نوع مقاله : مقاله علمی پژوهشی

نویسندگان

• صیاد اصغری سراسکانرود ¹
• حمید سلیمانی یوزبند ²
• ابوذر صادقی ²

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

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

• گندم
• یادگیری ماشین
• ماشین‌بردار پشتیبان
• جنگل‌تصادفی
• نقشه کشت

موضوعات

• سیستم اطلاعات جغرافیایی و سنجش از دور

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