توسعه یک مدل پیش بینی کننده نیاز آبی گیاهان زراعی در شرایط تنش خشکی با استفاده از داده های سنجش از دور و یادگیری عمیق

تغییرات اقلیمی و افزایش دوره های خشکی، مدیریت بهینه منابع آبی در کشاورزی را به یک چالش حیاتی تبدیل کرده است. در این راستا، توسعه مدل های پیش بینی کننده دقیق نیاز آبی گیاهان زراعی، به ویژه در شرایط تنش خشکی، از اهمیت بالایی برخوردار است. این پژوهش بر آن است تا با تلفیق توانمندی های سنجش از دور و یادگیری عمیق، یک مدل پیش بینی کننده قوی و کارآمد برای تخمین نیاز آبی گیاهان در مزارع تحت تنش خشکی ارائه دهد. داده های سنجش از دور، شامل شاخص های پوشش گیاهی و دمای سطح، به عنوان ورودی های اصلی مدل عمل خواهند کرد. در بخش یادگیری عمیق، از معماری های پیشرفته شبکه عصبی (به ویژه CNN-LSTM) برای شناسایی الگوهای پیچیده و غیرخطی بین متغیرهای محیطی، ویژگی های گیاهی و میزان مصرف آب استفاده خواهد شد. هدف نهایی، ارائه ابزاری نوین برای کشاورزان و مدیران آب است تا با پیش بینی دقیق نیاز آبی، بتوانند استراتژی های آبیاری را بهینه کرده و بهره وری آب را در شرایط محدودیت منابع، افزایش دهند. این مدل می تواند به مدیریت پایدارتر منابع آبی و تاب آوری بیشتر سیستم های کشاورزی در برابر خشکی کمک شایانی نماید.

کلیدواژه ها:

مدل پیش بینی کننده ، نیاز آبی ، تنش خشکی ، سنجش از دور ، یادگیری عمیق