پیش بینی عملکرد گندم زمستانه با استفاده از شبکه ی یادگیری انتقالی Temporal ۱D-ResNet و داده های چندمنبعی سنجش ازدور و بهینه سازی خودکار ابرپارامترهای مدل پایه

پیش بینی دقیق عملکرد محصولات کشاورزی، به ویژه گندم زمستانه، نقش مهمی در برنامه ریزی زراعی و مدیریت امنیت غذایی دارد. در این پژوهش، یک چارچوب مبتنی بر یادگیری انتقالی با استفاده از شبکه ی عمیق Temporal ۱D-ResNet برای پیش بینی عملکرد گندم زمستانه در مقیاس شهرستان توسعه داده شد. ورودی مدل شامل ویژگی های استخراج شده از داده های چندمنبعی Sentinel-۱، Sentinel-۲، SoilGrids و Daymet بود. مدل پایه با داده های سال های ۲۰۱۸ تا ۲۰۲۰ آموزش داده شد و ابرپارامترهای آن به صورت خودکار بهینه سازی گردید. برای افزایش سازگاری مدل در سال های جدید، از روش Few-shot Fine-tuning با استفاده از ۵٪ از داده های سال آزمون بهره گرفته شد. نتایج نشان داد که مقدار RMSE به ترتیب برای مدل های ۱D-ResNet و TL-۱D-ResNet برابر با ۱۰/۸۸ و ۹/۸۹ و مقدار R² به ترتیب ۰/۶۸ و ۰/۷۴ بوده است. این نتایج بیانگر آن است که مدل TL-۱D-ResNet با بهره گیری از یادگیری انتقالی و فاین تیون کم نمونه، دقت پیش بینی و توانایی مدل در شناسایی و بازنمایی نوسانات عملکرد گندم زمستانه را به طور قابل توجهی بهبود داده است.

کلیدواژه ها:

گندم زمستانه ، سنتینل۱-۲ ، SoilGrids ، Daymet ، Res۱DNet ، Few-shot Fine-tuning