نوع مقاله : مقاله پژوهشی

نویسندگان

• مسعود سلطانی ¹
• بهاره بهمن آبادی ²
• عباس کاویانی ³

¹ استادیارگروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران

² دکتری آبیاری زهکشی گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران

³ دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران

چکیده

برآورد دقیق سطح زیرکشت محصولات کشاورزی برای برنامه‌ریزی و مدیریت منابع آب ضروری است. استفاده از داده‌های سنجش از دور و الگوریتم‌های یادگیری ماشین می‌تواند به بهبود دقت این برآوردها کمک کند. این پژوهش به ارزیابی کارایی الگوریتم جنگل تصادفی در برآورد سطح زیرکشت غالب با استفاده از داده‌های ماهواره‌ای سنتینل-1 و سنتینل-2 در دشت قزوین می‌پردازد. ابتدا، آزمون تفکیک‌پذیری جفریس-ماتوسیتا برای ارزیابی قابلیت جداسازی طیفی شش کلاس کاربری اراضی انجام شد که نتایج آن نشان‌دهنده تفکیک‌پذیری بالای برخی کلاس‌ها و هم‌پوشانی طیفی در برخی دیگر بود. سپس، با ترکیب داده‌های راداری و نوری و استفاده از الگوریتم جنگل تصادفی، دقت طبقه‌بندی به‌طور قابل‌توجهی افزایش یافت؛ به‌طوری‌که در کشت پاییزه، ضریب کاپا 99/0 و دقت کلی 69/99% و در کشت بهاره، ضریب کاپا 98/0 و دقت کلی 93/98% به‌دست 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 احتمالاً به مقاومت نسبی بالای آن‌ها در برابر نوسانات اقلیمی و حمایت‌های 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 داده‌های چندمنبعی و الگوریتم‌های یادگیری ماشین در بهبود دقت برآورد سطح زیرکشت، به منظور مدیریت بهتر منابع و مصارف در سطح شبکه آبیاری تأکید می‌کند.

کلیدواژه‌ها

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

موضوعات

• تغییراقلیم