برای رسیدن به امنیت آبی و غذایی پایش به‌هنگام، دقیق و با قابلیت تکرار پذیری سطوح زیر کشت لازم و ضروری است. در این راستا تحقیق حاضر با هدف ارزیابی قابلیت تلفیق تصاویر سنتینل1 و سنتینل2 جهت تفکیک سطوح زیر کشت گندم، کلزا، نخلستان‌ها و اراضی کشت تابستانه در منطقه شمال شرق اهواز انجام شد. برای رسیدن به هدف تحقیق، براساس داده‌های در دسترس سه گروه ترکیبات سری زمانی ایجاد شد. گروه اول شامل ترکیب سری زمانی سنتینل1و2 به همراه شاخص NDVI برای کل دوره مورد بررسی، گروه دوم ترکیبات سری زمانی سنتینل1 و2 براساس دوره اوج سبزینگی و گروه سوم ترکیبات از ترکیب تک تصاویر سنتینل1 و 2 در دوره اوج سبزینگی ایجاد شدند. سپس با استفاده از الگوریتم‌های یادگیری ماشین حداکثر احتمال و ماشین بردار پشتیبان اقدام به طبقه‌بندی تصاویر شد و نقشه‌های موضوعی سطوح زیر کشت به این ترتیب تهیه شد. درنهایت صحت نتایج بدست آمده با استفاده از شاخص‌های صحت کلی و ضریب کاپا ارزیابی شد. براساس نتایج بدست آمده مشخص شد که ترکیب سری زمانی تصاویر سنتینل1 و2 به‌همراه شاخصNDVI برای کل دوره مورد بررسی (ترکیب شماره 3) به روش ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت منطقه مورد مطالعه دارای بالاترین دقت کلی و ضریب کاپا بوده که بترتیب 22/91 درصد و 89/0 می‌باشد. همچنین نتایج بدست آمده بیان‌گر این واقعیت بود که الگوریتم ماشین بردار پشتیبان برای ترکیبات سری زمانی بالاترین دقت کلی و ضریب کاپا را دارد و برای روش‌های تک تصویر الگوریتم حداکثر احتمال دارای بالاترین دقت کلی و ضریب کاپا می‌باشد. براساس یافته‌ها نتیجه‌گیری می‌شود که ترکیبات سری زمانی تصاویر سنتینل2 و الگویتم ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت دارای صحت بالایی نسبت به روش تک تصویر هستند و تلفیق قطبش VH سنتینل1 به سری زمانی سنتینل2 سبب افزایش صحت به میزان 5 درصد می‌شود.

سابقه و هدف: با توجه به اینکه کشاورزی مهمترین نقش را در تأمین امنیت غذایی برعهده دارد، تهیه نقشه ای که پراکندگی مکانی، وسعت اراضی و نوع محصولات کشت شده را با دقت بالایی نشان دهد، بسیار ضروری است. پوشش اراضی کشاورزی در فواصل زمانی نسبتا کوتاه، بسیار پویا و متغیر است. این موضوع، طبقه بندی محصولات زراعی روی تصاویر ماهواره ای را به کاری چالش برانگیز مبدل می کند. کمبود یا فقدان داده های دارای برچسب واقعیت زمینی نیز مزید بر علت است. بنابراین روشهایی که به نمونه های زمینی وابستگی کمتری دارند و از ویژگیهای فنولوژیک حاصل از سری زمانی باندها و شاخصهای گیاهی برای طبقه بندی محصولات استفاده می کنند، مناسبتر خواهند بود. هدف از این مطالعه استفاده از در روش یادگیری عمیق مبتنی بر شبکه های کانولوشن برای طبقه بندی محصولات کشاورزی و بهبود عمکرد این شبکه از طریق استفاده از کانالهای ویژگی محصولات بعنوان تصویر ورودی به شبکه و افزایش دقت طبقه بندی است. مواد و روش ها: در این مطالعه از تصاویر باندهای مرئی و فروسرخ نزدیک ماهواره سنتینل-2 در 10 تاریخ مختلف از سال 2019 برای ناحیه ای واقع در ایالت آیداهو ایالات متحده آمریکا که یک منطقه مهم کشاورزی به شمار می رود و از لایه داده های زراعی(Cropland Data Layer) برای استخراج برچسب نوع محصولات در مزارع نمونه، استفاده گردید. سپس در نرم افزار متلب، سری زمانی باندها ساخته شد و با استفاده از آنها پروفیل زمانی NDVI برای شناسایی ویژگیهای فنولوژیکی منحصر به فرد برای هر