fa تفکیک اراضی کشاورزی استان خوزستان بر اساس نوع سیستم کشت با استفاده از داده‌های سنجش از دوری و مدل جنگل تصادفی فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="font-size:12px;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span style="letter-spacing:-0.1pt"><span lang="FA"><span b="" nazanin="">شناسایی دقیق و به‌موقع نوع سیستم‌های کشت در اراضی کشاورزی، یکی از چالش‌های اساسی در پژوهش‌های کشاورزی نوین محسوب می‌شود. این تحقیق با هدف تفکیک اراضی زیر کشت گندم و جو در بخشی از استان خوزستان در بازه زمانی 1401-1402 به سه گروه شامل آبی، دیم و سایر (سایر کاربرداهای کشاورزی، زمین بایر و مناطق شهری)، چارچوبی نوآورانه مبتنی بر داده‌های چندزمانه‌ سنجش از دور و بهره‌گیری از الگوریتم‌های یادگیری ماشین ارائه کرده است. در این مطالعه، داده‌های ماهواره‌ای </span></span>Sentinel-2<span lang="FA"><span b="" nazanin="">، </span></span>Sentinel-1<span lang="FA"><span b="" nazanin="">، </span></span>Landsat-8 <span lang="FA"><span b="" nazanin="">و</span></span> SRTM <span lang="FA"><span b="" nazanin="">به‌صورت تلفیقی به‌کار گرفته شده‌اند تا ابعاد مختلف پوشش زمین از منظر ساختاری، زمانی و مکانی تحلیل شوند. همچنین، مجموعه‌ای از شاخص‌های اختصاصی فنولوژیکی، مبتنی بر تفاوت‌های زمانی و طیفی میان کلاس‌های کشت طراحی شده‌اند. این شاخص‌ها به‌تنهایی عملکرد مناسبی داشته‌اند؛ به‌طوری‌که، دقت کلی 31/84 درصد و ضریب کاپای 75/0 را ثبت کرده‌اند که نسبت به سایر ترکیب‌های ساده‌تر، نتایج دقیق‌تری ارائه داده‌اند. با این حال، ترکیب همین شاخص‌های فنولوژیکی با سایر ویژگی‌های زمانی، طیفی، راداری، حرارتی و توپوگرافی، منجر به بهبود چشم‌گیر عملکرد مدل شده و دقت کلی 57/91 درصد و ضریب کاپای 87/0 حاصل شده است. در این راستا، الگوریتم جنگل تصادفی</span></span> (Random Forest) &nbsp;<span lang="FA"><span b="" nazanin="">به‌عنوان روش طبقه‌بندی اصلی مورد استفاده قرار گرفته است. نتایج نشان می‌دهد که شاخص‌های فنولوژیکی، به‌ویژه در باندهای حساس مانند</span></span> RED <span lang="FA"><span b="" nazanin="">و</span></span>NIR <span lang="FA"><span b="" nazanin="">، نقش کلیدی در افزایش دقت طبقه‌بندی دارند و تلفیق آن‌ها با سایر داده‌های سنجش از دور می‌تواند تفکیک پوشش‌های مشابه را بهبود بخشد. این مطالعه بر اهمیت طراحی داده‌محور شاخص‌های زمانی تأکید دارد.</span></span></span></span></span></span></span></span><span style="font-size:9pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="letter-spacing:-0.1pt"><span lang="FA" style="font-family:"B Nazanin""></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="unicode-bidi:embed"><span style="line-height:107%">Accurate and timely identification of cropping systems in agricultural lands is one of the fundamental challenges in modern agricultural research. This study aims to separate the areas under wheat and barley cultivation in a part of Khuzestan province in the period 1401-1402 into three groups including irrigated, dryland and others (other agricultural uses, barren land and urban areas), and presents an innovative framework based on multitemporal remote sensing data and machine learning algorithms. In this study, Sentinel-2, Sentinel-1, Landsat-8 and SRTM satellite data have been used in an integrated manner to analyze different dimensions of land cover from a structural, temporal and spatial perspective. Also, a set of specific phenological indices have been designed based on temporal and spectral differences between crop classes. These indices have performed well alone; Thus, they recorded an overall accuracy of 84.31% and a kappa coefficient of 0.75, which provided more accurate results than other simpler combinations. However, combining these phenological indices with other temporal, spectral, radar, thermal, and topographic features led to a significant improvement in model performance, achieving an overall accuracy of 91.57% and a kappa coefficient of 0.87. In this regard, the Random Forest algorithm was used as the main classification method. The results show that phenological indices, especially in sensitive bands such as RED and NIR, play a key role in increasing classification accuracy, and their integration with other remote sensing data can improve the separation of similar covers. This study emphasizes the importance of data-driven design of temporal indices.</span></span></span></span></div> سنجش از دور, شاخص‌های فنولوژیکی, سیستم‌های کشت, طبقه‌بندی, یادگیری ماشین Remote sensing, Phenological Indices, Cropping systems, Classification, Machine Learning 107 120 http://jgst.issgeac.ir/browse.php?a_code=A-10-1132-1&slc_lang=fa&sid=1 Esmaiel Abdalli اسماعیل عبدالی e.abdalli@kntu.ac.ir 100319475328460010922 100319475328460010922 No Khaje nasiradin toosi university of technology دانشگاه صنعتی خواجه نصیرالدین طوسی Armin moghimi آرمین مقیمی moghimi.armin@email.kntu.ac.ir 100319475328460010923 100319475328460010923 Yes Khaje nasiradin toosi university of technology دانشگاه صنعتی خواجه نصیرالدین طوسی mohammad javad valadan zoej محمدجواد ولدان زوج valadanzouj@kntu.ac.ir 100319475328460010924 100319475328460010924 No Khaje nasiradin toosi university of technology دانشگاه صنعتی خواجه نصیرالدین طوسی