مدلسازی زیستگاه ملخ مراکشی با استفاده از شاخصهای مستخرج از تصاویر ماهواره ای لندست 8 (مطالعه موردی: شهرستان گنبد کاووس) | ||
| دانش گیاهپزشکی ایران | ||
| دوره 56، شماره 2، دی 1404، صفحه 283-299 اصل مقاله (1.71 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijpps.2026.405728.1007098 | ||
| نویسندگان | ||
| داریوش منصوری رضی1؛ مسعود حکیمی تبار1؛ روزبه موذن زاده* 2 | ||
| 1گروه باغبانی و گیاهپزشکی، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، شاهرود، ایران | ||
| 2گروه مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، شاهرود، ایران | ||
| چکیده | ||
| ملخ مراکشی (Dociostaurus maroccanus) بهعنوان یکی از آفات بومی ایران با توانایی مهاجرت، طغیانهای جمعیتی و خسارتهای گسترده به محصولات زراعی و مراتع شناخته میشود. در این پژوهش از دادههای هواشناسی (دما، بارندگی و رطوبت نسبی)، دادههای زمینی اندازهگیری شده (رطوبت خاک و تعداد ملخ) و شاخصهای مستخرج از تصاویر ماهوارهای لندست 8 (LST, TCI, OSAVI, BSI) بعنوان ورودیهای مدل شبکه عصبی پرسپترون چند لایه (MLP) بمنظور برآورد تعداد ملخ در مقیاس پیکسل سایز استفاده شد. به همین منظور دادهها بصورت تصادفی به دو مجموعه آموزش (70 درصد) و تست (30 درصد) اختصاص یافتند. بمنظور ارزیابی نتایج از دو ضریب همبستگی (R) و ضریب نش ساتکلیف (NSE) استفاده شد. نتایج نشان داد که ورودیهای مدل شبیهساز بدرستی انتخاب شده (R=0.08) و ساختار مدل شبیهساز نیز بگونهای بوده که با دقت بسیار بالا توانسته تعداد ملخ را شبیهسازی نماید بنحوی که مقادیر NSE در دو مرحله آموزش و تست بترتیب در حدود 98/0 و 99/0 بدست آمده است. نتایج نشان داد که مقادیر رطوبت خاک با R=0.9 و مقادیر شاخص TCI با R=0.98 بترتیب کمترین و بیشترین ضریب همبستگی با تعداد ملخ اندازهگیری شده را داشتهاند. نتایج تحقیق حاضر نشان داد که استفاده همزمان از دادههای زمینی و شاخصهای مستخرج از تصاویر ماهوارهای در قالب مدلهای ماشین لرنینگ میتواند در شبیهسازی زیستگاه ملخ مراکشی بسیار مفید واقع شود. روش پیشنهادی در تحقیق حاضر امکان پایش جمعیت ملخ مراکشی در سطوح وسیع و بازههای زمانی مختلف – با توجه به دسترس بودن تصاویر ماهوارهای- را برای متخصصین و تصمیم گیران مدیریتی فراهم میآورد. | ||
| کلیدواژهها | ||
| استان گلستان؛ تحلیل زمانی-مکانی؛ شاخصهای بیوفیزیکی؛ ملخهای شاخک کوتاه؛ مدلهای یادگیری ماشین | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 480 تعداد دریافت فایل اصل مقاله: 155 |
||