شناسایی و کشف مزارع کشت خشخاش با استفاده از بازتاب طیفی تصاویر ماهواره‌ای

نوع مقاله : پژوهشی

نویسندگان

1 استادیار جرم‌یابی دانشگاه علوم انتظامی امین، تهران، ایران

2 استادیار سنجش از دور دانشگاه علوم انتظامی امین، تهران، ایران

چکیده

زمینه و هدف: تصویربرداری ماهواره‌ای به دلیل قابلیت بالا در کاهش هزینه‌های موردنیاز، نداشتن خطر جانی و پایشِ زمانی منظم و مستمرِ پدیدۀ زمینی مورد‌نظر به‌طور گسترده مورد توجه واقع شده‌ و نتایج قابلِ قبولی ارائه داده است که هدف این تحقیق، شناسایی و کشف مزارع کشت خشخاش با استفاده از بازتابِ طیفیِ تصاویر ماهواره‌ای و اطلاعاتِ زمینی مناطقِ کشت شده است.
روش: تحقیق حاضر از نظر هدف، کاربردی و با رویکرد اکتشافی انجام شده ‌است. در این تحقیق، تصاویر ماهواره لَندسِت 8 (با توان تفکیکِ متوسط) مربوط به جغرافیای مورد مطالعه در سه تاریخ متفاوت (3 اسفند 1397، 18 اسفند 1397 و 5 فروردین 1398) و با نظر کارشناسان اخذ و پیش‌پردازش‌های اولیۀ آن‌ها انجام گرفت و برای تمام پدیده‌های زمینی، بازتابِ طیفی تهیه شد و با استفاده از این اطلاعات و روشِ طبقه‌بندی نظارت‌شده، نقشۀ طبقه‌بندی تهیه و نتایج آن با مشاهدات زمینی (چهارده نقطۀ زمینی برداشت‌شده) ارزیابی و شاخص‌های پوشش گیاهی برای تمام پدیده‌های زمینی استخراج شد.
یافته‌ها: نقشۀ طبقه‌بندی‌شده از روی تصاویر ماهوارۀ لندست 8 با طبقات پوشش زمینی با صحتِ کلی کاربر 46/87 درصد و صحتِ کلی نقشۀ تولیدشده‌ 02/88 درصد به دست آمد. شاخص تفاضل نرمال پوشش گیاهی، برای زمین کشاورزی، زمین غیر کشاورزی، مناطق آبی، جاده، رودخانه و مزارع خشخاش به ترتیب در تصویر اول 47/0، 39/0، 75/0-،10/0-، 08/0- و 20/0، در تصویر دوم 49/0، 38/0، 74/0-، 10/0-، 12/0- و 23/0 و در تصویر سوم 50/0، 42/0، 71/0-، 04/0-، 11/0- و 34/0 به دست آمد.
نتیجه‌گیری: داده‌های حاصلِ از سنجشِ از دور و پیشرفت فناوری و دانش موجود، توانایی تفکیـک عارضـه‌هـا و پدیـده‌هـای مختلـف کشاورزی از جمله سطح، نوع و الگوهای زمانی و مکانی کشت را دارد و می‌تواند به نحو مؤثری در شناسایی و کشف مزارع خشخاش مورد استفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Identifying of opium poppy cultivation farms using spectral reflections of satellite imagery

نویسندگان [English]

  • Ali Jahangirpour 1
  • Hadi Fadaei 2
1 Assistant professor of Criminology, Amin University, Tehran, Iran
2 Assistant professor of remote sensing, Amin University, Tehran, Iran
چکیده [English]

Background and Aim: Satellite imaging has been widely considered due to its high capability in minimizing the required costs, no risk of death, and regular and continuous time monitoring. The use of spectral separation and, by its nature, the use of vegetation indices at a broad level is worth considering. The purpose of this paper; Identification of opium poppy cultivation farms using spectral reflections of satellite imagery and ground data relating to cultivation areas.
 Research methodology: This research is an applied goal with an exploratory approach. In current research, Landsat-8 satellite images relating to the case study were obtained and initial pre-processions were performed. Satellite images with average resolution of Landsat 8 were taken on three dates: February 22 2019, March 9, 2019 and March 25, 2019 provided. Spectral reflectance for all terrestrial phenomena of these satellite images to use supervised classification method with Spectral Angle Mapper (SAM) algorithm and the results as a classification map was prepared and evaluated by ground observations (fourteen ground points taken) and extracted for all terrestrial phenomena.  
Findings: Vegetation indices where the accuracy of the classified map was obtained from satellite images with 8 classes of ground cover with the overall accuracy of the user in producing the map 87.46% and the total accuracy of the generated map 88.02%. And Vegetation Index Normal Vegetation Difference (NDVI) for non-vegetated land, vegetated land, vegetated, water bodies, road, river and poppy cover (pictured) First: 0.47, 0.39, -0.75, -0.10 and 0.20), (Second image: 0.49, 0.38, -0.74, -0.10, -0.12 and 0.23), (Third image: 0.50, 0.42, -0.71, -0.04, -0.11 and 0.34) were obtained.

