@article { author = {Ahmadi, Pouya and Arefi, Hossein and Kardan, Nazila}, title = {Using Satellite Images the Sentinel-2 for Improving the Classification of Agricultural Products via Artificial Intelligence Methods to Manage the Reservoir Dams Operation}, journal = {Iranian journal of Ecohydrology}, volume = {7}, number = {3}, pages = {675-690}, year = {2020}, publisher = {Faculty of New Sciences and Technologies, University of Tehran}, issn = {2423-6098}, eissn = {2423-6101}, doi = {10.22059/ije.2020.302618.1329}, abstract = {Water is one of the most important factors in the growth and development of human societies, where water resource limitations have always been one of the main barriers to agricultural development as a major basis for achieving food self-sufficiency. One of the main applications of satellite imagery is its utilization in the field of water resources management and agricultural activities, in which managers can benefit from it for studying cultivation levels, crop classification, crop estimation, and agricultural crisis forecasting. Generally, overall consumption estimation, water/irrigation management, and utilization of dams’ storage capacity are among the most important research topics. This study benefits from the Sentinel-2 satellite for classifying the agricultural crops based on the multi-temporal methods. Besides, four classification methods are adopted for classifying, namely, minimum distance, maximum likelihood, fuzzy, and neural network. Due to the spectral changes of goods during the growing period, using the multi-temporal methods based on the crop calendar can play a decisive role in the classifying process, such that the classification accuracy increases to 86 percent via the maximum likelihood and neural network methods. Moreover, the normalized Kappa increased to 90.5 percent, when the neural network method parameters are optimized. The results obtained from the simulation indicate that genetic algorithm is the best method for obtaining the optimal results. After selecting the optimized neural network parameters, the classification has been taken into account and observed that Alfalfa has the largest crop surface, while it requires a considerable amount of water and its demand is in a lower value. Wheat, Barely, and Potato considered to be the most sufficient crops, after an analysis based on water demand of the crops and the needs for each product. These crops should be cultivated in the closest location to the divergent water path of Shahrchaei Dam, resulting in lower water waste in the agricultural fields. As result, all Alfalfa cultivated grounds should be replaced with the mentioned products.}, keywords = {Classification,Artificial Neural Network,remote sensing,Optimization,Genetic Algorithm}, title_fa = {استفاده از تصاویر سنجش از دور سنتینل 2 برای بهبود تفکیک‏ پذیری محصولات زراعی با بهره ‏گیری از روش‏ های هوش مصنوعی به‏ منظور مدیریت بهره ‏برداری آب از مخازن سدها}, abstract_fa = {محدودیت منابع آبی همواره از موانع اصلی توسعۀ بخش کشاورزی به‏عنوان بستر اصلی نیل به خودکفایی مواد غذایی مطرح بوده است. یکی از کاربردهای مهم تصاویر سنجش از دور، در حوزۀ فعالیت‏های کشاورزی است. در تحقیق حاضر از تصاویر ماهوارۀ سنتینل 2 برای تفکیک محصولات کشاورزی در محدودۀ شهرستان ارومیه به‏صورت روش‏های مبتنی بر ورودی‏های چندزمانی استفاده شده است. به دلیل تغییرات طیفی محصولات طی دورۀ رشد، به‌کارگیری تصاویر چندزمانی مطابق با تقویم زراعی محصولات، نقش مهمی در تفکیک این محصولات ایفا می‏کند. در این طبقه‏بندی تمامی ورودی‏ها دارای تأثیر یکسان در طبقه‏بندی در نظر گرفته می‏شوند که این امر خلاف واقعیت است. بنابراین، به منظور افزایش دقت طبقه‏بندی و بهبود نتایج، به هر یک از ورودی‏های چندزمانی، وزن مناسبی باید اختصاص یابد که در پژوهش حاضر انتخاب وزن‏های بهینه برای تمام ورودی‏ها با بهره‏گیری از الگوریتم ژنتیک مورد توجه قرار گرفته است. بهینه کردن طبقه‏بندی تصاویر ماهواره‏ای به روش کمترین فاصله توسط الگوریتم ژنتیک به دو حالت انجام یافته است؛ در حالت نخست تأثیر تعداد نرون‏های لایۀ میانی و انتخاب پارامترهای بهینه برای شبکۀ عصبی و در حالت دوم، تأثیر ترتیب معرفی نمونه‏های آزمایشی بررسی شده است. در حالت نخست تعداد 4 تا 20 نرون برای لایۀ میانی و مقداری بین صفر و یک برای میزان آموزش و ضریب مومنتوم انتخاب و ارزیابی شده و در حالت دوم ترتیب‏های مختلفی از معرفی نمونه‏های آموزشی ارزیابی شده‏اند. نتایج نشان داد بهینه شدن ترتیب معرفی نمونه‏های آموزشی، موجب افزایش 5/4 درصدی در دقت محاسبات شده است. بنابراین، ترتیب معرفی نمونه‏های آزمایشی در مقایسه با سایر پارامترها، بیشترین تأثیر را در همگرایی شبکه و حصول به نتایج بهینه داشته است. همچنین، مقایسۀ دو طبقه‏بندی استاندارد و بهینه‌شده، نشان داد مقدار کاپا از 86 درصد در حالت استاندارد به مقدار 5/90 درصد در حالتی که ورودی‏ها به صورت بهینه وزن‏دهی شده‏اند، افزایش یافته است.}, keywords_fa = {Classification,Artificial Neural Network,remote sensing,Optimization,Genetic Algorithm}, url = {https://ije.ut.ac.ir/article_77574.html}, eprint = {https://ije.ut.ac.ir/article_77574_0b3a02e08bffdeed2b9d2619a4efca4f.pdf} }