Water Management in Agriculture

Water Management in Agriculture

Comparing various classification algorithm of UAVs images to estimate maize canopy cover fraction

Document Type : Original Article

Author
Masoud Soltani
Assistant Prof. Department of Water Sci. and Eng., Faculty of Agricultural and Natural Resources, Imam Khomeini International University, Qazvin, Iran
10.22034/wmaj.2025.210113
Abstract
Recent progress in technology and their general development, provide possibility of producing valuable data for experts in various sciences, including agriculture, in order to increase productivity and producing quality product. Recording aerial images with the help of unmanned aerial vehicles (UAVs) and using image processing algorithms can provide the farmer with a high-precision and timely analysis of the crop's condition. In this research, drone images were used to estimate maize canopy cover fraction index. Four different supervised classification algorithms including support vector machine (SVM), minimum distance from the mean (MDM), minimum Mahalanobis distance from the mean (MDC) and The maximum likelihood classification method (MLC) was evaluated.The results showed that the lowest level of accuracy in separating the classes and determining the canopy cover fraction is related to the MDM method with an overall accuracy of 73.4% and a kappa coefficient of 0.61. Although the other three methods had an overall accuracy above 90%, the MDC method has been able to perform best with an overall accuracy of 94.5% and a Kappa coefficient of 0.92. Although the SVM method has close and good results, the image processing time in this method is much higher than the MDC method. The results showed that, although the MLC method ranks third among the studied methods in terms of overall accuracy and kappa coefficient, it has been very accurate in detecting leaf and plant shadow pixels. So that it had the highest production accuracy of leaf and plant shadow class, 98.3% and 99.01%, respectively. Generally, it can be concluded that supervised classification algorithms can be reliable methods in estimating plant indices with optimal accuracy, and the use of these methods are reommended in both extensive field research and applied analyzes.
Keywords
Supervised Calssification
SVM
MDM
MDC MLC
آمارنامه کشاورزی سال 1402-1401، معاونت آمار مرکز آمار، فناوری اطلاعات و ارتباطات، شهریور 1403
اسدی، ب.، شمس‌الدینی، ع. 1403. تفکیک محصولات زراعی با استفاده از ترکیب تصاویر سنتینل-1 و 2 در استان اردبیل. نشریه سنجش از دور و GIS ایران. 16 (3): 25-46. doi: 10.48308/gisj.2023.103095
برازمند، س.، سوسنی، ج.، نقوی، ح. و صادقیان، س. 1398. قابلیت تصاویر پهپاد در تشخیص گونه‌های بلوط ایرانی (.Quercus brantii Lindl)  و دارمازو (Quercus infectoria Oliv). . تحقیقات جنگل و صنوبر ایران. 27 (3): 257-245. doi: 10.22092/ijfpr.2019.120630
بیات، م.، میرآخرلو، خ.، صادق زاده، ح. و حیدری مستعلی، س. 1401. تهیه و صحت‌سنجی نقشة پراکنش صنوبرکاری‌ها با استفاده از تصاویر ماهواره‌ای سنتینل‌ـ 2 و داده‌های زمینی در استان زنجان. نشریه سنجش از دور  و GIS ایران. 14 (3): 14-1. doi: 10.52547/gisj.14.3.1
تراهی، ع.ا.، فیروزی‌نژاد، م. و عبدالخانی، ع. 1396. ارزیابی عملکرد الگوریتم‌های ماشین بردار پشتیبان و حداکثر احتمال در تهیة نقشة کاربری اراضی جنگل‌های رودخانه‌ای با استفاده از سنجندة OLI (منطقة موردمطالعه: جنگل‌های رودخانه‌ای مارون بهبهان). نشریه سنجش از دور  و GIS ایران. 9 (1): 62-49.
خلیلی، ز.، فلاح، ا. و شتایی، ش. 1402. تهیه نقشه روشنه تاجی در جنگل‌کاری‌های سوزنی‌برگان با استفاده از تصاویر پهپادی (مطالعه موردی: منطقه عرب داغ گلستان) بوم‌شناسی جنگل‌های ایران. ۱۱ (۲۱): ۳۹-۲۴. ۱۰,۶۱۱۸۶/ifej.۱۱.۲۱.۲۴.
خدمت زاده، ع.، موسوی، م.ن و محمدی ترکمانی، ح. 1399. تحلیلی بر تغییرات و پیش‌بینی روند کاربری اراضی شهر ارومیه با استفاده از مدل SVM و شبکه‌های عصبی. نشریه سنجش از دور  و GIS ایران. 12 (4): 72-53. doi: 10.52547/gisj.12.4.53
