پهنه بندي احتمال رخداد بيماري فوزاريوم گندم با استفاده از روش جنگل تصادفي

Prediction of Wheat Fusarium Head Blight Severity by Using Random Forest

با توجه به رشد بالاي جمعيت در جهان و نياز به اطمينان از امنيت غذايي، افزايش توليد در واحد سطح محصولات زراعي به منزله راهبردي اساسي در حل مسيله تامين غذا به شمار مي رود. از سوي ديگر، با وجود محدوديت در افزايش سطح زيركشت و پايين بودن ميانگين عملكرد برخي محصولات كشاورزي مانند گندم در كشور، افزايش عملكرد محصول مي تواند راهكاري عملي در پاسخ به نياز كشور محسوب شود. يكي از مهم ترين بيماري هاي گندم فوزاريوم است كه، با توجه به نقش پيش بيني اين بيماري در جلوگيري از كاهش بهره وري محصول، مدل هايي به منظور پيش بيني فوزاريوم در كشورهاي آمريكا، كانادا، آرژانتين و برزيل توسعه يافته است اما در ايران، به رغم لزوم توجه به اين بيماري، تاك نون مدلي در اين زمينه مطرح نشده است. بدين منظور، پهنه بندي مناطق رخداد بيماري فوزاريوم، با به كارگيري پارامترهاي محيطي و داده هاي هواشناسي و نيز استفاده از تحليل مكاني، در دشت مغان صورت گرفت. همچنين، براي افزايش دقت و كاليبراسيون دقيق مدل، شبكه اينترنت اشيا (IoT) در دشت مغان استفاده شد تا داده هاي محيطي شامل رطوبت نسبي، بارندگي و دماي هوا جمع آوري شود. سپس شاخص هاي تركيبي مناسب تهيه شد و (RF) براي اولويت بندي شاخص ها و تعيين اهميت نسبي آنها و نيز پيش بيني شدت بيماري فوزاريوم گندم، روش جنگل تصادفي به كار رفت. براي اين كار، از داده هاي ايستگاه هاي هواشناسي و سنسورهاي زميني در فاصله سال هاي 1389 تا 1396 استفاده شد. نتايج ارزيابي حاكي از كارآيي مدل توسعه داده شده در پيش بيني بيماري فوزاريوم گندم است. همچنين، طبق نتايج، به كارگيري IoT به همراه تحليل هاي مكاني روشي موثر در پيش بيني فوزاريوم است.

Rapid increase of the world population growth and the demand for food security makes increasing yield as an essential strategy for solving the food supply problem. What is more, because of the restrictions in increasing crop cultivation areas and the decrease in some crops such as wheat in Iran, increasing the yield potential can be an effective way to respond to this requirement. Fusarium Head Blight (FHB) is one of the most important wheat diseases and for prediction FHB some methods have already been developed in the USA, Canada, Argentina and Brazil. As there is no model for predicting FHB in Iran, in this study, a method for predicting severity of FHB based on spatial analysis and using environmental parameters and meteorological data was developed for the Moghan, which is in the northwest of Iran. An Internet of Things (IoT) network was established in the study area for measurement of environmental data, including relative humidity, rainfall and air temperature for evaluating the developed model. Random Forests (RF) and extracted indices were used for predicting FHB severity and calculating the relative importance of the indices. We evaluated FHB for the period of 1389 to 1396 and the results show the effectiveness of the developed model and the capability of IoT and spatial analysis for predicting FHB.