً مجزا بوده و قابليت تمايز بين محصولات مختلف را بالا مي برد. ابزار سنجش از دور نه تنها توانایی تشخیص طبقه ‌بندی کشت محصولات زراعی را در یک منطقه دارد بلکه توانایی تشخیص سطح زیر کشت و تخمین عملکرد را نیز داراست. با توجه به اینکه اطلاعات به روز یکی از نیازات پایه‌ ای و اساسی برای تصمیم گیری و مدیریت می باشد، بنابراین مدیریت و تصمیم گیری برای تحویل محصولات غذایی برای فروش، نیاز به اطلاعات به هنگام شده سطح زیرکشت محصولات زراعی و عملکرد آنها می ‌باشد. در این رابطه در کشور هند پروژه‌ای تحت عنوان ” تعیین سطح زیر کشت محصولات زراعی و تخمین تولید ” با استفاده از داده‌ های ماهواره ‌ای برای پیش‌ بینی سطح زیر کشت و عملکرد محصولات مختلف قبل از برداشت در

دست اجراست و این در تصمیم‌ گیری ‌های اقتصادی بسیار مهم است که این اطلاعات قبل از برداشت در دست دولت باشد.  برنامه ریزان و سیاستگذاران بخش کشاورزی با آگاهی از سطح زیر کشت می توانند سیاست هاي مدیریتی و اجرایی مناسبی در زمینه هایی از قبیل تعیین الگوی کشت در هر منطقه، زیرساختهای پشتیبانی ، خدمات مکانیزه منطبق با نیاز و شرایط بومی و سایر موارد اتخاذ نمایندو آن را در اختیار کاربر نهایی(کشاورزان) قرار دهند.

سیستم های فنی و برنامه های تحقیقاتی اصلی در دنیا با هدف استفاده از داده های سنجش از دور در پایش کشاورزی

تاریخپروژهکشور
1974-1978LACIEآمریکا
1980-1986AGRISTARSآمریکا
1989-1993MARSاتحادیه اروپا
2001-?LUCASاتحادیه اروپا
1980s-Nowپروژه های کاریردی

سایر کشور ها

برای مطالعه و اطلاع از مقاله هوشمند سازی در آبزی پروری از اینجا وارد شوید .

هوشمند سازی آبزی پروری

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 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 دقيق می توان به نتايج قابل قبولی رسيد. با توجه به عدم دسترسی به اطلاعات هواشناسی- 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.

برای اطلاع و مطالعه مقاله مرتبط  بلاکچین در کشاورزی  بهبود تکنیک های کشاورزی از این طریق وارد شوید .

کاربردهای اصلی سنجش از دور در کشاورزی

 برآورد سطح زیر کشت

پایش رشد محصولات

پیش بینی محصول

سنجنده های کاربردی در کشاورزی

ماهواره لندست 8(Landsat-8)

ماهواره لندست در تاريخ ۱۱ فوريه ۲۰۱۳ راه اندازي شده است. ماهواره لندست ۸ سه ماموريت کليدي و اهداف عمده دارد:

  • جمع آوري و آرشيو اطلاعات تصاوير چندطيفي (multispectral) با رزولوشن متوسط (قدرت تفکيک مکاني ۳۰ متري) براي ايجاد پوشش فصلي براي يک دوره حداقل ۵ ساله
  • اطمينان از اين که داده هاي لندست ۸ به اندازه کافي با داده هاي ماهواره هاي قبلي سري لندست از لحاظ هندسه اخذ داده، کاليبراسيون، خصوصيات پوشش، ويژگي هاي طيفي، کيفيت محصول خروجي، و در دسترس بودن داده ها سازگار هستند تا بدين وسيله امکان مطالعات پوشش گياهي و مطالعات تغيير کاربري اراضي در طول زمان وجود داشته باشد
  • توزيع محصولات اطلاعاتي لندست ۸ به عموم مردم بدون هيچ گونه تبعيض و هزينه اي براي کاربر.

باندهای ماهواره لندست 8

لندست ۸ دارای ۱۱ باند می باشد.باند قرمز (۴)، سبز (۳)، آبی (۲)، که با ترکیب آنها تصویری با رنگ های طبیعی بدست می آید.

از بین این باندها باندهای شماره ۱ تا ۴ و ۸ در محدوده دید انسان قرار داشته و بقیه باندها خارج از محدوده مرئی می باشد.

رزولوشن(متر)میکرومترشماره باند
30۰٫۴۳۳۰٫۴۵۳1
30۰٫۴۵۰۰٫۵۱۵2
30۰٫۵۲۵۰٫۶۰۰3
30۰٫۶۳۰۰٫۶۸۰4
30۰٫۸۴۵۰٫۸۸۵5
30۱٫۵۶۰۱٫۶۶۰6
30۲٫۱۰۰۲٫۳۰۰7
15۰٫۵۰۰۰٫۶۸۰8
30۱٫۳۶۰۱٫۳۹۰9
100۱۰٫۶-۱۱٫۲10
100۱۱٫۵-۱۲٫۵11

