پیش بینی میزان تولید محصول ذرت با استفاده از تصاویر سری زمانی سنتینل ۱، سنتینل -۲ و دادههای هواشناسی به کمک مدلهای یادگیری عمیق (مطالعه موردی : ایالت آیووا)

پیش بینی و برآورد میزان تولید محصولات کشاورزی در امنیت غذایی ، تجارت مواد غذایی و مدیریت مزارع، امری ضروری تلقی می گردد. همچنین تضمین امنیت غذایی در کشاورزی ، مستلزم پیش بینی زودهنگام میزان تولید محصولات کشاورزی در مقیاسهای مختلف ، از سطوح محلی تا بین المللی است . با این حال، به دلیل مکانیسم های پیچیده و عوامل محیطی و غیر محیطی تاثیرگذار در میزان تولید محصولات کشاورزی ، پیش بینی دقیق و به موقع آنها با استفاده از روشهای میدانی چالش برانگیز و مستلزم صرف زمان و هزینه بسیار است . امروزه، با پیشرفت های فناوری سنجش از دور، الگوریتم های یادگیری ماشین (ML) و یادگیری عمیق (DL) متعددی برای تخمین میزان تولید محصولات کشاورزی توسعه یافته اند . در این مطالعه ، به منظور پیش بینی میزان تولید ذرت در ایالت آیووا در سال۲۰۲۱ از تصاویر سری زمانی سنتینل -۱، سنتینل -۲ و دادههای هواشناسی Daymet، شبکه یادگیری عمیق - - ۳ پیشنهاد شده است . نتایج پژوهش حاضر نشان داد که استخراج ویژگی های پر اهمیت از تصاویر ماهواره ای و دادههای هواشناسی به کمک SHAP-XGboost منجر به بهبود دقت نهایی مدل - - ۳ BiLSTM خواهد شد. در کل ، استفاده از رویکرد پیشنهادی منجر به RMSE برابر با ۷۶۷/۰ تن بر هکتار و RRMSE برابر با ۱۰/۶ درصد شده است که می توان از آن به عنوان یک روش عملی و دقیق به منظور پیش بینی میزان تولید محصول ذرت استفاده کرد.

کلیدواژه ها:

سنتینل ، دادههای هواشناسی ، ذرت ، یادگیری عمیق