مقایسه الگوریتم‌های ماشین‌بردار پشتیبان و جنگل‌تصادفی در تهیه نقشه کشت گندم

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استاد، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران

2 گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران

10.22034/gp.2024.62456.3278

چکیده

هشترود یکی از شهرستان‌های جنوبی استان آذربایجان شرقی و مرکز شهرستان هشترود است. این شهر در بین مختصات جغرافیایی 36 درجه و 45 دقیقه الی 37 درجه و 24 دقیقه عرض‌شمالی و 46 درجه و 25 دقیقه الی 47 درجه و 24 دقیقه طول‌شرقی واقع شده‌است. هدف این تحقیق، تهیه نقشه کشت گندم با استفاده از روش‌های یادگیری ماشین با تصاویر ماهواره‌ای سنتینل 2 می‌باشد.
روش پژوهش: در این پژوهش، ابتدا تصاویر ماهواره Sentinel2-L2A تهیه شده و با استفاده از مجموعه تصاویر دارای اطلاعات بازتاب زمینی، شاخص پوشش‌گیاهی نرمال‌شده استخراج شد. سپس با استفاده از زبان‌برنامه‌نویسی R در محیط Jupyter Notebook الگوریتم‌های طبقه‌بندی ماشین‌بردار پشتیبان و جنگل‌تصادفی روی تصاویر اعمال شدند و در آخر خروجی‌های هر دو الگوریتم در نرم‌افزار Arcmap تجزیه و تحلیل شده و از نقشه‌های نهایی خروجی گرفته شد.
نتایج: در نهایت مشاهده شد که الگوریتم جنگل‌تصادفی با میزان دقت کلی 93 درصد و ضریب کاپای 87 درصد عملکرد بهتر و مناسب‌تری نسبت به الگوریتم ماشین‌بردار پشتیبان با دقت کلی 90 درصد و ضریب کاپای 82 درصد داشته است. این انتخاب به دلیل دقت بالاتر و ضریب کاپای بیشتر آن نسبت به سایر الگوریتم‌ها است که نشان‌دهنده توافق بیشتر با واقعیت و دقت بالاتر در پیش‌بینی‌ها می‌باشد.
نتیجه‌گیری: نتایج حاصل از اجرای این الگوریتم‌ها نشان داد که هر الگوریتم دارای نقاط قوت و ضعف خاص خود می‌باشد. الگوریتم ماشین‌بردار پشتیبان به‌دلیل ساختار ساده و کارایی مناسب در بسیاری از مسائل طبقه‌بندی مورد استفاده قرار می‌گیرد. با این حال، در این پژوهش در مقایسه با دیگر الگوریتم یعنی الگوریتم جنگل‌تصادفی عملکرد ضعیف‌تری داشت. الگوریتم جنگل‌تصادفی نیز به‌دلیل توانایی در ترکیب مدل‌های مختلف و کاهش اثر بیش‌برازش معمولا نتایج دقیقی ارائه می‌دهد. با این حال، پیچیدگی محاسبات بالای آن می‌تواند در کاربردهای بزرگ‌تر مشکل‌ساز باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Comparison of Support Vector Machine and Random Forest Algorithms in Developing Wheat Cultivation Maps

نویسندگان [English]

  • sayyad asghari 1
  • hamid Soleimani Youzband 2
  • Aboozar Sadeghi 2
1 Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.
2 Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran
چکیده [English]

Cereals are considered one of the most important sources of dietary protein, and wheat is a significant cereal crop with high protein content. Currently, the rapid and excessive population growth and the perceived shortage of available resources to meet essential human needs are among the biggest challenges facing the world. Accurate and up-to-date statistics and information on agricultural capacities form the foundation of proper planning and management in agricultural affairs.
Methods: In this study, Sentinel2-L2A satellite images were initially downloaded, and the Normalized Difference Vegetation Index (NDVI) was extracted using the set of images containing ground reflectance data. Then, the Support Vector Machine (SVM) and Random Forest classification algorithms were applied to the images using the R programming language in the Jupyter Notebook environment.
Results: Finally, it was observed that the Random Forest algorithm performed better and more appropriately, with an overall accuracy of 93% and a kappa coefficient of 87%, compared to the Support Vector Machine algorithm, which had an overall accuracy of 90% and a kappa coefficient of 82%. This preference is due to its higher accuracy and kappa coefficient, indicating a greater agreement with reality and higher prediction accuracy.
Conclusions: The results of these algorithms showed that each algorithm has its own strengths and weaknesses. The Support Vector Machine algorithm is used in many classification problems due to its simple structure and adequate performance. However, in this study, it performed weaker compared to the other algorithm, the Random Forest. The Random Forest algorithm usually provides accurate results due to its ability to combine different models and reduce the effect of overfitting. Nevertheless, its high computational complexity can be problematic in larger applications.

