شبیه‌سازی تولید گندم با استفاده از تصاویر سنتینل2 و به‌کارگیری تکنیک‌های یادگیری ماشین

گندم یکی از مهم‌ترین محصولات غذایی در سراسر جهان است. در زمینه بحران جهانی غذا و تغییرات آب‌وهوایی، پیش‌بینی دقیق تولید گندم برای توسعه کشاورزی دقیق از اهمیت زیادی برخوردار است. سنجش‌ازدور امکان پیش‌بینی غیرمستقیم تولید محصول را قبل از برداشت فراهم می‌کند. در این پژوهش به بررسی کاربرد روش‌های جنگل تصادفی و رگرسیون بردار پشتیبان در شبیه‌سازی تولید گندم در ده مزرعه انتخابی در دشت قزوین طی دوره 2020-2019 با استفاده از شاخص‌های گیاهی msavi ،ndvi و evi پرداخته شده است. برای شاخص‌های گیاهی از ماهواره سنتینل2 استفاده شد. تولید ده مزرعه گندم از سازمان جهاد کشاورزی استان قزوین دریافت شد. به‌منظور ارزیابی داده‌های تولید گندم مشاهداتی و شبیه‌سازی‌شده با استفاده از روش‌های رگرسیون بردار پشتیبان و جنگل تصادفی از آماره‌های  rmse ،mbe ،r2 و  mae ارزیابی شد. به‌منظور بررسی شبیه‌سازی تولید گندم با استفاده از شاخص‌های گیاهی، هفت روش (روش‌های یک تا سه هر شاخص به‌صورت جداگانه، در روش‌های چهار تا شش شاخص‌ها به‌صورت ترکیب دوتایی و در روش هفت اثر ترکیبی هر سه شاخص) تعریف شد. مدل رگرسیون بردار پشتیبان در همه روش‌ها به‌جز روش یک و چهار در مرحله آزمون با ضریب تبیین بیش از 0/98 و مقدار اندک rmse تخمین مناسبی از تولید گندم داشته است. مدل جنگل تصادفی در همه روش‌ها به‌جز روش دو و شش در مرحله آزمون با احتمال معنی‌داری 95% (0/00=p-value) و ضریب تبیین بیش از 0/8 تخمین مناسبی از تولید گندم داشته است. به‌طورکلی، این پژوهش اهمیت و پتانسیل تکنیک‌های یادگیری ماشین را برای پیش‌بینی به‌موقع تولید محصول نشان می‌دهد که پایه محکمی برای امنیت غذایی در منطقه فراهم می‌کند.

wheat production simulation using sentinel 2 images and machine learning techniques

change, accurately predicting wheat production is essential for developing precision agriculture. remote sensing enables the indirect prediction of crop production before harvest. this research investigates the application of the random forest method and support vector regression for simulating wheat production across ten selected farms in qazvin plain from 2019 to 2020, employing ndvi, msavi, and evi vegetation indices. sentinel 2 satellite data was utilized for the vegetation indices. production data for the ten wheat fields was obtained from the agricultural jihad organization of qazvin province. evaluation of support vector regression and random forest to assess both the observed and simulated wheat production data was conducted using r2, mbe, rmse, and mae statistics. to explore the simulation of wheat production using vegetation indices, seven methods were defined: methods 1 to 3 examine each index separately; methods 4 to 6 focus on binary combinations of the indices; and method 7 considers the combined effects of all three indices. the support vector regression model provided good estimates of wheat production in all methods, except methods one and four, in the test phase, with a coefficient of determination of more than 0.98 and a low rmse. the random forest model showed significant results in all methods except methods two and six during the test phase, achieving a 95% probability (p-value=0.00) with a coefficient of determination greater than 0.8. overall, this research highlights the importance and potential of machine learning techniques for timely crop production prediction as a strong foundation for regional food security.