انجمن آبیاری و زهکشی ایران نشریه آبیاری و زهکشی ایران 2008-7942 20 3 2026 08 23 Intelligent Monitoring of Rainfed and Irrigated Wheat Cultivation in the Marun–Jarahi Basin Using Sentinel Data and the Random Forest Model پایش هوشمند کشت گندم دیم و آبی در حوضه مارون-جراحی با استفاده از داده‌های سنتینل و مدل جنگل تصادفی 431 447 243899 10.22034/idj.2026.577267.2673 FA مسعود سلطانی گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران 0000-0001-6762-457X بهاره بهمن آبادی گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران 0000-0003-2350-0684 علی مختاران استادیار پژوهشی موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران 0000-0001-8324-8666 Journal Article 2026 02 22 Wheat is one of the most strategic crops for food security and occupies a large proportion of agricultural lands in Iran. However, climate change, increasing water scarcity, and the limitations of traditional field-based statistics have made accurate monitoring of wheat cultivated areas a challenging task. In this study, an integrated framework based on multi-source remote sensing data and a machine learning approach was developed to identify rainfed and irrigated wheat fields and to estimate their cultivated area in the Maroon watershed in southwest Iran. A set of spectral, radar, and thermal features representing the biophysical, structural, and water-related characteristics of wheat was extracted and used as input variables for the model. The Random Forest algorithm was selected due to its robustness against overfitting and its ability to handle heterogeneous and non-linear data. Model performance was evaluated using a confusion matrix, overall accuracy, and the kappa coefficient. The results demonstrated a high classification performance, with an overall accuracy of approximately 97% and a kappa coefficient of about 0.96 for the test dataset. In addition, the estimated wheat cultivated area showed a low bias of around 3%, indicating a high level of reliability in distinguishing between rainfed and irrigated wheat fields. گندم به‌عنوان یکی از محصولات راهبردی در تأمین امنیت غذایی، سهم قابل‌توجهی از اراضی کشاورزی ایران را به خود اختصاص داده است، اما تغییرات اقلیمی، محدودیت منابع آب و ناکارآمدی روش‌های سنتی آماربرداری، پایش دقیق سطح زیرکشت این محصول را با چالش مواجه ساخته است. در این پژوهش، چارچوبی تلفیقی مبتنی بر داده‌های چندمنبعی سنجش از دور و الگوریتم یادگیری ماشین جنگل تصادفی به‌منظور شناسایی و تفکیک مزارع گندم دیم و آبی و برآورد سطح زیرکشت آن‌ها در حوضه آبخیز مارون ارائه شد. مجموعه‌ای از شاخص‌های طیفی، راداری و حرارتی برای بازنمایی ویژگی‌های بیوفیزیکی، ساختاری و آبی گیاه استخراج و به‌عنوان ورودی مدل به کار گرفته شد. الگوریتم جنگل تصادفی به دلیل پایداری در برابر بیش‌برازش و توانایی پردازش داده‌های ناهمگون برای طبقه‌بندی انتخاب شد و صحت نتایج با استفاده از ماتریس درهم‌ریختگی، دقت کلی و ضریب کاپا ارزیابی گردید. نتایج نشان داد که مدل پیشنهادی عملکرد بسیار مطلوبی در شناسایی مزارع گندم دارد؛ به‌طوری‌که دقت کلی و ضریب کاپا برای داده‌های آزمون به‌ترتیب حدود 97 و 96 درصد به‌دست آمد. همچنین، برآورد سطح زیرکشت گندم با بایاس اندک حدود 3 درصد انجام شد که نشان‌دهنده دقت بالای روش است. https://idj.iaid.ir/article_243899_aa1d9d2c135e5755c5fa02f9dea8c927.pdf