محصول استخراج گردید. در ادامه توابعی که بر اساس ویژگیهای فنولوژیک هر محصول توسعه داده شده اند، بر روی سری زمانی باندها اعمال گردید و برای هر محصول یک کانال ویژگی به دست آمد که در دو فرآیند جداگانه، یکبار از باندها و بار دیگر از کانالهای ویژگی به عنوان ورودی به شبکه CNN استفاده گردید و شبکه، با استفاده از کانالهای ورودی و نمونه های زمینی، آموزش دیده و نتیجه عملکرد شبکه در طبقه بندی محصولات زراعی در سایت تست، مورد مقایسه قرار گرفت. نتایج و بحث: در مرحله اول، سری زمانی باندها، ورودی شبکه کانواوشنی عمیق را تشکیل دادند و شبکه در ناحیه آموزش، با استفاده از اطلاعات طیفی-زمانی باندها به عنوان کانالهای ورودی و نمونه های زمینی محصولات به عنوان برچسب، آموزش دید. به دلیل همپوشانی طیفی محصولات در برخی از دوره های زمانی، آموزش شبکه با خطای نسبتا بالایی همراه بود و به همین دلیل برای ناحیه تست، دقت کلی طبقه بندی 69(درصد) و ضریب کاپای 55/0 به دست آمد. در مرحله دیگر، توابعی که به عنوان شاخصهای فنولوژیک برای هر محصول توسعه داده شده بود، روی سری زمانی باندها اعمال گردید و برای هر محصول، یک کانال ویژگی بعنوان شاخص انحصاری آن محصول، به دست آمد. آنگاه الگوریتم با استفاده از این کانالهای ویژگی، در ناحیه تست اجرا گردید و دقت کلی به 86(درصد) و ضریب کاپا به82/0 ارتقا یافت که نشان دهنده بهبود چشمگیر نتایج در مقایسه با حالت قبل است. نتیجه گیری: شبکه کانولوشنی عمیق برای تشخیص محصولات کشاورزی، به نوع کانالهای ورودی بسیار حساس است و انتخاب کانال هایی با ویژگی های طیفی_زمانی مناسب برای انواع محصولات، بر دقت آموزش شبکه بسیار تاثیرگذار بوده و می تواند هزینه یا خطای آموزش شبکه کانولوشنی عمیق را پایین آورده و کارایی آن را در طبقه بندی محصولات گوناگون، بالا ببرد.

تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهم زمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمان های دورة کشت و کمبود داده های زمینی، طبقه بندی محصولات زراعی در تصاویر ماهواره ای را به کاری چالش برانگیز مبدل می کند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجسته ترین ویژگی پوشش‏ های گیاهی ازجمله محصولات کشاورزی است که می توان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخص های گیاهی انجام می شود که اطلاعات بسیار مفیدی از توالی ویژگی های فنولوژیک محصولات کشاورزی در اختیار ما قرار می دهد. استفاده از روش های یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سری ها می تواند، در طبقه بندی محصولات کشاورزی و کاهش وابستگی به داده های زمینی، مفید باشد. شبکةLong-Short Term Memory (LSTM) یکی از انواع شبکه های عصبی بازگشتی در تجزیه و تحلیل داده های متوالی است که توانایی یادگیری توالی های بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبة شاخص NDVI از باندهای ماهوارة سنتینل ـ 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیة متفاوت در دشت مغان در نظر گرفته شد که محصولات کشت شده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیة اول، شبکة کانولوشنی LSTM برای طبقه بندی محصولات آموزش دید و در ناحیة دیگر، کارآیی این شبکة آموزش دیده در طبقه بندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 به دست آمد. افزایش تعداد نمونه های زمینی و انتخاب مرز دقیق محصولات، می تواند کارایی روش مورد استفاده را افزایش دهد.