کلیدواژه‌ها [English]

  • Wheat
  • Machine Learning
  • Support Vector Machine
  • Random Forest
  • Cultivation Map

اصل مقاله

هدف: غلات از مهم‌ترین منابغ پروتئین غذایی به حساب می‌آیند و گندم یکی از محصولات غله‌ای مهم با پروتئین بالا است. در حال حاظر رشد روزافزون و بیش از حد جمعیت و احساس کمبود منابع در دسترس برای رفع نیازهای اساسی و مهم انسان‌ها، یکی از بزرگترین مشکلات روبه‌روی جهانیان است. پایه و اساس برنامه‌ریزی و مدیریت صحیح در امورات کشاورزی را به داشتن آمار و اطلاعات دقیق و به‌روز از ظرفیت‌های کشاورزی می‌توان دانست. هشترود یکی از شهرستان‌های جنوبی استان آذربایجان شرقی و مرکز شهرستان هشترود است. این شهر در بین مختصات جغرافیایی 36 درجه و 45 دقیقه الی 37 درجه و 24 دقیقه عرض‌شمالی و 46 درجه و 25 دقیقه الی 47 درجه و 24 دقیقه طول‌شرقی واقع شده‌است.مسئله عدم انجام پژوهش در زمینه تهیه نقشه کشت گندم با الگوریتم‌های یادگیری ماشین در کشور ایران و منطقه مورد مطالعه، ما را وادار به انتخاب و انجام پژوهش در این زمینه کرد تا نقشه کشت گندم و در منطقه مورد مطالعه با روش‌های مدنظر یادگیری ماشین تهیه کنیم.روش پژوهش: در این پژوهش، ابتدا تصاویر ماهواره Sentinel2-L2A دانلود شده و با استفاده از مجموعه تصاویر دارای اطلاعات بازتاب زمینی، شاخص پوشش‌گیاهی‌نرمال ‌شده استخراج شد. سپس با استفاده از زبان‌برنامه‌نویسی R در محیط Jupyter Notebook الگوریتم‌های طبقه‌بندی ماشین‌بردار پشتیبان و جنگل‌تصادفی روی تصاویر اعمال شدند و در آخر خروجی‌های هر دو الگوریتم در نرم‌افزار Arcmap تجزیه و تحلیل شده و از نقشه‌های نهایی خروجی گرفته شد.  نتایج: ارزیابی خروجی نقشه‌های تهیه شده نشان داد که الگوریتم جنگل‌تصادفی با میزان دقت کلی 93 درصد و ضریب کاپای 87 درصد عملکرد بهتر و مناسب‌تری نسبت به الگوریتم ماشین‌بردار پشتیبان با دقت کلی 90 درصد و ضریب کاپای 82 درصد داشته است. این انتخاب به دلیل دقت بالاتر و ضریب کاپای بیشتر آن نسبت به سایر الگوریتم‌ها است که نشان‌دهنده توافق بیشتر با واقعیت و دقت بالاتر در پیش‌بینی‌ها می‌باشد.نتیجه‌گیری: تحلیل یافته های این تحقیق نشان داد که که هر الگوریتم دارای نقاط قوت و ضعف خاص خود می‌باشد. الگوریتم ماشین‌بردار پشتیبان به‌دلیل ساختار ساده و کارایی مناسب در بسیاری از مسائل طبقه‌بندی مورد استفاده قرار می‌گیرد. با این حال، در این پژوهش در مقایسه با دیگر الگوریتم یعنی الگوریتم جنگل‌تصادفی عملکرد ضعیف‌تری داشت. الگوریتم جنگل‌تصادفی نیز به‌دلیل توانایی در ترکیب مدل‌های مختلف و کاهش اثر بیش‌برازش معمولا نتایج دقیقی ارائه می‌دهد. با این حال، پیچیدگی محاسبات بالای آن می‌تواند در کاربردهای بزرگ‌تر مشکل‌ساز باشد.