کلیدواژه‌ها [English]

  • satellite imagery
  • poppy
  • Cultivation Farms
  • spectral reflectance
  • vegetation indices and Spectral Angle Mapper (SAM) classification
منابع فارسی
- اصلانی‌افوسی، زینب (1390). خصوصیات طیفی برگ گونه‌های درختی غالب جنگل‌های زاگرس با استفاده از طیف‌سنجی زمینی.  پایان‌نامۀ کارشناسی ارشد دانشکدۀ منابع طبیعی و علوم زمین. دانشگاه لرستان.
- برومند، شهرزاد (1382). نگاهی به قیمت و درآمد ناشی از مواد مخدر و سازماندهی جنایی آن در جهان. رفاه اجتماعی. 3(۹)، صص۶۳-۹۰. قابل بازیابی از: https://b2n.ir/t83198
- بیگدلی، بهنام؛ ولدان زوج، محمدجواد؛ مقصودی، یاسر (1395). آنالیز تفکیک‌پذیری طیف‌های حاصل از مشاهدات میدانی ارقام گندم و جوی ایرانی در مراحل مختلف رشد آن‌ها با استفاده از شاخص‌های گیاهی. مهندسی فناوری اطلاعات مکانی. ۴(۱)، صص۶۱-۸۲. قابل بازیابی از: https://b2n.ir/d60169
- خداکرمی، لقمان و سفیانیان، علیرضا (1391). کاربرد سنجش از دور چند زمانی در تعیین سطح زیر کشت، مجله علوم و فنون کشاورزی و منابع طبیعی. علوم آب و خاک. 16(59)، صص215-231. قابل بازیابی از: https://b2n.ir/y78192
- سپهری، عادل (1381). بررسی قابلیت روش مینه آرت در حذف اثر توپوگرافی در تصاویر ماهواره‌ای. مجلۀ منابع طبیعی ایران. 55(1)، صص107-122.
- عباسی، مژگان؛ درویش‌صفت، علی‌اصغر؛ شپمن، مایکل‌الرت؛ مروی‌مهاجر، محمدرضا و سبحانی، هوشنگ (1388). بررسی تفاوت انعکاس طیفی برگ مهمترین گونه‌های درختی جنگل‌های خزری با استفاده از طیف‌سنجی زمینی. مجلۀ تحقیقات جنگل و صنوبر ایران. 17(38)، صص580–568. قابل بازیابی از: https://b2n.ir/n72038
- علی خواه اصل، مرضیه و ناصری، داریوش (1396). ارزیابی روند تغییرات پوشش اراضی حوزه آ‌ب‌ خیز کفتاره با استفاده از روش سنجش از دور. فصلنامۀ علوم و تکنولوژی محیط‌زیست. 19(3)، صص83-112. قابل بازیابی از: https://b252n.ir/y847
- نوروزی، رضا و خزایی، صفا (1396). شناسایی مزارع غیرقانونی خشخاش با استفاده از تصاویر ماهواره‌ای. فصلنامۀ کارآگاه. 11(41)، صص۱۱۹-140. قابل بازیابی از: https://b2n.ir/t001158
- یزدانی، داراب؛ رضازاده، شمسعلی و شهنازی، سحر. (1381) مروری بر گیاه خشخاش، گیاهان دارویی، 2 (5): 1-12. قابل بازیابی از: https://b2n.ir/h37825
منابع لاتین
- Bennington A.L. (2008). Application of multi-spectral remote sensing for crop discrimination in Afghanistan, PhD thesis, Cranfield University.
- Berger, A., Ettlin, G., Quincke, C., & Rodríguez-Bocca, P. (2018). Predicting the Normalized Difference Vegetation Index (NDVI) by training a crop growth model with historical data. Computers and Electronics in Agriculture. Retrieved from: https://b2n.ir/u52506
- Demir, S., & Başayiğit, L. (2019). Determination of Opium Poppy (Papaver Somniferum) Parcels Using High-Resolution Satellite Imagery. Journal of the Indian Society of Remote Sensing, 47(6), 977-987. Retrieved from: https://b2n.ir/u36236
- Deng, W., You, C., & Zhang, Y. (2020). Spectral discrimination sensors based on nanomaterials and nanostructures: A Review.  IEEE Sensors Journal. Retrieved from: https://b2n.ir/w19877; DOI: 10.1109/jsen.2020.3032720
- Ge, G., Shi, Z., Zhu, Y., Yang, X., & Hao, Y. (2020). Land use/cover classification in an arid desert-oasis mosaic landscape of China using remote sensed imagery: Performance assessment of four machine learning algorithms. Global Ecology and Conservation, e00971. Retrieved from: https://b2n.ir/x84271
- Ghorbanian, A., Kakooei, M., Amani, M., Mahdavi, S., Mohammadzadeh, A., & Hasanlou, M. (2020). Improved land cover map of Iran using Sentinel imagery within Google Earth Engine and a novel automatic workflow for land cover classification using migrated training samples. ISPRS Journal of Photogrammetry and Remote Sensing, 167, 276-288. Retrieved from: https://b2n.ir/r37003
- Gupta, S. K., & Shukla, D. P. (2020). Evaluation of topographic correction methods for LULC preparation based on multi-source DEMs and Landsat-8 imagery. Spatial Information Research, 28(1), 113-127. Retrieved from: https://b2n.ir/a57827