شناسایی نوع محصولات کشاورزی به منظور مدیریت بهینه ی منابع آبی با استفاده از سنجش ازدور، با وجود دسترسی کم و مستقیم به زمین های کشاورزی، سبب کاهش چشمگیر هزینه ها در بخش مدیریت کشاورزی و منابع آبی می شود، اما طبقه بندی اراضی کشاورزی به علت شباهت زیاد طیفی محصولات مختلف با استفاده از تصاویر تک زمانه ی چند طیفی دقت چندانی ندارد. یکی از راه های غلبه بر این مشکل، استفاده از سری زمانی داده های ماهواره ای است. هدف از مطالعه ی حاضر، افزایش دقت تفکیک محصولات کشاورزی برای مدیریت بهینه ی منابع آبی با استفاده از سری زمانی داده سنجش ازدور است. در مطالعه ی حاضر پس از انجام پردازش های مربوط به داده های اپتیک، شاخص های مختلف گیاهی و همچنین آلبدو و دمای سطح زمین از داده های سری زمانی اپتیکی محاسبه و با استفاده از مدل TIMESAT پارامترهای کلیدی فنولوژیکی گیاه در قسمتی از دشت میاندوآب استخراج شده است. با توجه به در دسترس بودن اطلاعات و داده های زمینی، وضعیت پوشش گیاهی از قبیل پراکنش و خصوصیات گیاهی بررسی شد. سپس، با استفاده از همه ی این ویژگی ها به کمک الگوریتم طبقه بندی ماشین های بردار پشتیبان، نقشه ی محصولات کشاورزی تولید شد. الگوریتم طبقه بندی ماشین بردار پشتیبان به دلیل انعطاف پذیری زیاد این الگوریتم برای شرایط و هدف های مختلف با دقت کلی 92 درصد و کاپای 91/0 در صورتی که در فرایند طبقه بندی از ترکیب باندها، شاخص های گیاهی GNDVI و شاخص ALBEDO, LST و استفاده شود، بیشترین دقت را در تفکیک کردن محصولات کشاورزی به همراه داشت.

در دنیای رقابتی امروزه با انواع مختلف محصولات، موفقیت هر محصول در فروش، مستلزم این است که بسته بندی و ظاهر محصول بتواند ارتباط مؤثری را با خریداران برقرار کند و زمینه جلب نظر مشتری را فراهم سازد. با توجّه به نقش و اهمیت بسته بندی در رفتار خرید مصرف­کننده، هدف این پژوهش، بررسی تأثیر ابعاد بسته بندی محصولات کشاورزی(طراحی بسته بندی، نوع قلم، رنگ بسته بندی، مواد بسته بندی و اطلاعات چاپی) بر قصد خرید مصرف کننده است. نوع پژوهش از نظر هدف کاربردی و به لحاظ ماهیت روش کار توصیفی- همبستگی است. جامعه آماری پژوهش، شامل مصرف کنندگان محصولات بسته بندی شده کشاورزی(مواد غذایی) هستند که به دو فروشگاه زنجیره­ای رفاه موجود در شهر اردبیل مراجعه می­کنند. حجم نمونه آماری با توجه به جدول مورگان و کرجسی 384 نفر محاسبه و با روش نمونه گیری تصادفی ساده(در دسترس) انتخاب شدند. ابزار جمع­آوری داده ها دو پرسشنامه استاندارد بود که روایی آن ها با استفاده از اعتبار صوری و پایایی آن با استفاده از آلفای کرونباخ تأیید شده است. تجزیه وتحلیل داده ها با استفاده از نرم افزار Spss21 و PLS صورت گرفت نتایج تحقیق نشان داد که رنگ بسته­بندی، طراحی، نوع فونت، کیفیت مواد بسته­بندی و اطلاعات چاپ شده بر قصد خرید مصرف کننده تأثیر معنی­داری دارند و در بین ابعاد بسته بندی محصولات کشاورزی رنگ و طراحی بسته بندی بیشترین تأثیر را بر قصد خرید مصرف کننده دارند. یافتـه­هـای ایـن پـژوهش مـی­توانـد در برنامه­ریزی تولیدکنندگان محصولات مواد غذایی به سمت توجه بیشتر به ابعاد بسته­بندی و تقویت قصد خرید مصرف­کنندگان مؤثر واقع شود. کلیدواژه ها

