بررسی تغییرات سطح زیر کشت غالب دشت قزوین با بکارگیری تصاویر چند زمانه ماهواره ای

برآورد دقیق سطح زیرکشت محصولات کشاورزی برای برنامه ریزی و مدیریت منابع آب ضروری است. استفاده از داده های سنجش از دور و الگوریتم های یادگیری ماشین می تواند به بهبود دقت این برآوردها کمک کند. این پژوهش به ارزیابی کارایی الگوریتم جنگل تصادفی در برآورد سطح زیرکشت غالب با استفاده از داده های ماهواره ای سنتینل-۱ و سنتینل-۲ در دشت قزوین می پردازد. ابتدا، آزمون تفکیک پذیری جفریس-ماتوسیتا برای ارزیابی قابلیت جداسازی طیفی شش کلاس کاربری اراضی انجام شد که نتایج آن نشان دهنده تفکیک پذیری بالای برخی کلاس ها و هم پوشانی طیفی در برخی دیگر بود. سپس، با ترکیب داده های راداری و نوری و استفاده از الگوریتم جنگل تصادفی، دقت طبقه بندی به طور قابل توجهی افزایش یافت؛ به طوری که در کشت پاییزه، ضریب کاپا ۹۹/۰ و دقت کلی ۶۹/۹۹% و در کشت بهاره، ضریب کاپا ۹۸/۰ و دقت کلی ۹۳/۹۸% به دست آمد. تحلیل روند تغییرات سطح زیرکشت در ده سال گذشته نشان داد که در کشت بهاره، سطح زیرکشت ذرت افزایش و یونجه کاهش یافته است. در کشت پاییزه نیز افزایش سطح زیرکشت گندم و جو مشاهده شد که احتمالا به مقاومت نسبی بالای آن ها در برابر نوسانات اقلیمی و حمایت های اقتصادی مربوط است. نتایج بررسی تغییرات سطح زیر کشت در سطح شبکه آبیاری نشان داد بهطور کلی کشاورزان تمایل بیشتری به کشت ذرت علوفهای در منطقه پیدا کردند و کشت بهاره نسبت به کشت پاییزه در حال افزایش است. این نتایج بر اهمیت استفاده از داده های چندمنبعی و الگوریتم های یادگیری ماشین در بهبود دقت برآورد سطح زیرکشت، به منظور مدیریت بهتر منابع و مصارف در سطح شبکه آبیاری تاکید می کند.

کلیدواژه ها:

جنگل تصادفی ، جفریس-ماتوسیتا ، ضریب کاپا ، یادگیری ماشین