- He, Q., Zhang, Y., & Liang, L. (2020). Identification of poppy by spectral matching classification. Optik, 200, 163445. Retrieved from: https://b2n.ir/e82393
- Huete, A. R. (2004). Remote sensing for environmental monitoring. In Environmental monitoring and characterization (pp. 183-206). Academic Press.
- Jia, K., Wu, B., Tian, Y., Li, Q., & Du, X. (2011). Spectral discrimination of opium poppy using field spectrometry. IEEE Transactions on Geoscience and Remote Sensing, 49(9), 3414-3422. Retrieved from: https://b2n.ir/m28007
- Li J. (2021) Fundamentals of Satellite Remote Sensing Technology. In: Satellite Remote Sensing Technologies. Space Science and Technologies. Springer, Singapore. Retrieved from: https://b2n.ir/k24230
- Li, W., Sun, Z., Lu, S., & Omasa, K. (2019). Estimation of the leaf chlorophyll content using multi-angular spectral reflectance factor. Plant, Cell & Environment. Retrieved from: https://b2n.ir/g95816
- Maher, A., & Ghazal, N. K. (2020). Removing atmospheric effects for Multi spectral images (OLI 8) using ATCOR model. MS&E, 757(1), 012072. Retrieved from: https://b2n.ir/a86266
- Nakazawa, A., Kim, J. H., Mitani, T., Odagawa, S., Takeda, T., Kobayashi, C., & Kashimura, O. (2012, July). A study on detecting the poppy field using hyperspectral remote sensing techniques. In 2012 IEEE International Geoscience and Remote Sensing Symposium (pp. 4829-4832). IEEE. Retrieved from: https://b2n.ir/d40853
- Rai, A. K., Mandal, N., Singh, A., & Singh, K. K. (2020). Landsat 8 OLI Satellite Image Classification using Convolutional Neural Network. Procedia Computer Science, 167, 987-993. Retrieved from: https://b2n.ir/m16640
- Siamak Khorram, Cynthia F. van der Wiele, Frank H. Koch, Stacy A. C. Nelson and Matthew D. Potts. Principles of Applied Remote Sensing, 2016. Published by Springer Science+Business Media New York, 313 page.
- Singhal, G., Bansod, B., Mathew, L., & Taneja, S. (2018). A Preparatory Comparison of Landsat and Sentinel Satellite Data for Estimation of Chlorophyll Concentration in Vegetation. 2018 2nd International Conference on Micro-Electronics and Telecommunication Engineering (ICMETE). Retrieved from: https://b2n.ir/a88191
- Soydan, H., Koz, A., & Düzgün, H. Ş. (2019). Identification of hydrocarbon microseepage induced alterations with spectral target detection and unmixing algorithms. International Journal of Applied Earth Observation and Geoinformation, 74, 209-221. Retrieved from: https://b2n.ir/w74533
- Tian, Y., Wu, B., Zhang, L., Li, Q., Jia, K., & Wen, M. (2011). Opium poppy monitoring with remote sensing in North Myanmar. International Journal of Drug Policy, 22(4), 278–284. Retrieved from: https://b2n.ir/g81347
- UNODC (2004, 2011, 2013 & 2014). Southeast Asia Opium Survey"
- Wang, J. I. A. N. J. U. N. (2013). Unsupervised Detection of Opium Poppy Fields in Afghanistan from EO-1 Hyperion Data. Master diss., University of New Brunswick.
- Wang, J.-J., Zhang, Y., & Bussink, C. (2014). Unsupervised multiple endmember spectral mixture analysis-based detection of opium poppy fields from an EO-1 Hyperion image in Helmand, Afghanistan..sciencedirect. Volumes 476–477,, Pages 1-6. Retrieved from: https://b2n.ir/p30335
- Zhang, Y., Guo, L., Chen, Y., Shi, T., Luo, M., Ju, Q., … Wang, S. (2019). Prediction of Soil Organic Carbon based on Landsat 8 Monthly NDVI Data for the Jianghan Plain in Hubei Province, China. Remote Sensing, 11(14), 1683. Retrieved from:  https://b2n.ir/f96635
- Zhou, J., Tian, Y., Yuan, C., Yin, K., Yang, G., & Wen, M. (2019). Improved UAV Opium Poppy Detection Using an Updated YOLOv3 Model. Sensors, 19(22), 4851. Retrieved from: https://b2n.ir/q07867