پیش بینی عملکرد نیشکر با استفاده از شاخص های پوشش های گیاهی ماهواره ای سنتینل۲ و الگوریتم های خوشه بندی K-MEANS و رگرسیون KNN

پیش بینی دقیق عملکرد محصولات استراتژیک مانند نیشکر، نقشی کلیدی در مدیریت بهینه منابع و تضمین امنیت غذایی دارد. هدف اصلی این پژوهش، توسعه مدلی مقاوم و قابل تفسیر بر پایه الگوریتم رگرسیون K-نزدیک ترین همسایه (KNN)  برای پیش بینی عملکرد نیشکر پیش از برداشت است. در این راستا، تصاویر ماهواره ای سنتینل۲ با ویژگی های زراعی مهندسی شده، شامل شاخص های کارایی مصرف آب و کود، تلفیق شدند. افزون بر این، الگوریتم خوشه بندی K-میانگین برای تقسیم مزارع به گروه های همگن به کار رفت تا مدل KNN بتواند ناهمگنی فضایی را بهتر درک کند و دقت پیش بینی را افزایش دهد. شاخص های کلیدی پوشش گیاهی از تصاویر سری زمانی سنتینل۲ استخراج و ویژگی های مهندسی شده برای غنی سازی داده ها ایجاد شدند. مدل پیشنهادی در مجموعه آزمون به ضریب تبیین  (R²) برابر با ۸۷۰۶/۰ و جذر میانگین مربعات خطا  (RMSE) معادل ۸۰/۷ تن در هکتار دست یافت. تحلیل اهمیت ویژگی ها نشان داد که متغیرهای مهندسی شده، به ویژه بهره وری آب، از پیش بینی کننده های اصلی عملکرد هستند. نتایج این پژوهش نشان می دهد که تلفیق داده های ماهواره ای با مدل KNN ساده اما اثربخش، ابزاری شفاف و عملی برای پشتیبانی تصمیم گیری در کشاورزی دقیق فراهم می آورد.

کلیدواژه ها:

پیش بینی عملکرد ، خوشه بندی K-means ، رگرسیون KNN ، سنتینل۲ ، نیشکر