چکيده

     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 7/98 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.