جدول باندهای ماهواره لندست 8

 معرفی باندهای ماهواره لندست 8

باند ۱ در محدوده ماورای بنفش و آبی است. جمع آوری نور آبی از فضا دشوار بوده زیرا به آسانی توسط گردوغبار و مولکولهای آب معلق در هوا پراکنده می شود. این دلیل است که چرا چیزهای خیلی دور (مثل کوه ها در افق) آبی به نظر میرسند و و چرا آسمان آبی است. این باند می تواند اطلاعات مربوط به نور آبی را جمع آوری کرده و یکی از عواملی که این ماهواره را از بقیه متمایز می کند وجود همین باند است. دو تا از استفاده های مهم این باند شامل: نشان دادن عمق آب و دنبال کردن ذرات ریزی مثل گرد و غبار و دود است. این باند تا حدودی شبیه باند ۲ است اما اگر این دو را مقایسه کرده و مناطقی که عمق بیشتری دارند مشخص کنیم میتوانیم تفاوت ها را ببینیم.باند۵ ، باند مادون قرمز نزدیک است که NIR نامیده می شود. این طیف برای اکولوژی مهم است زیرا سلامت گیاهان را نشان می دهد. آب موجود در برگهای گیاهان طول موج ها را به سمت آسمان پراکنده کرده و گیاهان در این باند بیشترین بازتاب را دارند.باندهای ۶ و۷ در محدوده مادون قرمز کوتاه قرار دارد و SWIR نامیده می شود. این باندها برای تمایز و تشخیص زمین های مرطوب از خشک بکار می رود و در علوم  زمین شناسی که صخره ها، سنگ ها و خاک ها خیلی  شبیه به هم هستند در سایر باندها تفکیک آن ها از یکدیگر دشوار بوده در این باندها به راحتی از هم تفکیک می شوند.

باند ۸ ، باند پانکروماتیک است که همان باند پن نام دارد که طول موج آن همه باندهای مرئی را دربرگرفته و بصورت سیاه و سفید است. این باند دارای رزولوشن ۱۵ متری می باشد.باند ۹ ، این باند کمترین جزئیات را نشان میدهد با این حال یکی از  جالب توجه ترین باندهای لندست ۸

است. به دلیل جذب اتمسفر در محدوده ۱۳۷۰ +-۱۰نامومتری کمتر ماهواره ای قادر به نشان دادن این طول موج است که باند ۹ لندست ۸ این کار را انجام میدهد. در این باند سطح زمین دیده نمی شود و چیزهایی که در بالای زمین یا بالای اتمسفر است نمایان می شود. همچنین این باند مخصوص نشان دادن ابرهای سیروسی است که گاهی بدلیل شفاف بودن قابل مشاهده نبوده یا به سختی دیده می شوند.باندهای ۱۰ و ۱۱ مادون قرمز حرارتی یا TIR هستند. که گرمای سطح زمین و اشیای داخل آن را نشان می دهند. طی مطالعه ای در سال های گذشته نشان داد که درجه حرارت برخی بیابان ها بیش از ۷۰ درجه سانتی گراد است که برای درست کردن یک نیمرو کافیست.

برای اطلاع و مطالعه مقاله اینترنت اشیاء (IoT) چیست، از این طریق وارد شوید .

اینترنت اشیاء (IoT) چیست؟

ماهواره سنتینل 2(Sentinel-2)

سنتینل-۲ یکی از پروژه‌های رصد زمین است که توسط آژانس فضایی اروپا به عنوان بخشی از برنامه کوپرنیک به منظور بهبود مأموریت‌های دیده‌بانی زمین و پشتیبانی از خدماتی مانند پایش جنگل‌ها، بررسی تغییرات پوشش زمین و مدیریت بلایای طبیعی توسعه یافته است. این پروژه شامل دو ماهواره یکسان سنتینل-۲ای و سنتینل-۲بی است.

مأموریت سنتینل-۲ دارای  قابلیت‌ها و توان‌ها ی زیر است:

تصویربرداری چندطیفی با ۱۳ باند در محدوده طیف مرئی، فروسرخ نزدیک و موج کوتاه فروسرخ از طیف الکترومغناطیسی پوشش جهانی منظم از سطح زمین از مدار ۵۶ درجه جنوبی تا ۸۴ درجه شمالی، آب‌های ساحلی و تمام دریای مدیترانه بازبینی یک منطقه در فاصله زمانی ۵ روزه با همان زاویه دید. نوار تصویربرداری سنتینل-۲ در ارتفاعات بلند و برخی مناطق هم‌پوشانی داشته و ممکن است در فاصله ۵ روزه دو بار یا بیشتر با زاویه دید متفاوت مورد تصویربرداری قرار گیرند.

مشخصات فنی سنتینل 2

مدار این ماهواره خورشید آهنگ و قطبی و در ارتفاع 786 کیلومتری قرار دارد .منطقه تحت پوشش این ماهواره از عرض 84 درجه شمالی تا 56 درجه جنوبی میباشد .عمر مفید در نظر گرفتهش ده برای این ماهواره 7 سال میباشد .  Sentinel 2یک سنجده چند طیفی با 13 باند (بین طول موج های 443 تا 2190 نانومتر) است که 4 باند مرئی ومادون قرمز نزدیک با قدرت تفکیک مکانی 10 متر (شکل 6-3)،6 باند مادون قرمز کوتاه و لبه قرمز با قدرت تفکیک مکانی 20 متر (شکل 7-3)و 3 باند تصحیح اتمسفری با قدرت تفکیک 60 متر دارد (شکل 8-3). پهنای تصویر برداری این ماهواره 290 کیلومتر میباشد . این تصاویر میتواند برای طیف وسیعی از کاربردها از جمله کشاورزی( سامانه پایش محصولات کشاورزی مبتنی بر داده) و پایش جنگلداری و … به کار رود.

شماره باندمیکرومتررزولوشن(متر)
10.44360
20.49010
30.56010
40.66510
50.70520
60.74020
70.78320
80.84210
A 80.86520
90.94560
101.37560
11.61020
122.19020

 

محصولات شرکت دانش بنیان پرتوتاپ رایان

برای دریافت اطلاعات بیشتر وارد شوید و فرم های زیر را تکمیل بفرمایید

مشاوره

ورود بیشتر بدانید

آموزش

ورود بیشتر بدانید

اشتراک گذاری / مقالات دیگر