عادل کرمی - دانشجوی کارشناسی ارشد سنجش از دور، گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران
فاطمه طبیب محمودی - استادیار گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران
علیرضا شریفی - استادیار گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

کشور ایران با توجه به نیاز به گندم علاوه بر تولید داخلی، نیاز به واردات گندم نیز دارد که پیش بینی میزان بازده گندم در کشور میتواند منجر به تصمیم گیری بهتر درباره جمع آوری، حمل و نقل، ذخیره سازی گندم تولید شده و همچنین تخمین میزان گندم موردنیاز برای واردات در زمان مناسب شود. هدف اصلی این تحقیق، مقایسه قابلیتهای مدلهای رگرسیون یادگیری ماشین درخت تصمیم، رگرسیون بردار پشتیبان و شبکه عصبی رگرسیون تعمیم یافته در تخمین بازده گندم در هشت مزرعه واقع در استان کردستان در کشور ایران میباشد. بدین منظور استفاده از شاخصهای طیفی NDVI، NDWI، NRI و SAVI به ترتیب به عنوان نماینده گروه های شاخصهای طیفی پوشش گیاهی، رطوبت، مواد مغذی و آفات گیاهی برای بهبود نتایج تخمین بازده گندم در مدلهای رگرسیون یادگیری ماشین استفاده گردید. ارزیابی نتایج حاصل از این تحقیق حاکی از آن است که روش شبکه عصبی رگرسیون تعمیم یافته با RMSE برابر ۰/۰۰۶۳ بهترین عملکرد را در بین مدلهای یادگیری ماشین داشته است. به علاوه، نتایج حاصل از تخمین بازده گندم مبتنی بر چنیدن شاخص طیفی در مقایسه با استفاده از تنها یک شاخص طیفی پوشش گیاهی، بهبود حدود ۰/۸۱ در مقدار RMSE را نشان داد.

بازده محصول گندم، تحلیل رگرسیون، مدل های یادگیری ماشین، شاخص های طیفی