نشریه آبیاری و زهکشی ایران

نشریه آبیاری و زهکشی ایران

کاربرد روش ماشین بردار پشتیبان در شبیهسازی عملکرد جو با استفاده از شاخصهای خشکسالی

نوع مقاله : مقاله پژوهشی

نویسندگان
هادی رمضانی اعتدالی 1
مژگان احمدی 2
1 استاد گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران
2 دانش آموخته دکتری آبیاری و زهکشی، دانشکده کشاورزی و منابع طبیعی ، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران
چکیده
تخمین به موقع و دقیق عملکرد محصول برای تنظیم مدیریت زراعی و تضمین پایداری کشاورزی مهم است. در این پژوهش به بررسی کاربرد روش رگرسیون بردار پشتیبان در شبیه‌سازی عملکرد جو در ده مزرعه انتخابی در دشت قزوین طی دوره 2020-2019 با استفاده از شاخص‌های خشکسالی NDVI، MSAVI و EVI پرداخته شده است. برای شاخص‌های خشکسالی از ماهواره سنتینل2 استفاده شد. نتایج با استفاده از آماره‌های R2، RMSEو ME ارزیابی شد. به منظور بررسی کاربرد روش رگرسیون بردار پشتیبان در شبیه‌سازی عملکرد جو با استفاده از شاخص‌های خشکسالی مذکور، هفت سناریو تعریف شد. نتایج ارزیابی ارتباط بین شاخص‌های NDVI، MSAVI و EVI با عملکرد جو نشان داد که روش رگرسیون بردار پشتیبان در همه سناریوها به جز سناریو اول در مرحله آزمون با احتمال معنی داری 95 % (P-value= 0.0 ) و ضریب تبیین بیش از 70/0 و مقدار کم شاخص RMSE تخمین مناسبی از عملکرد محصول جو داشته است. نتایج این پژوهش، کاربرد مفیدی در مدیریت و برنامه‌ریزی توسعه کشت جو بر اساس شاخص‌های خشکسالی در آینده خواهد داشت.
کلیدواژه‌ها
شاخص‌های خشکسالی
سنتینل2
رگرسیون بردار پشتیبان
عملکرد جو

عنوان مقاله English

Application of support vector machine method in simulating barley wield using drought indices

نویسندگان English

Hadi Ramezani Etedali 1
Mojgan Ahmadi 2
1 Professor, Water Sciences and Engineering Department, Imam Khomeini International University, Qazvin, Iran
2 Ph.D. Graduate in Irrigation and Drainage, Department of Water Sciences and Engineering, Imam Khomeini International University, Qazvin., Iran
چکیده English

Timely and accurate crop yield estimation is important to regulate crop management and ensure agricultural sustainability. This research investigates the application of the support vector regression method in simulating the yield of barley in ten selected farms in the Qazvin plain from 2019 to 2020 using the drought indices NDVI, MSAVI, and EVI. Sentinel 2 satellite was used for drought indices. The results were evaluated using R2, RMSE, and ME statistics. To investigate the application of the support vector regression method in simulating the yield of barley using the mentioned drought indicators, seven scenarios were defined. The results of evaluating the relationship between NDVI, MSAVI, and EVI indices with yield barley showed that the support vector regression method in all scenarios except the first scenario in the test phase with a significant probability of 95% (P-value=0.0) and an explanatory coefficient of more than 0.7 and the low value of the RMSE index has a good estimate of the yield of the barley product. The results of this research will be useful in managing and planning the development of barley cultivation based on drought indices in the future.

