پژوهش‌های مکانیک ماشینهای کشاورزی

پژوهش‌های مکانیک ماشینهای کشاورزی

بهره گیری از داده‌های سنجش از راه دور در استخراج شاخص بهینه شناسایی و تشخیص پوشش پلاستیکی مزارع صیفی‌جات

نوع مقاله : مقاله پژوهشی

نویسندگان
مجید یوسفیان هاشم آبادی 1
حسین باقرپور 1
مهرانه خدامرادپور 2
1 گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
2 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
10.22034/jrmam.2025.15227.752
چکیده
پسماندهای پلاستیکی می‌توانند موجب آلودگی غیرمنتظره خاک، افت کیفیت زمین-های زراعی و اختلال در عملیات کشاورزی گردند. تعیین آستانه‌های معتبر و مقایسه شاخص‌های متفاوت در تشخیص پوشش‌های پلاستیکی مزارع با استفاده از فناوری‌های سنجش از دور به منظور مدیریت میزان سطح زیر کشت پلاستیک و امکان مدیریت حجم پسماند تولیدی هدف اصلی این پژوهش است. در این پژوهش، سامانه Google Earth Engine (GEE) و تصاویر ماهواره‌ای Sentinel-2 برای تشخیص پوشش پلاستیکی مزارع خیار و هندوانه در استان همدان مورد بررسی قرار گرفت. بدین منظور آستانه‌های تشخیص پوشش پلاستیکی بر اساس محدوده میان چارکی شاخص-های سنجش از دور گیاهی شامل NDVI و NDWI و شاخص‌های طیفی تشخیص پلاستیک شامل PMI، PMFI1 و PMFI2 در فصل رشد مزارع نمونه برداری شده برآورد شد. سپس شاخص‌ها براساس دقت تشخیص نواحی پلاستیک براساس آستانه-های موردنظر در ماه‌های مختلف فصل رشد ارزیابی شدند. نتایج این ارزیابی نشان از عملکرد بالای شاخص NDWI در آغاز فصل رشد در هر دو محصول بود، با این‌حال شاخص‌های طیفی در میانه‌ی فصل رشد عملکرد متفاوتی در شناسایی پلاستیک نسبت به نوع پوشش گیاهی داشتند، به طوری‌که شاخص PMFI1 در مزارع هندوانه و شاخص PMI در مزارع خیار دقت‌های بالاتری در شناسایی پوشش پلاستیک در استان همدان داشتند. نتایج این پژوهش در خصوص دقت بالای شاخص‌های سنجش از دور در شناسایی پوشش پلاستیکی مزارع، می‌‌تواند کمک شایانی در تصمیم‌گیری و حل معضلات زیست محیطی و مدیریت پسماندهای پلاستیکی باشد.
کلیدواژه‌ها
پوشش پلاستیکی مزارع
شاخص‌های پوشش پلاستیکی
سنجش از دور
ماهواره Sentinel-2
صیفی‌جات

