فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: سیب‌زمینی چهارمین محصول کشت‌شده در جهان است. با توجه به اهمیت استراتژیک این محصول در تأمین امنیت غذایی، تهیۀ نقشه‌های دقیق از سطوح زیرکشت آن اطلاعات ضروری برای تخمین و پیش‌بینی میزان عملکرد محصول در مقیاس‌های متفاوت را فراهم می‌کند. اگرچه تا کنون رویکردهای متفاوت سنجش از دور، مبتنی‌بر سنجنده‌های اپتیکی یا مایکروویو، به‌طور گسترده برای پایش مزارع گوناگون (شامل سطح زیرکشت محصولات، شرایط و پیش‌بینی عملکرد آنها) به کار رفته، با استفاده از داده‌های سنجش از دور و یادگیری ماشین کمتر برای شناسایی مزارع سیب‌زمینی اقدام شده‌ است. در این راستا، پژوهش حاضر به شناسایی و نگاشت محصول سیب‌زمینی در قطب تولید آن در کشور پرداخته است و سعی در مهیا‌سازی اطلاعات دقیق سطوح زیرکشت این محصول، برای حوزۀ مدیریت کلان کشاورزی را دارد. مواد و روش‌ها: ازآنجاکه بیشتر محصولات کشاورزی، در طول دورۀ کشت، ویژگی‌های طیفی‌ـ‌ زمانی منحصربه‌فردی دارند، این پژوهش با استفاده از تصاویر سری زمانی و بدون آستانه‌گذاری صریح، روشی را برای تمایز دادن مزارع سیب‌زمینی از سایر محصولات مطرح کرده است. طبق این روش، با استفاده از لایه‌های مبتنی‌بر فنولوژی محصول سیب‌زمینی و نیز یادگیری ماشین، به شناسایی این محصول روی آورده شد. به‌منظور بهینه‌سازی پارامترهای داخلی الگوریتم، براساس داده‌های زمینی نوع محصول در سایت مورد مطالعه که مجموعاً شامل 1648 نمونه از مزارع سیب‌زمینی و سایر محصولات می‌شود، آموزش و ارزیابی مدل انجام شد. این داده‌ها با استفاده از گیرندۀ GPS دستی نمونه‌برداری شد. در این پژوهش، نگاشت مزارع سیب‌زمینی با استفاده از تصاویر ماهوارۀ سنتینل‌ـ 2 و الگوریتم ماشین‌ بردار‌ پشتیبان انجام شد. با تهیۀ لایه‌های ورودی مناسب که شامل شاخص فنولوژیکی محصول سیب‌زمینی و شاخص آماری میانۀ‌ NDVI (سری زمانی تصاویر ماهوارۀ سنتینل‌ـ 2) در بازه‌های مشخص می‌شود، مزارع سیب‌زمینی با دقت شناسایی شد. دراِدامه، این لایه‌ها به‌منزلۀ ورودی‌های ماشین‌ بردار ‌پشتیبان به کار رفت. به‌منظور آموزش مدل بهینه برای ماشین‌ بردار ‌پشتیبان با استفاده از کرنل RBF، مقادیر gamma و C با روش 5-fold cross validation بهینه‌سازی شد. سپس این مقادیر، در فرایند اجرای الگوریتم، با استفاده از سامانۀ رایانش ابری گوگل ارث انجین به کار رفت. کارآیی روش پیشنهادی در شهرستان‌های همدان و بهار که بیشترین میزان کشت این محصول را در ایران دارند، ارزیابی شد. نتایج و بحث: براساس نتایج، مقادیر بهینه برای پارامترهای داخلی مدل C=70 و γ=0.3 محاسبه شد. این مقادیر در تابع RBF، به‌منظور شناسایی سطوح زیرکشت محصول سیب‌زمینی، در نظر گرفته شد. با اجرای الگوریتم طبقه‌بندی و سپس اعمال فیلتر Majority، نقشۀ سطوح زیرکشت سیب‌زمینی برای منطقۀ مورد مطالعه تهیه شد. این نقشه بیشترین تراکم کشت محصول سیب‌زمینی را در محدودۀ مرزی دو شهرستان (شمال‌غرب شهرستان همدان و شرق شهرستان بهار) نشان داد. سطح زیرکشت سیب‌زمینی برای سال زراعی 1399-1400، در شهرستان همدان، برابر 1/4527 هکتار و در شهرستان بهار، برابر 3/6088 هکتار به دست آمد. در ارزیابی نتایج، صحت کلی و ضریب کاپا به‌ترتیب برای همدان، 9/90% و 82/0 و برای بهار، 3/93% و 87/0 براساس ماتریس خطا برآورد شد. نتایج پژوهش حاضر به کارآیی الگوریتم ماشین ‌بردار‌ پشتیبان در شناسایی سطوح زیرکشت محصول سیب‌زمینی اشاره دارد و همچنین نشان داده است که شاخص‌های منطبق‌بر فنولوژی سیب‌زمینی را می‌توان، به‌منزلۀ ویژگی‌های متمایزکننده در شناسایی بهتر مزارع این محصول، استفاده کرد. نتیجه‌گیری: شناسایی مزارع سیب‌زمینی، با استفاده از لایه‌های ورودی شاخص‌های منطبق‌بر فنولوژی محصول در الگوریتم ماشین‌ بردار‌ پشتیبان، نشان داد این روش می‌تواند صحت شناسایی سطوح زیرکشت این محصول را در سطح پایلوت بهبود ببخشد. ازاین‌رو می‌توان، برای شناسایی سایر محصولات مهم کشاورزی و نیز در دیگر مناطق، رویکردی مشابه را پیش گرفت و نتایج را ارزیابی کرد. همچنین پیشنهاد می‌شود کارآیی داده‌های مایکروویو و سایر الگوریتم‌های یادگیری ماشین در پژوهش‌های آینده مورد توجه قرار گیرد.