رعیتی شوازی، م.، کرم، ا.، غفاریان مالمیری، ح.ر. و سپهر، ع. 1397. مقایسه کارایی برخی الگوریتم‌های طبقه‌بندی در مطالعه تغییرات لندفرم‌های بیابانی دشت یزد-اردکان. پژوهش‌های ژئومورفولوژی کمّی. 6 (1): 73-57.
سلطانی، م. 1403. برآورد درصد پوشش گیاهی ذرت با استفاده از الگوریتم‏های پردازش تصویر.‎نشریه‎ مدیریت ‎آب ‎و ‎آبیاری. 14 (1): 122-111. ‎1DOI: https://doi.org/10.22059/jwim.2023.364331.1098
کارگر، م.ر.، بابایی، ی. و بنیاد، ا. 1400. ارزیابی دقت داده‌های پهپاد در برآورد میزان خشکیدگی درختان شمشاد (مطالعه موردی: پارک جنگلی سیسنگان- استان مازندران). نشریه سنجش از دور  و سامانه اطلاعات جغرافیایی در منابع طبیعی. 12 (2): 109-97. http://dorl.net/dor/20.1001.1.26767082.1400.12.2.6.9
گوینده نجف آبادی، م.، میرلطیفی، س.م. و اکبری، م. 1397. برآورد شاخص سطح برگ ذرت با استفاده دوربین دیجیتال اصلاح‌شده. نشریه آبیاری و زهکشی ایران. 12 (6): 1406-1396
غلامعلی‌فرد، م.، جورابیان شوشتری، ش.، حسینی کهنوج، ح.، بالی، ع.، دلشب، ح. و معین، ح. 1391. کاربرد نمایه توافق کاپا در پایش تغییرات پوشش سرزمین سواحل استان بوشهر (دوره زمانی ۱۳۹۰-۱۳۶۷). اقیانوس‌شناسی. ۳ (۱۲): ۶۳-۷۵
طاهری دهکردی، ع.، ولدان زوج، م.ج. و صفدری نژاد، ع. 1401. تهیه نقشة اراضی کشاورزی با استفاده از تلفیق روش‌های قطعه‌بندی و طبقه‌بندی در گوگل ارث انجین. نشریه سنجش ‌از دور و GIS ایران. 14 (1): 20-1. doi: 10.52547/gisj.14.1.1
مافی، م.، عزیزی، ز.، کریمی، پ. و عالمی صف اول، پ. 1400. بررسی روند تغییرات سطح آب تالاب یعقوب‌آباد با استفاده از تصاویر چند زمانه. اکوهیدرولوژی. 8 (2): 329-321. doi: 10.22059/ije.2021.311887.1397
محرمی، م.، عطارچی، س.، گلاگوئن، ر. و علوی پناه، س.ک. 1403. پایش تغییرات پوشش زمین در شمال‌غرب ایران با استفاده از روش انتقال‌ نمونه‌های آموزشی. نشریه سنجش ‌از دور و GIS ایران. 16 (1): 154-129. doi: 10.48308/gisj.2024.233836.1188
مقصودی، م.، گنجائیان، ح. و حسینی، س.ج. 1397. ارزیابی کارایی روش­های طبقه­بندی نظارت­شده و نظارت­نشده در پایش ریگزارها (مطالعه­ی موردی: ریگ جازموریان). مطالعات جغرافیایی مناطق خشک. 9 (32): 92-81.
میرکی، م.، سهرابی، ه. و فاتحی، پ. 1401. آشکارسازی درختان پرتقال و تشخیص تنش گیاهی بر اساس داده‌های طیفی اخذ شده از پهپاد. پژوهش در علوم باغبانی. 1(1): 40-27. doi: 10.22092/rhsj.2022.127815
Dente, L., Satalino, G., Mattia, F. and Rinaldi, M. 2008. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield. Remote sensing of Environment. 112(4):1395-1407
Fang, H., Liang, S., Hoogenboom, G., Teasdale, J. and Cavigelli, M. 2008. Corn‐yield estimation through assimilation of remotely sensed data into the CSM‐CERES‐Maize model. International Journal of Remote Sensing. 29(10): 3011-3032.
Maes, W. H. and Steppe, K. 2019. Perspectives for remote sensing with unmanned aerial vehicles in precision agriculture. Trends in plant science. 24(2): 152-164. doi: 10.1016/j.tplants.2018.11.007.
Richards, J. A. 2012.  Remote sensing digital image analysis: An introduction, 5th Edition, Spronger, Germany: Berlin Heidelberg, pp 247-318.
Stocker, A.D. and Schaum, A.P. 1997. Application of stochastic mixing models to hyperspectral detection problems. In: AeroSense'97, International Society for Optics and Photonics, pp 47-60
Tempfli, K., Huurneman, G. C., Bakker, W. H., Janssen, L. L. F., Feringa, W. F., Gieske, A. S. M., Grabmaier, K. A., Hecker, C. A., Horn, J. A., Kerle, N., van der Meer, F. D., Parodi, G. N., Pohl, C., Reeves, C. V., van Ruitenbeek, F. J. A., Schetselaar, E. M., Weir, M. J. C., Westinga, E. and Woldai, T. 2009. Principles of remote sensing: an introductory textbook. (ITC Educational Textbook Series. Vol. 2). International Institute for Geo-Information Science and Earth Observation.
Tso, B, ans Mather, P. M. 2009. Classification Methods for Remotely Sensed Data, 2nd edition, Taylor and Francis Pub, America. 376 p.
Vapnik, V.N. 1995, the natural of statistical learning theory, New York: Springer Verlag.