تحلیل عملکرد الگوریتم‌های یادگیری ماشین در طبقه‌بندی تصاویر چند زمانه در مدیریت کشاورزی (مطالعه موردی: دشت قزوین)

سلطانی, مسعود; بهمن آبادی, بهاره

doi:10.22098/mmws.2025.16425.1532

تحلیل عملکرد الگوریتم‌های یادگیری ماشین در طبقه‌بندی تصاویر چند زمانه در مدیریت کشاورزی (مطالعه موردی: دشت قزوین)

مقالات آماده انتشار

نوع مقاله : پژوهشی

نویسندگان

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

10.22098/mmws.2025.16425.1532

چکیده

چکیده

با افزایش جمعیت و تغییرات اقلیمی، مدیریت کشاورزی به‌منظور تضمین امنیت غذایی نیاز به اطلاعات دقیق با پیوستگی زمانی و مکانی بالا دارد. با بهره‌گیری از فناوری سنجش از دور به همراه الگوریتم‌های یادگیری ماشین، امکان طبقه‌بندی محصولات کشاورزی با دقت زیادی فراهم شده ‌است که می‌تواند نقش به‌سزایی در پیش‌بینی وضعیت محصولات و نیازهای منابع ایفا کند. این مطالعه با هدف ارزیابی دقت طبقه‌بندی تصاویر ماهواره‌ای سنتینل 1 و 2 برای دوره‌های کشت بهاره و پاییزه در سال 1402-1403 در منطقه دشت قزوین انجام شده است. در این پژوهش، عملکرد الگوریتم‌های جنگل تصادفی، ماشین بردار پشتیبان و تقویت گرادیان شدید مورد بررسی قرار گرفت. تصاویر ماهواره‌ای سنتینل 1 و 2 برای تحلیل پنج کلاس اصلی (گندم، یونجه، آیش، مناطق شهری و اراضی بایر) که محصولات غالب در منطقه هستند را در دو دوره کشت، با استفاده از شاخص‌های NDVI، SAVI و LAI پردازش شدند. داده‌های آموزش / تست با نسبت 70/30 تقسیم و نتایج طبقه‌بندی‏ها با شاخص‌هایی چون دقت کلی و ضریب کاپا ارزیابی شد. از آزمون جفریس-ماتوسیتا (JM) برای بررسی تفکیک‌پذیری طیفی کلاس‌ها استفاده شد. نتایج ارزیابی نشان داد که الگوریتم جنگل تصادفی با دقت کلی 93/98 درصد و ضریب کاپای 996/0 بهترین عملکرد را در تفکیک کلاس‌ها ارائه داد. الگوریتم تقویت گرادیان شدید نیز با دقت کلی 94/93 درصد عملکرد قابل‌قبولی داشت، اما برای کلاس‌هایی با شباهت طیفی، دقت کمتری نسبت به جنگل تصادفی نشان داد. در مقابل، روش ماشین بردار پشتیبان به دلیل حساسیت به هم‌پوشانی طیفی، در جداسازی کلاس‌ها عملکرد ضعیف‌تری داشت و در نهایت روش طبقه‌بندی جنگل تصادفی با دقت کلی و ضریب کاپای بیش از 99/0 بهترین عملکرد را داشت. آزمون JM نشان داد که برخی کلاس‌ها مانند گندم و یونجه جداسازی ضعیفی دارند، اما استفاده از داده‌های راداری و شاخص‌های طیفی توانسته جداسازی را بهبود بخشد. استفاده از ترکیب داده‌های اپتیکی و راداری به همراه الگوریتم‌های یادگیری ماشین، ابزاری موثر برای مدیریت منابع کشاورزی است

کلیدواژه‌ها