The application of Remote Sensing Technology for the identification of sowing varieties for a

---

The  application  of  Remote  Sensing  Technology  for  the  identification  of  sowing  varieties  for  a 

selected area using the Azersky satellite Imageries. 

 

The main purpose of crop yield is distinguish agricultural areas, allocation and different 

plant areas based on Azersky satellite images on selected plant species (cereals, cotton, tobacco, 

patch and sugar beet, etc). 

Identification and mapping of crops is of utmost importance for a number of reasons. Key 

activities includes, identifying the crop types and delineating their extent. Remote sensing offers 

an efficient and reliable means of collecting the information required, in order to map crop type 

and acreage. 

A human analyst attempting to classify features in an image uses the elements of visual 

interpretation to identify homogeneous groups of pixels which represent various features or land 

cover classes of interest. Digital image classification uses the spectral information represented by 

the digital numbers in one or more spectral bands and attempts to classify each individual pixel 

based on this spectral information. This type of classification is termed spectral pattern recognition. 

In either case, the objective is to assign all pixels in the image to particular classes or themes (e.g. 

water,  coniferous  forest,  deciduous  forest,  corn,  wheat,  etc.).  The  resulting  classified  image  is 

comprised of a mosaic of pixels, each of which belong to a particular theme, and is essentially a 

thematic "map" of the original image. 

 

Spatial  resolution  refers  to  the  discernible  detail  in  the  image.  Detailed  mapping  of 

wetlands  requires  far  finer  spatial  resolution  than  does  the  regional  mapping  of  physiographic 

areas. 

Satellite  images  are  used  as  mapping  tools  to  classify  crops,  examine  their  health  and 

viability and monitor farming practices. Agricultural applications of remote sensing are crop type 

classification,  crop  yield  estimation,  crop  condition  assessment,  mapping  of  soil  characteristics 

and  mapping  of  soil  management  practices.  Identifying  and  mapping  crops  is  important  for  a 

number of reasons. Maps of crop type are created by national and international agricultural and 

insurance  agencies.  This  serves  the  purpose  of  forecasting  grain  supplies,  collecting  crop 

production statistics, facilitating crop rotation records, mapping soil productivity, identification of 

factors  influencing  crop  stress,  assessment  of  crop  damage  due  to  storms  and  drought,  and 

monitoring farming activity. 

Agricultural  cropland  mapping  using  6  times  across  the  country  for  multicultural 

landscapes and pansharp for crop species. 

Multispectral images obtained from the Azersky satellite has vegetation sensitive spectral 

bands  and  its  6  meter  spatial  resolution  which  facilitates  the  detection  of  agricultural  field 

boundaries and also used to understand how to plant seeds at early stages of development and to 

describe seasonal crop varieties.  

The following stages of implementation are described in the guide: 



  Image acquisition; 



  Orthorectification; 



  Field reconnaissance; 



  Preparation of plant cover and planting maps. 



  Accuracy assessment. 

 

---

Based  on  practice,  5%  of  the  total  polygons  should  be  obtained  from  all  types  of  field 

samples. Most examples include wheat, cotton, tobacco, barley, grapes, peas, and clover. There 

are also spring sowing, nuts, cotton, bean, sunflower and grain samples. Crop identification and 

mapping benefit from the use of multitemporal imagery to facilitate classification by taking into 

account  changes  in  reflectance as  a function of plant phenology  (stage of growth). This  in  turn 

requires  calibrated  sensors,  and  frequent  repeat  imaging  throughout  the  growing  season.  For 

example, crops type wheat and cotton may be easier to identify when they are flowering. Cause 

both  of  these  during  month  to  month  the  spectral  reflectance  change  and  the  timing  of  the 

flowering. 

1624  field  samples  were  collected  from  15  different  classes.  Field  samples  separate 

“training” and “validation” groups. A random 70–30% splitting of the 1624 were used to separate 

1137 samples for “training” and the rest 487 for “validation”. The 1624 training samples were used 

to  create  knowledge  through  ideal  spectral  libraries.  Ground  data  samples  repository  collected 

during the field visit includes mostly pure classes. 

 

The Azersky satellites (Spot-7) provide images every 26 days with a spatial resolution of 

1.5  m.  In  total,  24  satellite  images  used  for  classification  from  February  till  end  of  July  2019. 

---

Including 8 different time satellite images (4 * 6 = 24) with each 4 bands (24 bands with 6 different 

descriptions for summer sowing). 

Maximum Likelihood Classification (MLC) is the most popular classification method used 

in Remote Sensing. The main purpose here is that the pixel at the intersection is calculated and 

which is included in the class that receives a high probability value from the pixel. The images are 

combined (mosaic) and ultimately to illustrate multitemporal images. 

Unsupervised classification are based on the software analysis of an image and computer 

uses techniques to determine which pixels are related and groups them into classes. The user can 

specify which algorism the software will use and the desired number of output classes. But spectral 

properties of informational classes change over time so user can’t always use same class statistics 

when moving from one image to another. 

To validate the classification results, the resulting crop type is compared with the actual 

crop type of the validation data. Of the 1624 samples collected, 487 (30%) were used for quality 

control purposes. With the sampling within the sample areas, 3289 checkpoints were created using 

a random method and a qualitative calculation was performed using the Confusion matrix method. 

Quality accuracy consists  of analysis and verification of field  samples  as  a result of the 

classification. Using the confusion matrix (or error matrix), P (produce) and U (User) accuracy are 

calculated.  Comparing  the  image  with  the  results  of  its  interpretation,  we  can  see  errors  and 

roughly estimate their size. But if we need a reliable accuracy assessment, we can’t do without 

quantitative methods of evaluation. 

Result  shows  that  the  crop  maps  derived  using  seasonal  features  achieved  an  overall 

accuracy  of  more  than  87%.  To  explore  in  detail  which  crop  types  are  classified  correctly  or 

incorrectly  and which  confusions  between  crop types  may occur, the  final  classification results 

end  of  July  are  further  analysed  using  a  confusion  matrix.  The  rows  of  the  confusion  matrix 

represent  the  classification  result,  whereas  its  columns  represent  the  validation  data.  The 

producer’s accuracy (P) indicates how many fields are assigned to the correct crop type and the 

user’s accuracy (U) represents the probability that a field belongs to its assigned crop type. If the 

result  is  not  satisfactory,  re-classification  is  done.  If  there  is  close  to  100%  n,  P  and  U  get  the 

accuracy of the value: When there are only a few field samples on the class, the sample patterns 

are very small in size and the images that fit exactly the vegetation period are selected. This study 

shows the potential of early-season crop type mapping, which is useful for crop management.