مراجع

Abdollahzadeh, M., Nasiri Mehran Brothers. (2008). Determining the Potato Cultivation Area in Boroujen County Using Time Series of IRS-P6 Images (Conference). (In Persian)
Abiyat, A., Amanpour, A., Abiyat, A., Abiyat, A., Majdeh, M. (2022). Estimating Agricultural Crop Area Using Landsat 8 Satellite Images (Case Study: Shushtar County). Journal of Agricultural Science, 24(2), 465-479. (In Persian)
Asghari Sarasakanroud, S., Jalilian, R., Pirouzi Nejad, N., Madadi, A., Yadegari, M. (2020). Evaluation of Water Extraction Indices Using Landsat Satellite Images (Case Study: Gamasiab River, Kermanshah). In Persian)
Asghari Saraskanroud, Seyed; Sharifi Toularoud, Hossein; Sobhani, Behrouz (2024). Mapping Rice Cultivation Based on Phenological Characteristics Using Sentinel-1 Time Series Imagery. Remote Sensing and Geographic Information Systems in Natural Resources, No. 2, Vol. 15. (In Persian)
Biau, G., Cérou, F.,  Guyader, A. (2010). On the Rate of Convergence of the Bagged Nearest Neighbor Estimate. Journal of Machine Learning Research, 11(2).
Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. https://doi.org/10.1007 /bf00058655
Bühlmann, P., Yu, B. (2002). Analyzing bagging. Annals of Statistics, 30(4). https://doi.org/10.1214/ aos/1031689014
Buja, A.,  Stuetzle, W. (2006). OBSERVATIONS ON BAGGING. Statistica Sinica, 16(2), 323–351. http://stat.wharton.upenn.edu/~buja/PAPERS/sinica-bagging-buja-stuetzle.pdf
Cai, Y., Guan, K., Lobell, D., Potgieter, A. B., Wang, S., Peng, J., Xu, T., Asseng, S., Zhang, Y., You, L., Peng, B. (2019). Integrating satellite and climate data to predict wheat yield in Australia using machine learning approaches. Agricultural and Forest Meteorology, 274, 144–159. https://doi.org/10.1016/j.agrformet.2019.03.010
Cao, J., Zhang, Z., Luo, Y., Zhang, L., Zhang, J., Li, Z.,  Tao, F. (2021). Wheat yield predictions at a county and field scale with deep learning, machine learning, and google earth engine. European Journal of Agronomy, 123, 126204. https://doi.org/10.1016/j.eja.2020.126204
Dupont, F., Altenbach, S. (2003). Molecular and biochemical impacts of environmental factors on wheat grain development and protein synthesis. Journal of Cereal Science, 38(2), 133–146. https://doi.org/10.1016/s0733-5210(03)00030-4
Ebadi, Elhameh; Esfandiari Darabad, Fariba; Asghari Sarascanrud, Sayad; Mostafazadeh, Raouf; Melanouri, Elham (2024). "Assessment of Land Use Changes Using Object-Oriented and Pixel-Based Techniques (Case Study: Firoozabad Basin, Khalkhal)." Geography and Planning, 28(87), 261-275. (In Persian)
Feng, Y., Chen, B., Liu, W., Xue, X., Liu, T., Zhu, L., & Xing, H. (2024). Winter Wheat Mapping in Shandong Province of China with Multi-Temporal Sentinel-2 Images. Applied Sciences, 14(9), 3940. https://doi.org/10.3390/app14093940
Food and Agriculture Organization of the United Nations (FAO). (2013). Annual Report on World Wheat Production and Consumption. FAO, Rome. (In Persian)
Food and Agriculture Organization of the United Nations (FAO). (2019). Annual Report on World Wheat Production and Consumption. FAO, Rome. (In Persian)
Gashaw, T., Tulu, T., Argaw, M.,  Worqlul, A. W. (2018). Modeling the hydrological impacts of land use/land cover changes in the Andassa watershed, Blue Nile Basin, Ethiopia. Science of the Total Environment, 619–620, 1394–1408. https://doi.org/10.1016/j.scitotenv.2017.11.191
