fa برآورد سطح زیرکشت گندم با استفاده از تصاویر ماهواره لندست 8 (مطالعه موردی: نیمه شمالی استان اردبیل) تخصصي Special پژوهشي Research با توجه به اینکه استان اردبیل یکی از قطب&shy;های مهم کشت گندم می‌باشد، تعیین سطح زیرکشت آن در برنامه‌ریزی‌های اقتصادی و سیاسی از اهمیت ویژه‌ای برخوردار خواهد بود و می‌تواند امنیت غذایی کشور را تأمین نماید، اما در گذشته بیشتر از روش‌های سنتی مانند اندازه&shy;گیری میدانی و غیره، برای تعیین سطح زیرکشت محصول استفاده می‌کردند که دارای خطاهای فراوانی بود. لذا در این پژوهش سعی شد تا با استفاده از تصاویر ماهواره لندست 8 و استفاده از شاخص‌های پوشش گیاهی (<span dir="LTR">NDVI, SAVI, DVI, GVI, IPVI, RVI</span>)، تحلیل مؤلفه‌های اصلی (<span dir="LTR">PCI</span>)، شاخص فاکتور بهینه (<span dir="LTR">OIF</span>) به همراه طبقه‌بندی الگوریتم حداکثر احتمال میزان سطح زیرکشت گندم در منطقه مورد مطالعه برآورد گردد. بر اساس نتایج بدست آمده از تحلیل مؤلفه‌های اصلی، بیش از 99 درصد واریانس داده‌ها در سه مؤلفه اصلی تبیین و بهترین ترکیب رنگی مستخرج از شاخص <span dir="LTR">OIF</span> نیز باندهای 5، 6 و 7 با مقدار عددی 73/8383 تعیین گردید. همچنین نتایج نشان داد که میزان سطح زیرکشت گندم در سال زراعی 94-95 در محدوده مورد مطالعه به ترتیب با ضریب کاپا و دقت کلی 87/0 و 2/95 درصد، حدود 07/59203 هکتار است و با آمار جهاد کشاورزی استان اردبیل که حدود 21/62480 هکتار می&shy;باشد 24/5 درصد یا به عبارتی حدود 14/3277 هکتار اختلاف دارد که به نظر قابل‌قبول می‌رسد. لذا به‌طورکلی می&shy;توان نتیجه گرفت که تصاویر لندست 8، تحلیل مؤلفه‌های اصلی و شاخص فاکتور بهینه را در تعیین سطح زیر کشت گندم از قابلیت بالایی برخوردارند. Attention to Ardabil province is one of the important centers of wheat cultivation, determining the level of cultivation will be of particular importance in economic and political planning and can ensure the country&#39;s food security, but in the past, most traditional methods, such as field measurement, etc., have been used to determine the level of crop cultivation, which has many errors, In this study, we tried to use Landsat 8 satellite imagery, Vegetation Indices (NDVI, SAVI, DVI, GVI, IPVI, RVI), Principal components analysis (PCI), Optimum Index Factor (OIF), and classification algorithm to estimate the maximum probability of wheat cultivation area in the study area. Based on the results of main components analysis, more than 99% of data variances were explained in three main components and the best color combination of the OIF index was determined by bands 5, 6, and 7 with a numerical value of 8383.73. Also, the results showed that wheat cultivars under cultivar 94-95 in the studied area with kappa coefficient is 0.87 and the general accuracy of 95.2% were 59203.07 hectares and According to the statistics of agricultural Jahad official in Ardebil province, which is about 62480.21 hectares, In other words, the difference is 5.24% or about 3277.14 hectares which seem to be acceptable. Therefore, it can generally be concluded that Landsat 8 images, Principal components analysis, and Optimum Index Factor are highly effective in determining the level of wheat cultivation.<br> &nbsp; گندم, سطح زیرکشت, تحلیل مؤلفه‌های اصلی, لندست, اردبیل. Wheat, Cultivation, Principal component analysis, Landsat, Ardabil. 45 59 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-1805-5&slc_lang=fa&sid=1 Khalil Valizade kamran خلیل ولیزاده کامران tabrizrsgis@gmail.com 100319475328460021912 100319475328460021912 No گروه سنجش از دور، دانشگاه تبریز، ایران. Mehdi Asadi مهدی اسدی asadimehdi11@yahoo.com 100319475328460021913 100319475328460021913 Yes دکتری آب و هواشناسی کشاورزی، دانشگاه حکیم سبزواری، ایران