شبیه سازی تولید گندم با استفاده از تصاویر سنتینل۲ و به کارگیری تکنیک های یادگیری ماشین

گندم یکی از مهم ترین محصولات غذایی در سراسر جهان است. در زمینه بحران جهانی غذا و تغییرات آب وهوایی، پیش بینی دقیق تولید گندم برای توسعه کشاورزی دقیق از اهمیت زیادی برخوردار است. سنجش ازدور امکان پیش بینی غیرمستقیم تولید محصول را قبل از برداشت فراهم می کند. در این پژوهش به بررسی کاربرد روش های جنگل تصادفی و رگرسیون بردار پشتیبان در شبیه سازی تولید گندم در ده مزرعه انتخابی در دشت قزوین طی دوره ۲۰۲۰-۲۰۱۹ با استفاده از شاخص های گیاهی MSAVI ،NDVI و EVI پرداخته شده است. برای شاخص های گیاهی از ماهواره سنتینل۲ استفاده شد. تولید ده مزرعه گندم از سازمان جهاد کشاورزی استان قزوین دریافت شد. به منظور ارزیابی داده های تولید گندم مشاهداتی و شبیه سازی شده با استفاده از روش های رگرسیون بردار پشتیبان و جنگل تصادفی از آماره های  RMSE ،MBE ،R۲ و  MAE ارزیابی شد. به منظور بررسی شبیه سازی تولید گندم با استفاده از شاخص های گیاهی، هفت روش (روش های یک تا سه هر شاخص به صورت جداگانه، در روش های چهار تا شش شاخص ها به صورت ترکیب دوتایی و در روش هفت اثر ترکیبی هر سه شاخص) تعریف شد. مدل رگرسیون بردار پشتیبان در همه روش ها به جز روش یک و چهار در مرحله آزمون با ضریب تبیین بیش از ۰/۹۸ و مقدار اندک RMSE تخمین مناسبی از تولید گندم داشته است. مدل جنگل تصادفی در همه روش ها به جز روش دو و شش در مرحله آزمون با احتمال معنی داری ۹۵% (۰/۰۰=P-value) و ضریب تبیین بیش از ۰/۸ تخمین مناسبی از تولید گندم داشته است. به طورکلی، این پژوهش اهمیت و پتانسیل تکنیک های یادگیری ماشین را برای پیش بینی به موقع تولید محصول نشان می دهد که پایه محکمی برای امنیت غذایی در منطقه فراهم می کند.

کلیدواژه ها:

Wheat production ، Vegetation indices ، Random forest ، Support vector regression ، Sentinel ۲ ، تولید گندم ، شاخص های گیاهی ، جنگل تصادفی ، رگرسیون بردار پشتیبان ، سنتینل۲