Gordon, A. D., Breiman, L., Friedman, J. H., Olshen, R. A.,  Stone, C. J. (1984). Classification and regression trees. Biometrics, 40(3), 874. https://doi.org/10.2307/2530946
Hsu, C.,  Lin, C. (2002). A comparison of methods for multiclass support vector machines. IEEE Transactions on Neural Networks, 13(2), 415–425. https://doi.org/10.1109/72.991427
Hudait, Manas; Pravin Patel, Priyank; (2022). Crop-type mapping and acreage estimation in   smallholding plots using Sentinel-2 images and machine learning algorithms: Some comparisons, The Egyptian Journal of Remote Sensing and Space Science, Volume 25, Issue 1, Pages 147-156.
Islam, Rahedul; (2021). Crop Calender Mapping of Bangladesh Rice Paddy Field with ALOS-2 ScanSAR Data, Advances in Remote Sensing, Vol. 10, Pages 115-129.
Jeong, S., Ko, J.,  Yeom, J. (2022). Predicting rice yield at pixel scale through synthetic use of crop and deep learning models with satellite data in South and North Korea. Science of the Total Environment, 802, 149726. https://doi.org/10.1016/j.scitotenv.2021.149726
Kummu, M., Fader, M., Gerten, D., Guillaume, J. H., Jalava, M., Jägermeyr, J., Pfister, S., Porkka, M., Siebert, S.,  Varis, O. (2017). Bringing it all together: linking measures to secure nations’ food supply. Current Opinion in Environmental Sustainability, 29, 98–117. https://doi.org/10.1016/j.cosust.2018.01.006
Lai, Y., Pringle, M., Kopittke, P., Menzies, N., Orton, T.,  Dang, Y. (2018). An empirical model for prediction of wheat yield, using time-integrated Landsat NDVI. International Journal of Applied Earth Observation and Geoinformation, 72, 99–108. https://doi.org/10.1016/j.jag.2018.07.013
Luo, Y., Zhang, Z., Cao, J., Zhang, L., Zhang, J., Han, J., Zhuang, H., Cheng, F.,  Tao, F. (2022). Accurately mapping global wheat production system using deep learning algorithms. International Journal of Applied Earth Observation and Geoinformation, 110, 102823. https://doi.org/10.1016/j.jag.2022.102823
Luo, Y., Zhang, Z., Zhang, L.,  Cao, J. (2021). Spatiotemporal patterns of winter wheat phenology and its climatic drivers based on an improved pDSSAT model. Science China. Earth Sciences/Science China. Earth Sciences, 64(12), 2144–2160. https://doi.org/10.1007/s11430-020-9821-0
Mbengue, F., Faye, G., Talla, K., Sarr, M. A., Ferrari, A., Mbaye, M., Dramé, M. S.,  Sagne, P. (2022). Evaluation of machine learning classification methods for rice detection using earth observation data: Case of Senegal. European Scientific Journal, 18(17), 214. https://doi.org/10.19044/esj.2022. v18n17p214
Mercier, G., Lennon, M. (2003, July). Support vector machines for hyperspectral image classification with spectral-based kernels. In IGARSS 2003. 2003 IEEE International Geoscience and Remote Sensing Symposium. Proceedings (IEEE Cat. No. 03CH37477) (Vol. 1, pp. 288-290). IEEE.
Minta, M., Kibret, K., Thorne, P., Nigussie, T., Nigatu, L. (2018). Land use and land cover dynamics in Dendi-Jeldu hilly-mountainous areas in the central Ethiopian highlands. Geoderma, 314, 27–36. https://doi.org/10.1016/j.geoderma.2017.10.035
