چکیده مقاله
پیش بینی و برآورد میزان تولید محصولات کشاورزی در امنیت غذایی ، تجارت مواد غذایی و مدیریت مزارع، امری ضروری تلقی می گردد همچنین تضمین امنیت غذایی در کشاورزی ، مستلزم پیش بینی زودهنگام میزان تولید محصولات کشاورزی در مقیاسهای مختلف ، از سطوح محلی تا بین المللی است با این حال، به دلیل مکانیسم های پیچیده و عوامل محیطی و غیر محیطی تاثیرگذار در میزان تولید محصولات کشاورزی ، پیش بینی دقیق و به موقع آنها با استفاده از روشهای میدانی چالش برانگیز و مستلزم صرف زمان و هزینه بسیار است امروزه، با پیشرفت های فناوری سنجش از دور، الگوریتم های یادگیری ماشین ML و یادگیری عمیق DL متعددی برای تخمین میزان تولید محصولات کشاورزی توسعه یافته اند در این مطالعه ، به منظور پیش بینی میزان تولید ذرت در ایالت آیووا در سال۲۰۲۱ از تصاویر سری زمانی سنتینل ۱، سنتینل ۲ و دادههای هواشناسی Daymet، شبکه یادگیری عمیق ۳ پیشنهاد شده است نتایج پژوهش حاضر نشان داد که استخراج ویژگی های پر اهمیت از تصاویر ماهواره ای و دادههای هواشناسی به کمک SHAP XGboost منجر به بهبود دقت نهایی مدل ۳ BiLSTM خواهد شد در کل ، استفاده از رویکرد پیشنهادی منجر به RMSE برابر با ۷۶۷/۰ تن بر هکتار و RRMSE برابر با ۱۰/۶ درصد شده است که می توان از آن به عنوان یک روش عملی و دقیق به منظور پیش بینی میزان تولید محصول ذرت استفاده کرد
کلیدواژه‌ها
نویسندگان
مهدیه فتحی
دانشجوی دکتری مهندسی نقشه برداری فتوگرامتری دانشکده مهندسی نقشه برداری و اطلاعات مکانی دانشگاه تهران
رضا شاه حسینی
استادیار گروه فتوگرامتری و سنجش از دور دانشکده مهندسی نقشه برداری و اطلاعات مکانی دانشگاه تهران
آرمین مقیمی
محقق پسا دکترا مهندسی عمران و هیدرولوژی، گروه مهندسی عمران و ژئودزی، دانشگاه گوتفرید ویلهلم فون لایبنیتس هانوفر
شیوه ارجاع
فتحی، مهدیه و شاه حسینی، رضا و مقیمی، آرمین،1403،پیش بینی میزان تولید محصول ذرت با استفاده از تصاویر سری زمانی سنتینل ۱، سنتینل -۲ و دادههای هواشناسی به کمک مدلهای یادگیری عمیق (مطالعه موردی : ایالت آیووا)،بیست و هشتمین همایش ملی مهندسی نقشه برداری و اطلاعات مکانی (ژئوماتیک ۱۴۰۳)،تهران
ارائه‌شده در
مجموعه مقالات بیست و هشتمین همایش ملی مهندسی نقشه برداری و اطلاعات مکانی (ژئوماتیک ۱۴۰۳)9 اردیبهشت 1403 · تهران