پهنه‌بندی احتمال رخداد بیماری فوزاریوم گندم با استفاده از روش جنگل تصادفی

با توجه به رشد بالای جمعیت در جهان و نیاز به اطمینان از امنیت غذایی، افزایش تولید در واحد سطح محصولات زراعی به‌منزله راهبردی اساسی در حل مسئله تامین غذا به‌شمار می‌رود. از سوی دیگر، با وجود محدودیت در افزایش سطح زیرکشت و پایین‌بودن میانگین عملکرد برخی محصولات کشاورزی مانند گندم در کشور، افزایش عملکرد محصول می‌تواند راهکاری عملی در پاسخ به نیاز کشور محسوب شود. یکی از مهم‌ترین بیماری‌های گندم فوزاریوم است که، با توجه به نقش پیش‌بینی این بیماری در جلوگیری از کاهش بهره‌وری محصول، مدل‌هایی به‌منظور پیش‌بینی فوزاریوم در کشورهای آمریکا، کانادا، آرژانتین و برزیل توسعه یافته است اما در ایران، به‌رغم لزوم توجه به این بیماری، تاک نون مدلی در این زمینه مطرح نشده است. بدین‌منظور، پهنه‌بندی مناطق رخداد بیماری فوزاریوم، با به‌کارگیری پارامترهای محیطی و داده‌های هواشناسی و نیز استفاده از تحلیل مکانی، در دشت مغان صورت گرفت. همچنین، برای افزایش دقت و کالیبراسیون دقیق مدل، شبکه اینترنت اشیا (iot) در دشت مغان استفاده شد تا داده‌های محیطی شامل رطوبت نسبی، بارندگی و دمای هوا جمع‌آوری شود. سپس شاخص‌های ترکیبی مناسب تهیه شد و (rf)برای اولویت‌بندی شاخص‌ها و تعیین اهمیت نسبی آنها و نیز پیش‌بینی شدت بیماری فوزاریوم گندم، روش جنگل تصادفی به‌کار رفت. برای این کار، از داده‌های ایستگاه‌های هواشناسی و سنسورهای زمینی در فاصله سال‌های 1389 تا 1396 استفاده شد. نتایج ارزیابی حاکی از کارآیی مدل توسعه‌داده‌شده در پیش‌بینی بیماری فوزاریوم گندم است. همچنین، طبق نتایج، به‌کارگیری iot به‌همراه تحلیل‌های مکانی روشی موثر در پیش‌بینی فوزاریوم است.

Prediction of Wheat Fusarium Head Blight Severity by Using Random Forest

Rapid increase of the world population growth and the demand for food security makes increasing yield as an essential strategy for solving the food supply problem. What is more, because of the restrictions in increasing crop cultivation areas and the decrease in some crops such as wheat in Iran, increasing the yield potential can be an effective way to respond to this requirement. Fusarium Head Blight (FHB) is one of the most important wheat diseases and for prediction FHB some methods have already been developed in the USA, Canada, Argentina and Brazil. As there is no model for predicting FHB in Iran, in this study, a method for predicting severity of FHB based on spatial analysis and using environmental parameters and meteorological data was developed for the Moghan, which is in the northwest of Iran. An Internet of Things (IoT) network was established in the study area for measurement of environmental data, including relative humidity, rainfall and air temperature for evaluating the developed model. Random Forests (RF) and extracted indices were used for predicting FHB severity and calculating the relative importance of the indices. We evaluated FHB for the period of 1389 to 1396 and the results show the effectiveness of the developed model and the capability of IoT and spatial analysis for predicting FHB.