Mojarad, Firooz; Farhadi, Bahman; Alfti, Jila (2017). "Simulation of Yield and Determination of Sowing Date for Rainfed and Irrigated Wheat Based on Climatic and Environmental Factors in Kermanshah Province Using the AquaCrop Model." Geography and Urban Planning, 22(66), 251-271. (In Persian)
Mousavi, S. A., Abbaszadeh Tehrani, N., Janali Pour, M. (2020). Estimation of Rainfed Wheat Cultivation Area Using Sentinel-2 Satellite Images: A Case Study in Sajasrood Region, Khodabandeh County, Zanjan Province. In Persian)
Nasrallah, A., Baghdadi, N. N., Mhawej, M., Faour, G., Darwish, T., Belhouchette, H., Darwich, S. (2018). A novel approach for mapping wheat areas using high resolution Sentinel-2 images. Sensors, 18(7), 2089. https://doi.org/10.3390/s18072089
Navidi, M., Mir-Naser, M., Seyed Mohammadi, S., Seyed Jalali, M., Zeinoddini, M., Farajnia, M., Delsouz. (2022). Land suitability assessment for wheat cultivation in Iran's wetlands. Soil Research, 36(2), 127-145. (In Persian)
Nelson, G. C., Rosegrant, M. W., Palazzo, A., Gray, I., Ingersoll, C., Robertson, R., You, L. (2010). Food security, farming, and climate change to 2050: scenarios, results, policy options (Vol. 172). Intl Food Policy Res Inst.
Nelson, K. S., Burchfield, E. K. (2021). Landscape complexity and US crop production. Nature Food, 2(5), 330–338. https://doi.org/10.1038/s43016-021-00281-1
Noroozi, S., Sanaei, M., Razeghi, H. (2019). Identification and differentiation of rice fields using semi-automatic method in northern Iran. Agriculture and Plant Breeding, 14(4), 11-21. (In Persian)
Peng, B., Guan, K., Zhou, W., Jiang, C., Frankenberg, C., Sun, Y., He, L., Köhler, P. (2020). Assessing the benefit of satellite-based Solar-Induced Chlorophyll Fluorescence in crop yield prediction. International Journal of Applied Earth Observation and Geoinformation, 90, 102126. https://doi.org/10.1016/j.jag.2020.102126
Rajabzadeh, N. (2001). Fundamentals of Cereal Technology. University of Tehran Press. (In Persian)
Ray, D. K., Ramankutty, N., Mueller, N. D., West, P. C., & Foley, J. A. (2012). Recent patterns of crop yield growth and stagnation. Nature Communications, 3(1). https://doi.org/10.1038 /ncomms2296
Rembold, F., Atzberger, C., Savin, I. V., Rojas, O. (2013). Using low resolution satellite imagery for yield prediction and yield anomaly detection. Remote Sensing, 5(4), 1704–1733. https://doi.org/10.3390/rs5041704
Rezai-Moghaddam, Mohammad-Hossein; Vali-Zadeh Kamran, Khalil; Andriyani, Soghra; Almaspour, Farhad (2014). Comparison of Neural Network and Support Vector Machine Methods in Extracting Land Use and Land Cover Maps Using Landsat 8 Imagery (Case Study: Sofi-Chay Basin). Geography and Planning, 19(52), 183-163. (In Persian)
Riahi, Ziaian Firoozabadi, Azizpour, Darouei, Parasto. (2019). Determination and Examination of Crop Cultivation Area in Lenjanat Region Using Satellite Images. Journal of Applied Research in Geographic Sciences, 19(52), 147-169. (In Persian)
Sadoughi, R., Rajaei, T., Taher, A., Rouhani, A. (2021). Identification and Investigation of Changes in Agricultural Land Use in Hosseinabad Mishmast Village Using Satellite Images. Water and Soil Sciences (Isfahan University of Technology), 24(4), 239-254. (In Persian)
Seyyed Mohammadi, J., Jafarzadeh, A., Asghar, A., Sarmadian, S., Shahbazi, F., Farzin, F., Ghorbani, M. (2017). Comparison of Efficiency of TOPSIS, AHP, and Root Square Methods in Determining Priority of Wheat, Barley, and Corn Cultivation under Rainfed Conditions in Moghan Plain. Water and Soil Science Journal, 27(2), 45-59. (In Persian)
