سنجش از دور
علی سبزعلی یمقانی؛ علی اصغر آل شیخ
چکیده
پیشینه و اهداف: پیشبینی دقیق میزان محصول کشاورزی یکی از ابزارهای اساسی برای مدیریت منابع کشاورزی، بهبود امنیت غذایی و افزایش بهرهوری تجارت بینالمللی محصولات است. با توجه به محدودیتهای روشهای سنتی در پیشبینی دقیق و سریع، تصاویر سنجش از دور ماهوارهای به دلیل توانایی پوشش مناطق وسیع و ارائه دادههای دقیق، بهطور گستردهای ...
بیشتر
پیشینه و اهداف: پیشبینی دقیق میزان محصول کشاورزی یکی از ابزارهای اساسی برای مدیریت منابع کشاورزی، بهبود امنیت غذایی و افزایش بهرهوری تجارت بینالمللی محصولات است. با توجه به محدودیتهای روشهای سنتی در پیشبینی دقیق و سریع، تصاویر سنجش از دور ماهوارهای به دلیل توانایی پوشش مناطق وسیع و ارائه دادههای دقیق، بهطور گستردهای جایگزین شدهاند. در این میان، پیشرفتهای یادگیری ماشین و یادگیری گروهی نقش مهمی در شناسایی روابط پیچیده میان متغیرهای محیطی و بازده محصولات ایفا کردهاند. مدلهای نوین یادگیری گروهی، توانستهاند دقت پیشبینیها را بهطور قابل توجهی افزایش دهند و اطلاعات ارزشمندی برای کشاورزان و سیاستگذاران فراهم کنند. این پژوهش با هدف توسعه مدلی نوآورانه مبتنی بر ترکیب مدل XGBoost و الگوریتم بهینهسازی پلیکان (POA) بهمنظور پیشبینی دقیقتر میزان محصول ذرت در غرب میانه ایالات متحده انجام شده است. رویکرد پیشنهادی با بررسی تأثیر بازههای مختلف فنولوژی گیاه و انتخاب بازه بهینه (ژوئیه تا اوت)، امکان پیشبینی دقیق محصول را پیش از برداشت فراهم میکند. این مدل میتواند تصمیمگیریهای مؤثری در زمینه مدیریت منابع، کاهش خسارات ناشی از نوسانات اقلیمی، و ارتقای سیاستهای کشاورزی ارائه دهد.روش و مواد: این پژوهش با هدف پیشبینی میزان محصول ذرت در پنج ایالت غرب میانه کشور آمریکا (ایلینوی، آیووا، مینهسوتا، داکوتای شمالی و داکوتای جنوبی) که از مناطق اصلی تولید ذرت هستند، انجام شده است. دادههای استفادهشده شامل اطلاعات سنجش از دور (مانند شاخص نرمال شده تفاوت پوشش گیاهی (NDVI)، شاخص پوشش گیاهی بهبود یافته (EVI)، شاخص سطح برگ (LAI)، شاخص جزء جذبشده تابش فتوسنتز فعال (FPAR)، تولید اولیه ناخالص (GPP)، و تبخیر و تعرق (ET))، دادههای آبوهوایی (نظیر دما و بارش)، دادههای زمینهای زراعی، و بازده محصول، طی بازه زمانی 2011 تا 2020 و فصل رشد (اواسط اردیبهشت تا اواسط مهر) جمعآوری شدهاند. مدلسازی با استفاده از الگوریتم یادگیری گروهی XGBoost انجام شد و تنظیم پارامترهای آن با استفاده از الگوریتم بهینهسازی پلیکان (POA) برای بهبود دقت صورت گرفت. دادهها ابتدا با شاخص VFI فیلتر شده و از 9 سال بهعنوان داده آموزشی و یک سال بهعنوان داده آزمون استفاده شد. عملکرد مدل با شاخصهایی نظیر MAPE، MBE، MAE، RMSE و ضریب همبستگی ارزیابی شد.یافتهها: نتایج ارزیابی مدل POA-XGBoost نشان داد که این روش عملکردی برجسته در پیشبینی میزان محصول ذرت دارد. در بازه زمانی 2011 تا 2020، روند اعتبارسنجی پیشبینی میزان محصول ذرت نشاندهنده تغییرات در دقت پیشبینیها و بایاس بود. در سالهای ابتدایی (2011 تا 2014)، مقادیر خطاها کاهش و دقت پیشبینیها بهبود یافت؛ بهطوریکه در سال 2014 مقدار MAPE به 26/6% و ضریب همبستگی به 9372/0 رسید. در سالهای میانی (2015 تا 2018)، افزایش خطاها و بایاس مثبت به همراه کاهش دقت پیشبینیها مشاهده شد، بهویژه در سال 2018 که مقدار MBE به 8039/0 و ضریب همبستگی به 8083/0 کاهش یافت. در سالهای پایانی (2019 و 2020)، بهبود قابلتوجهی در دقت پیشبینیها مشاهده شد؛ بهطوریکه در سال 2020 مقدار MAPE به 57/6% و ضریب همبستگی به 9237/0 رسید.نتیجهگیری: مدل بهینه POA-XGBoost توانایی بالایی در پیشبینی بازده محصول ذرت در شرایط مختلف آبوهوایی نشان داده است و میتواند در آینده برای پیشبینی سایر محصولات کشاورزی نیز گسترش یابد. استفاده از تکنیکهای پیشرفته یادگیری گروهی و دادههای متنوع مانند تصاویر ماهوارهای و دادههای هواشناسی، راهحلهای مؤثری برای بهبود پیشبینی بازده محصولات ارائه میدهد. این پژوهش بر ضرورت توسعه مدلهای ترکیبی جدید تأکید دارد که میتوانند به کشاورزان و مدیران در مدیریت منابع، افزایش بهرهوری، و کاهش ریسک کمک کنند.