تصاویر نوری و راداری با دریچه ی مصنوعی تمام قطبیده (PolSAR)، منابع ارزشمندی برای طبقه بندی زمین های کشاورزی است. ویژگی های مستخرج از تصاویر نوری حاوی اطلاعاتی در مورد امضای بازتابی محصولات مختلف است. در مقابل، یک تصویر PolSAR فراهم کننده ی اطلاعاتی در مورد خصوصیات ساختاری و سازوکارهای پراکنش محصولات است. ترکیب این دو منبع قادر به ایجاد یک مجموعه داده ی مکمل با تعداد قابل توجهی از ویژگی های زمانی طیفی، بافت و قطبیده برای طبقه بندی زمین های کشاورزی است. با این حال، طبقه بندی زمین های کشاورزی ممکن است با دو چالش افزایش تصاعدی ابعاد داده و مساله ی داده های نامتوازن مواجه شود. در دهه ی گذشته، سیستم های طبقه بندی کننده ی چندگانه ی (MCS) درختی به ویژه روش مشهور جنگل تصادفی (RF) کارایی بالایی از خود برای حل چالش اول نشان داده است. با این حال، این روش ها به طور ذاتی برای حل مساله ی داده های نامتوازن طراحی نشده است. به تازگی دو روش نوین جایگزین RF به نام های جنگل پالایشی متوازن شده (BFF) و جنگل پالایشی هزینه حساس (CFF) برای طبقه بندی تصاویر راداری پیشنهاد شده است که قابلیت بالایی در حل همزمان دو چالش از خود نشان داده است. این پژوهش نیز قصد دارد تا از این دو روش نوین برای طبقه بندی زمین های کشاورزی از ترکیب تصاویر نوری و راداری استفاده کرده و کارایی و عملکرد آن ها را با روش های MCS درختی کلاسیک از جمله روش RF در مواجه با حل این دو چالش بررسی و مقایسه کند. نتایج نشان از افزایش دقت کلی تا حدود 10% بیشتر روش های نوین درختی نسبت به روش های کلاسیک و سرعت 6 برابر این روش ها نسبت به روش RF داشت. ضمن آن که در شناسایی محصولات کشاورزی، دقتی حدود 20% بیشتر از روش RF کسب کرد.

اهداف پژوهش حاضر با هدف شناسایی عوامل موثر بر رونق تجارت الکترونیک برای محصولات کشاورزی در محیط تجارت جهانی با تاکید بر پایداری کشاورزی انجام پذیرفت. بدین منظور با استفاده از تجمیع شاخص های اقتصادی، اجتماعی و زیست محیطی به شناسایی و دسته بندی عوامل موثر بر رونق تجارت الکترونیک برای محصولات کشاورزی در سال 1397-98 پرداخته است. مواد و روش ها جامعه آماری پژوهش حاضر، شرکت ها و متخصصین فعال در تجارت الکترونیک بودند، که از 236 شرکت شناسایی شده 94 مورد با استفاده از فرمول کوکران به دست آمد و نمونه ها به صورت کاملا تصادفی اطلاعات جمع آوری گردید. جهت جمع آوری داده از پرسشنامه محقق ساخته استفاده گردید. به منظور تجزیه و تحلیل داده ها در این تحقیق از روش های تحلیل عاملی اکتشافی و آزمون فریدمن استفاده گردیده است. یافته ها در این تحقیق روایی سوالات پرسشنامه توسط متخصصان حوزه بررسی و جهت آگاهی از پایایی پرسشنامه از تکنیک آلفای کرونباخ استفاده شد که به میزان 82/. مورد تایید قرار گرفت. در این تحقیق عوامل موثر بر تجارت الکترونیکی با روش تحلیل عاملی اکتشافی شناسایی شد که جنبه های مختلف اقتصادی، سیاسی، آموزشی، ویژگی های محصول، زیست محیطی، زیرساختی و امنیتی و بازاریابی شامل می شد. نتیجه گیری نتایج تحقیق نشان داد، مجموع عوامل موثر بر تجارت الکترونیکی که شامل 25 عامل بود در هشت گروه قابل دسته بندی است و آزمون فریدمن نیز ترتیب آنها را نشان داد که به ترتیب که به ترتیب شامل عوامل موثر اقتصادی، سیاسی، آموزشی، ویژگی های محصول، زیست محیطی، زیرساختی و امنیتی و بازاریابی می باشند.