کلیدواژه‌ها English

drought indices
Sentinel 2
support vector regression
yield barley
پناهی، س.، صمدیان فرد، س. و ناظمیی، ا. 1401. مدل سازی عملکرد محصولات دیمی گندم، جو و یونجه با اسفاده از رگرسیون بردار پشتیبان و برنامه ریزی ژنتیک. دانش آب و خاک.32 (2):111-97.
دشتی مریولی، م.، کامکار، ب. و کاظمی، ح. 1399. مقایسه شاخص های گیاهی در تخمین زیست‌توده بقایای محصولات زراعی بهاره و پاییزه (در حوضه‌های آبخیز جنوب غرب استان گلستان). پژوهش های حفاظت آب و خاک. 27 (6): 136-121.
شرفی س. و محمدی قلعه نی، م. 1401. تأثیر خشکسالی بر عملکرد گندم و جو دیم در اقلیم های مختلف ایران. آبیاری و زهکشی ایران، 16 (5):1025-1010.
خوشخو، ی. 1401. امکان‌سنجی پیش‌بینی میزان عملکرد سالانه جو دیم بر اساس شاخص‌های مختلف خشکسالی. پژوهش های حفاظت آب و خاک، 29 (2): 24-1.
آراسته، م.، کابلی، ح. و یزدانی، م. 1396. بررسی تأثیرات خشکسالی‌های هواشناسی بر عملکرد دو محصول گندم و جو دیم (مطالعه موردی: استان خراسان رضوی). هواشناسی کشاورزی. 5 (1):25-15.
یعقوب زاده، م.، احمدی، م.، کابلی، ح. و زمانی، غ. 1396. ارزیابی اثر تغییر اقلیم بر خشکسالی کشاورزی به کمک شاخص‌های ETDI و SPI. پژوهش های حفاظت اب و خاک. 24 (4):61-43.
زند، م.، میری، م.، دمی زاده، م. و پرهمت، ج. 1401. ارزیابی تاثیر خشکسالی بر زراعت آبی استان لرستان. سامانه های سطوح آبگیر باران، 10 (1): 79-68.
بوربور، ه.، عبداللهی پور، م.، عبدالهی ح. و مشعل، م. 1402. برآوردعملکرد جو بر اساس داده های سنجش از دور و الگوریتم های یادگیری ماشین XGBoot و SVM. مدیریت آب و آبیاری، 13 (4): 1137-1120.
Demirpolat. C. and Leloğlu. U. M. 2018. Barley yield estimation with Sentinel-2 vegetation indices. In 2018 26th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
Faqe Ibrahim. G. R. Rasul. A. and Abdullah. H. 2023. Sentinel‐2 accurately estimated wheat yield in a semi-arid region compared with Landsat 8. International Journal of Remote Sensing. 44(13): 4115–4136.
 Chlingaryan. A. Sukkarieh. S. Whelan. B. 2018. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: a review Comput. Electron. Agric. 151: pp. 61-69.
Van Klompenburg. T. Kassahun. A. and Catal. C. 2020. Crop yield prediction using machine learning: a systematic literature review Comput. Electron. Agricu. 177. Article 105709.
Sutanto. S.J. van der Weert. M. Wanders. N. Blauhut. V. and Van Lanen. A.H.J. 2019.Moving from drought hazard to impact forecasts Nat. Commun. 10: 4945.
Kang. Y. Ozdogan. M. Zhu. X. Ye. Z. Hain. C. and Anderson. M. 2020. Comparative assessment of environmental variables and machine learning algorithms for maize yield prediction in the US Midwest Environmental Research Letters. 15 (6): Article 064005
Peichl. M. Thober. S. Samaniego. L. Hansjürgens. B. and Marx. A.2021. Machine learning methods to assess the effects of a non-linear damage spectrum taking into account soil moisture on winter wheat yields in Germany Hydrol. Hydrology and Earth System Sciences.  10.5194/hess-2021-9
Feng. P. Wang. B. Liu. D.L. Waters. C. and Yu. Q. 2019. Incorporating machine learning with biophysical model can improve the evaluation of climate extremes impacts on wheat yield in south-eastern Australia Agricultural and Forest Meteorology. 275, 100-113.
Qader. S. H. Dash. J. and Atkinson. P. M. 2018. Forecasting wheat and barley crop production in arid and semi-arid regions using remotely sensed primary productivity and crop phenology: A case study in Iraq. Science of the total Environment. 613: 250-262.
Mirosavljević. M. Momčilović. V. Čanak. P. Aćin. V. Jocković. B. and Vujošević. B. 2018. Variation in NDVI values and relationship with grain yield in two-rowed winter barley. Ratarstvo i povrtarstvo/Field and Vegetable Crops Research. 55(3): 118-124.