Tilman, D., Balzer, C., Hill, J., Befort, B. L. (2011). Global food demand and the sustainable intensification of agriculture. Proceedings of the National Academy of Sciences of the United States of America, 108(50), 20260–20264. https://doi.org/10.1073/pnas.1116437108
اصغری سراسکانرود صیاد, جلیلیان روح اله, پیروزی نژاد نوشین, مددی عقیل, یادگاری میلاد. (2020). ارزیابی شاخص های استخراج آب با استفاده از تصاویر ماهواره ای لندست (مطالعه موردی: رودخانه گاماسیاب کرمانشاه).‎ نشریه تحقیقات کاربردی علوم جغرافیایی، سال بیستم، شماره 58، پاییز 99
اصغری سراسکانرود، صیاد، شریفی طولارود، حسین، سبحانی، بهروز (1403). تهیه نقشه کشت برنج براساس خصوصیات فنولوژیکی با استفاده از سری زمانی تصاویر سنتینل 1. سنجش از دور و سامانه اطلاعات جغرافیایی و منابع طبیعی، شماره 2، دوره 15.
رجبزاده، ناصر. (1380). "مبانی فنآوری غلات". انتشارات دانشگاه تهران.
رضایی مقدم، محمدحسین؛ ولیزاده کامران، خلیل؛ اندریانی، صغری؛ الماس‌پور، فرهاد (1393). مقایسه روش‌های شبکه عصبی و ماشین‌بردار پشتیبان در استخراج نقشه‌های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی‌چای). جغرافیا و برنامه‌ریزی، 19(52)، 183-163.
ریاحی، ضیائیان فیروزآبادی، عزیزپور، دارویی، پرستو. (2019). تعیین و بررسی سطح زیرکشت محصولات زراعی در ناحیه لنجانات با استفاده از تصاویر ماهواره‌ای. نشریه تحقیقات کاربردی علوم جغرافیایی, 19(52), 147-169.‎
سازمان غذا و کشاورزی ملل متحد (فائو). (2019). گزارش سالانه تولید و مصرف گندم در جهان. فائو، رم.
سیدمحمدی، جعفرزاده، علی‎ اصغر، سرمدیان، شهبازی، فرزین، قربانی. (2017). مقایسه کارآیی روش‎ های TOPSIS، AHP و ریشه دوم در تعیین اولویت کشت گندم، جو و ذرت تحت آبیاری بارانی در دشت مغان. دانش آب و خاک, 27(2)، 45-59.‎
صدوقی، رجایی، طاهر، روحانی. (2021). شناسایی و بررسی تغییرات سطح زیر کشت محصولات زراعی روستای حسین‌آباد میش‌مست با استفاده از تصاویر ماهواره‌ای. علوم آب و خاک (Isfahan University of Technology)، 24(4)، 239-254.‎
عبادی، الهامه؛ اسفندیاری درآباد، فریبا؛ اصغری سراسکانرود، صیاد؛ مصطفی‌زاده، رئوف؛ ملانوری، الهام (1403). بررسی تغییرات کاربری اراضی با استفاده از تکنیک شئ‌گرا و پیکسل‌پایه (مطالعه موردی: حوضه فیروزآباد خلخال). جغرافیا و برنامه‌ریزی، 28(87)، 275-261.
عبداله زاده محمود، برادران نصیری مهران. (2008). تعیین سطح زیر کشت سیب زمینی در شهرستان بروجن با استفاده از سری زمانی تصاویر IRSP6 (همایش).‎
عبیات، امانپور، عبیات، عبیات، ماجده. (2022). برآورد سطح زیرکشت محصولات کشاورزی با استفاده از تصاویر ماهواره لندست 8 (مطالعه موردی: شهرستان شوشتر). به زراعی کشاورزی24(2)، 465-479.‎
مجرد، فیروز؛ فرهادی، بهمن؛ الفتی، ژیلا (1396). شبیه‌سازی عملکرد و تعیین تاریخ کاشت گندم دیم و آبی بر مبنای عوامل اقلیمی و محیطی در استان کرمانشاه با مدل آکواکراپ. جغرافیا و برنامه‌ریزی شهری، 22(66)، 271-251.
موسوی، سید احمد، عباس زاده طهرانی، نادیا، جانعلی پور، میلاد. (1399). برآورد سطح زیر کشت گندم دیم با استفاده از تصاویر ماهواره ای سنتینل-2, مطالعه موردی: منطقه سجاس رود شهرستان خدابنده, استان زنجان. پژوهش و فناوری محیط زیست، 5(7 )، 77-90.
نوروزی، صانعی، رزقی. (2019). شناسایی و تفکیک مزارع برنج با استفاده از روش نیمه خودکار در شمال ایران. زراعت و اصلاح نباتات، 14(4)، 11-21.‎
نویدی، میرناصر، سیدمحمدی، سید جلالی، زین الدینی، فرج نیا، دلسوز. (2022). ارزیابی تناسب اراضی برای کشت گندم در دشت‎ های آبی ایران. پژوهش های خاک، 36(2)، 127-145.‎

فایل ها

هم رسانی

ارجاع به این مقاله

آمار