برآورد سطح زیرکشت گندم و پراکنش آن در کشور در زمان کشت و قبل از برداشت محصول، میتواند در ارزشگذاری، ذخیرهسازی و همچنین برنامهریزی برای واردات و صادرات نقشی اساسی ایفا کند. روشهای معمول سنجش از دور با استفاده از تک تصویر به علت شباهت طیفی گندم و سایر محصولات کشاورزی نظیر جو و یونجه که معمولا همزمان با کشت گندم رشد میکنند، در جداسازی گندم از این محصولات با مشکل مواجه میشوند. لذا بکارگیری تصاویر چندزمانه در طول رشد محصول باعث بهبود صحت طبقهبندی گندم میگردد. الگوریتم جنگل تصادفی، یکی از ابزارهای مناسب جهت غلبه بر مشکلات طبقهبندی تصاویر سری زمانی میباشد. در این تحقیق 10 تصویر از منطقه (مرودشت-استان فارس) که دارای ابرناکی کمتر از 20 درصد بودند انتخاب گردید. در مرحله بعد، با تولید ویژگیهای جدید از جمله گرادیان طیفی باندها و شاخصهای گیاهی تصاویر چندزمانی و اختلاف آنها و انتخاب ویژگیهای بهینه، عملکرد مدل بهبود یافت. با تولید این ویژگیها به طور میانگین دقت کلی 4/9 درصد و ضریب کاپا 2/5 درصد افزایش یافت. علاوه بر آن قدرت جداسازی گندم و جو (دقت تولید کننده جو) توسط روش پیشنهادی به طور میانگین تا 5/14 درصد افزایش یافته و در حالت استفاده از تنها سه تصویر منتخب، به 5/92 درصد میرسد. در پایان آنالیز اهمیت متغیر انجام شد و مشاهده گردید، اختلاف شاخصهای گیاهی و گرادیان طیفی باندهای تصاویر زمانهای مختلف، مهمترین ویژگیهای تولید و معرفی شده به مدل جهت بهبود نتایج میباشند.
Saei Jamalabad M, Mojardi B, Abkar A A. Winter Wheat Classification by Multi-Temporal Optimized Image Analysis Based on Random Forest Algorithm. JGST 2018; 8 (2) :133-150 URL: http://jgst.issgeac.ir/article-1-702-fa.html
ساعی جمال آباد موسی، مجردی برات، آبکار علی اکبر. طبقهبندی گندم زمستانه با استفاده از آنالیز تصاویر بهینه چند زمانی مبتنی بر الگوریتم جنگل تصادفی. علوم و فنون نقشه برداری. 1397; 8 (2) :133-150