Panek. E. and Gozdowski. D. 2021. Relationship between MODIS derived NDVI and yield of cereals for selected European countries. Agronomy. 11(2): 340.
Pavlovskaya. N. Rodimtsev. S. Borodin. D. Vershinin. S. Gagarina. I. and Mikhaylova. Y. 2021. Application of satellite images for assessing winter wheat and spring barley crops on the average NDVI value. In E3S Web of Conferences.. 279: p. 03012). EDP Sciences.
Patel. M. Ryu. D. Western. A. W. Fitzgerald. G. J. Perry. E. M. Suter, H. and Young. I. M. 2024. A new multispectral index for canopy nitrogen concentration applicable across growth stages in ryegrass and barley. Precision Agriculture. 25(1): 486-519.
Boulaaras. H. and Bouregaa. T. 2024. Cereal yield forecasting in semi-arid region of Algeria using MODIS-NDVI. Journal of Aridland Agriculture. 10: 7-14.
FAO. 2017. The future of food and agriculture–Trends and challenges. Annul. Reports. 296, 1–180.
Chen. Z. Chidthaisong. A. Friedlingstein. P. Gregory. J. Hegerl. G. Heimann. M. and Hewitson. B. 2007. The Physical Science Basis. In Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Summary for Policymakers; IPCC Secretariat: Geneva, Switzerland. 21p.3.
Jeong. J.H. Resop. J.P. Mueller. N.D. Fleisher. D.H. Yun. K. Butler. E.E. Timlin. D.J. Shim, K.-M. Gerber. J.S. and Reddy. V.R. 2016. Random forests for global and regional crop yield predictions. PLoS ONE 11, e0156571. Dhillon. M.S. Dahms. T. Kübert-Flock. C. Steffan-Dewenter. I. Zhang. J. and Ullmann. T.2022. Spatiotemporal Fusion Modelling Using STARFM: Examples of Landsat 8 and Sentinel-2 NDVI in Bavaria. Remote Sensing. 14.677.  
Dhillon. M.S. Dahms. T. Kuebert-Flock. C. Borg. E. and Conrad. C. 2020. Ullmann, T. Modelling Crop Biomass from Synthetic Remote Sensing Time Series: Example for the DEMMIN Test Site, Germany. Remote Sensing.12: 1819.
Emelyanova. I.V. McVicar. T.R. Van Niel. T.G. Li. L.T. and Van Dijk. A.I.J.M. 2013. Assessing the accuracy of blending Landsat–MODIS surface reflectances in two landscapes with contrasting spatial and temporal dynamics: A framework for algorithm selection. Remote Sens. Environ. 133: 193–209.
Luo. Y. Guan. K. and Peng. J. 2018.STAIR: A generic and fully-automated method to fuse multiple sources of optical satellite data to generate a high-resolution, daily and cloud-/gap-free surface reflectance product. Remote Sensing of Environment. 214: 87–99.
 Zhu. X. Helmer. E.H. Gao. F. Liu. D. Chen J. and Lefsky. M.A. 2016. A flexible spatiotemporal method for fusing satellite images with different resolutions. Remote Sens. Environ. 172: 165–177.
Dhillon. M.S. Dahms. T. Kuebert-Flock. C. Rummler. T. Arnault.  J. Stefan-Dewenter.  I. and Ullmann. T.2023. Integrating random forest and crop modeling improves the crop yield prediction of winter wheat and oil seed rape. Front. Remote Sensing. 3: 109.
Han. J. Zhang. Z. Cao. J. Luo. Y. Zhang. L. Li Z. and Zhang. J.2020. Prediction of Winter Wheat Yield Based on Multi-Source Data and Machine Learning in China. Remote Sens. 12: 236.
Sáenz. C. Bermejo-Saiz. A. Cicuéndez. V. Pugni, T. Madruga, D., Palacios-Orueta, A., and Litago, J. 2024. Estimation and Prediction of Cereal Production Using Normalized Difference Vegetation Index Time Series (Sentinel-2) Data in Central Spain. Engineering Proceedings. 68(1): 26.
Khalil. Z. H. and Abbas. A. H. 2022. Object-oriented Model to Predict Crop Yield Using Satellite-based Vegetation Index. iJIM, 16(15): 141.