علوم آب و خاک

Mendeley  

Zotero  

Ramezani Etedali H, Ahmadi M. Wheat Production Simulation Using Sentinel 2 Images and Machine Learning Techniques. jwss 2025; 29 (2) :15-31
URL: http://jstnar.iut.ac.ir/article-1-4436-fa.html

گندم یکی از مهم‌ترین محصولات غذایی در سراسر جهان است. در زمینه بحران جهانی غذا و تغییرات آب‌وهوایی، پیش‌بینی دقیق تولید گندم برای توسعه کشاورزی دقیق از اهمیت زیادی برخوردار است. سنجش‌ازدور امکان پیش‌بینی غیرمستقیم تولید محصول را قبل از برداشت فراهم می‌کند. در این پژوهش به بررسی کاربرد روش‌های جنگل تصادفی و رگرسیون بردار پشتیبان در شبیه‌سازی تولید گندم در ده مزرعه انتخابی در دشت قزوین طی دوره 2020-2019 با استفاده از شاخص‌های گیاهی MSAVI ،NDVI و EVI پرداخته شده است. برای شاخص‌های گیاهی از ماهواره سنتینل2 استفاده شد. تولید ده مزرعه گندم از سازمان جهاد کشاورزی استان قزوین دریافت شد. به‌منظور ارزیابی داده‌های تولید گندم مشاهداتی و شبیه‌سازی‌شده با استفاده از روش‌های رگرسیون بردار پشتیبان و جنگل تصادفی از آماره‌های  RMSE ،MBE ،R² و  MAE ارزیابی شد. به‌منظور بررسی شبیه‌سازی تولید گندم با استفاده از شاخص‌های گیاهی، هفت روش (روش‌های یک تا سه هر شاخص به‌صورت جداگانه، در روش‌های چهار تا شش شاخص‌ها به‌صورت ترکیب دوتایی و در روش هفت اثر ترکیبی هر سه شاخص) تعریف شد. مدل رگرسیون بردار پشتیبان در همه روش‌ها به‌جز روش یک و چهار در مرحله آزمون با ضریب تبیین بیش از 0/98 و مقدار اندک RMSE تخمین مناسبی از تولید گندم داشته است. مدل جنگل تصادفی در همه روش‌ها به‌جز روش دو و شش در مرحله آزمون با احتمال معنی‌داری 95% (0/00=P-value) و ضریب تبیین بیش از 0/8 تخمین مناسبی از تولید گندم داشته است. به‌طورکلی، این پژوهش اهمیت و پتانسیل تکنیک‌های یادگیری ماشین را برای پیش‌بینی به‌موقع تولید محصول نشان می‌دهد که پایه محکمی برای امنیت غذایی در منطقه فراهم می‌کند.