مهرانه خدامرادپور

تغییرات اقلیمی ناشی از افزایش دما وکاهش بارندگی منجر به افزایش شدت خشکسالی است. ارزیابی اثرات خشکسالی بر تولیدات کشاورزی امر بسیار مهمی است و استفاده ازسنجش از دور برای پیش بینی خشکسالی روشی استاندارد است. در این پژوهش، هدف اصلی استفاده از تصاویر سنجش از دور به همراه هوش مصنوعی است که با استفاده از مدل های یادگیری ماشین RF و KNN برای انتخاب بهترین مدل مورد ارزیابی قرار گرفت. بررسی عملکرد محصول گندم آبی زمستانه طی دوره آماری 2001-2021 از داده های مرکز تحقیقات جورقان استان همدان و با استفاده از مدل های یادگیر ی ماشین و سنجش از دور شامل: (NDVI، VCI ، VHI، TCI، LAI، EVI MNDWI وMSAVI2)، متغییرهای هواشناسی (بارش، تبخیر و تعرق، ساعات آفتابی) و شاخص های خشکسالی هواشناسی (SPI ، SPEI و SPECI) صورت گرفت. نتایج نشان داد که مدل های رگرسیونی یادگیری ماشین RF و KNN در برآورد عملکردگندم آبی زمستانه با استفاده از شاخص های گیاهی سنجش از دور، در سالهای 2011-2021 افزایش خشکسالی و افزایش دمای هوا و افزایش تبخیر و تعرق را به همراه داشته است که سبب کاهش عملکرد محصول می شود، درحالیکه مقایسه عملکرد مدل RF و KNN در برآورد عملکرد محصول نشان داد که RF به دلیل خطای کمتر (کمتر از 9%) از عملکرد بهتری برخوردار است و نتایج بیان کننده آن بود که شاخص های گیاهی و مدل های یادگیری ماشین توانایی پیش بینی عملکرد محصول را دارد.