پایش هوشمند کشت گندم دیم و آبی در حوضه مارون-جراحی با استفاده از داده های سنتینل و مدل جنگل تصادفی

گندم به عنوان یکی از محصولات راهبردی در تامین امنیت غذایی، سهم قابل توجهی از اراضی کشاورزی ایران را به خود اختصاص داده است، اما تغییرات اقلیمی، محدودیت منابع آب و ناکارآمدی روش های سنتی آماربرداری، پایش دقیق سطح زیرکشت این محصول را با چالش مواجه ساخته است. در این پژوهش، چارچوبی تلفیقی مبتنی بر داده های چندمنبعی سنجش از دور و الگوریتم یادگیری ماشین جنگل تصادفی به منظور شناسایی و تفکیک مزارع گندم دیم و آبی و برآورد سطح زیرکشت آن ها در حوضه آبخیز مارون ارائه شد. مجموعه ای از شاخص های طیفی، راداری و حرارتی برای بازنمایی ویژگی های بیوفیزیکی، ساختاری و آبی گیاه استخراج و به عنوان ورودی مدل به کار گرفته شد. الگوریتم جنگل تصادفی به دلیل پایداری در برابر بیش برازش و توانایی پردازش داده های ناهمگون برای طبقه بندی انتخاب شد و صحت نتایج با استفاده از ماتریس درهم ریختگی، دقت کلی و ضریب کاپا ارزیابی گردید. نتایج نشان داد که مدل پیشنهادی عملکرد بسیار مطلوبی در شناسایی مزارع گندم دارد؛ به طوری که دقت کلی و ضریب کاپا برای داده های آزمون به ترتیب حدود ۹۷ و ۹۶ درصد به دست آمد. همچنین، برآورد سطح زیرکشت گندم با بایاس اندک حدود ۳ درصد انجام شد که نشان دهنده دقت بالای روش است.

کلیدواژه ها:

گندم ، ESA WorldCover ، Dynamic World ، LGRIP۳۰