موضوعات

Agüera, F., Aguilar, F.J., & Aguilar, M.A. (2008). Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses. ISPRS J. Photogrammetry and Remote Sensing. 63 (6), 635–646. https://doi.org/10.1016/j.isprsjprs.2008.03.003
Chang-Rong, Y., En-Ke, L., Fan, S., Liu, Q., Liu, S., & Wen-Qing, H. (2014). Review of agricultural plastic mulching and its residual pollution and prevention measures in China. J. Agric. Resour. Environ. 31, 95–102. https://doi.org/10.13254/j.jare .2013.0223
Chen, Z., Wang, L., Wu, W., Jiang, Z., & Li, H. (2016). Monitoring plastic-mulched farmland by Landsat-8 OLI imagery using spectral and textural features. Remote Sens. 8 (4), 353. https://doi.org/10.3390/rs8040353
Chen, Z., & Li, F. (2017). Mapping Plastic-Mulched Farmland with C-Band Full Polarization SAR Remote Sens. Data. Remote Sens. 9 (2), 1264. https://doi.org/10.3390/rs9121264
Dong, J., Xiao, X., Menarguez, M.A., Zhang, G., Qin, Y., Thau, D., Biradar, C., & Moore, B. (2016). Mapping paddyrice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine. Remote Sens. Environ. 185, 142–154. https://doi.org/10.1016/j.rse.2016.02.016
Dris, R., Imhof, H., Sanchez, W., Gasperi, J., Galgani, F., Tassin, B., & Laforsch, C. (2015). Beyond the ocean: Contamination of freshwater ecosystems with (micro-) plastic particles. Environmental Chemistry. 12(5) 539-550. https://doi.org/10.1071/EN14172
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sens. Environ. 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031
Huang, S.H., Tang, L., Hupy, J. P., Wang, Y., & Shao, G. (2021). A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research. 32, 1–6.
 Koc-San, D. (2013). Evaluation of different classification techniques for the detection of glass and plastic greenhouses from WorldView-2 satellite imagery. J. Appl. Remote Sens. 7 (1), 073553. https://doi.org/10.1117/1.JRS.7.073553
Kordi, F., & Yousefi, H. (2022). Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images. Remote Sens. Appl. Soc. Environ. 27, 100812. https://doi.org/10.1016/j.rsase.2022.100812
Lanorte, A., De Santis, F., Nolè, G., Blanco, I., Loisi, R.V., Schettini, E., & Vox, G. (2017). Agricultural plastic waste spatial estimation by Landsat 8 satellite images. Computers and Electronics in Agriculture. 141, 35–45. https://doi.org/10.1016/j.compag.2017.07.003
Levin, N., Lugassi, R., Ramon, U., Braun, O., & Ben-Dor, E. (­2007). Remote sensing as a tool for monitoring plasticulture in agricultural landscapes. Int. J. Remote Sens. 28 (1), 183–202. https://doi.org/10.1080/01431160600658156
 Liu, C.A., Chen, Z., Wang, D., & Li, D. (2019). Assessment of the X-and C-Band Polarimetric SAR Data for Plastic-Mulched Farmland Classification. Remote Sens. 11 (6), 660. https://doi.org/10.3390/rs11060660
Liu, S., Qiu, J., & Li, F. (2024). A Remote Sensing Water Information Extraction Method Based on Unsupervised Form Using Probability Function to Describe the Frequency Histogram of NDWI: A Case Study of Qinghai Lake in China. J. Water. 16(12), 1755. https://doi.org/10.3390/w16121755
Lu, L., Di, L., & Ye, Y. (2014). A decision-tree classifier for extracting transparent plastic-mulched Landcover from landsat-5 TM images. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 7 (11), 4548–4558. https://doi.org/10.1109/JSTARS.2014.2327226
Lu, L.Z., Hang, D.W., & Di, L.P. (2015). Threshold model for detecting transparent plastic mulched landcover using MODIS time series data: a case study in southern Xinjiang, China. J. Appl. Remote Sens. 9 (1), 097094. https://doi.org/10.1117/1.JRS.9.097094
Lu, L., Huang, Y., Di, L., & Hang, D. (2018). Large-scale subpixel mapping of landcover from MODIS imagery using the improved spatial attraction model. J. Appl. Remote Sens. 12 (4), 046017. https://doi.org/10.1117/1.JRS.12.046017
Lu, L., Xu, Y., Huang, X., K. Zhang, H., & Du, Y. (2024). Large-scale mapping of plastic mulched land from Sentinel-2 using an index-feature-spatial-attention fused deep learning model. Remote Sens, 11, 100188. https://doi.org/10.1016/j.srs.2024.100188
Rahmati, A., Valadan Zoej, M.J., & Taheri Dehkordi, A. (2022). Early identification of crop types using Sentinel-2 satellite images and an incremental multi-feature ensemble method (Case study: Shahriar, Iran). J. Advances in Space Research. 70 (4), 907–922. https://doi.org/10.1016/j.asr.2022.05.038
Xiong, Y., Zhang, Q., Chen, X., Bao, A., Zhang, J., & Wang, Y. (2019). Large Scale Agricultural Plastic Mulch Detecting and Monitoring with Multi-Source Remote Sensing Data: A Case Study in Xinjiang, China. Remote Sens. 11 (18), 2088. 2088. https://doi.org/10.3390/rs11182088