طبقه بندی محصولات کشاورزی و برآورد سطح کشت در مقیاس حوضه ای با رویکرد یادگیری ماشین

در مناطق خشک و نیمه خشک، تهیه نقشه دقیق نوع و پراکندگی محصولات زراعی و برآورد سطح زیرکشت آن ها نقشی اساسی در برنامه ریزی منابع آب و مدیریت بهینه اراضی دارد. در این پژوهش، ابتدا پایش های میدانی در حوضه مارون-جراحی، انجام و مختصات مزارع محصولات منتخب شامل گندم، ذرت، کنجد و یونجه به صورت دقیق برداشت شد و سپس این نقاط مرجع در محیط گوگل ارث انجین به منظور همسان سازی با داده های سنجش ازدور مورد استفاده قرار گرفتند. در ادامه، تصاویر سنتینل-۲ پس از تصحیح جوی و حذف ابر و تصاویر سنتینل-۱ پس از اعمال فیلتر اسپکل و تصحیح هندسی آماده شدند. مجموعه ای از شاخص های طیفی برگرفته از سنتینل-۲ و ویژگی های شدت و نسبت پلاریزاسیون برگرفته از سنتینل- ۱ استخراج و با یکدیگر ترکیب گردید تا امکان تفکیک بهتر محصولات با رفتار فنولوژیک مشابه فراهم شود. نمونه های میدانی به نسبت ۷۰ درصد برای آموزش و ۳۰ درصد برای ارزیابی مدل ها تقسیم شدند و سه الگوریتم جنگل تصادفی، SVM و XGBoost برای طبقه بندی نهایی به کار گرفته شد. ارزیابی مدل ها بر اساس ماتریس درهم ریختگی، صحت کلی و ضریب کاپا انجام شد. نتایج نشان داد الگوریتم جنگل تصادفی با صحت کلی ۹۶ % و ضریب کاپا ۹۳/۰ و F۱-Score، ۹۷/۰ عملکرد برتری نسبت به دو روش دیگر داشته و تفکیک گندم و سایر محصولات را با دقت بالا ممکن ساخته است؛ در حالی که مدل XGBoost با صحت ۸۹ % در رتبه بعدی قرار گرفت و SVM عملکرد ضعیف تری نشان داد. مقایسه سطح زیرکشت برآورد شده با آمار رسمی نیز تطابق قابل توجه نتایج جنگل تصادفی را تایید کرد.

کلیدواژه ها:

حوضه مارون-جراحی ، سنتینل ، جنگل تصادفی ، SVM ، XGBoost