سیدحمیدرضا میرنعمتی - دانشجوی کارشناسی ارشد سنجش از دور دانشگاه شهید بهشتی

زنگ نوار گندم تاثیر شدیدی بر عملکرد و کیفیت گندم دارد. یک روش پیش بینی موثر برای امنیت غذایی ضروری است. در این مطالعه، ابتدا، شاخص های پوشش گیاهی بهینه مربوط به تنش زنگ نوار به عنوان ویژگی های کاندید برای پیش بینی بیماری از تصاویر سری زمانی ۲Sentinel- استخراج می شوند. سپس، ترکیبات VI بهینه با استفاده از انتخاب متوالی رو به جلو (SFS) انتخاب می شوند. در نهایت وقوع زنگ نوار گندم در بازه های زمانی مختلف با استفاده از روش ماشین بردار پشتیبان (SVM) پیش بینی می شود. نتایج ویژگی های انتخاب شده نشان می دهد که، قبل از دوره اتصال، VIs بهینه مربوط به زیست توده، رنگدانه و رطوبت گندم است. پس از دوره اتصال، VIs های لبه قرمز مربوط به وضعیت سلامت محصول نقش مهمی ایفا می کنند. دقت کلی و ضریب کاپا مدل پیش بینی، که مبتنی بر SVM است، به طور کلی بالاتر از روش های K-نزدیک ترین همسایه (KNN) و شبکه عصبی پس انتشار (BPNN) است. روش SVM برای پیش بینی سری های زمانی زنگ نوار گندم مناسب تر است. مدل دقت را بر اساس ترکیبات VI بهینه به دست آورد و SVM در طول زمان افزایش یافت. بالاترین دقت ۸۶.۲ درصد بود. این نتایج نشان می دهد که مدل پیش بینی می تواند راهنمایی ها و پیشنهادهایی را برای پیشگیری زودهنگام از بیماری در محل مورد مطالعه ارائه دهد و این روش تصاویر سری زمانی Sentinel-۲ و SVM را ترکیب می کند که می تواند برای پیش بینی زنگ نوار گندم استفاده شود.

گندم , سنجش از دور , پوشش گیاهی , بیماری زنگ نوار , سری زمانی , , پیش بینی