واسنجی، ارزیابی و تعیین اعتبار مناسب ترین الگوریتم های یادگیری ماشین برای پیش بینی عملکرد دانه ذرت (Zea mays L.) تحت شرایط کاربرد کودهای زیستی: رهیافتی بین رشته ای

پیش بینی عملکرد دانه، بخشی کلیدی در کشاورزی است که به کشاورزان و برنامه ریزان کمک می کند تا منابع را به طور کارآتر مدیریت کرده و بهره وری را بالا ببرند. این مطالعه به بررسی و مقایسه هشت الگوریتم یادگیری ماشین برای پیش بینی عملکرد دانه ذرت (Zea mays L.) با استفاده از ۷۳ ویژگی گیاهی و خاکی، شامل ۳۲ ویژگی اصلی و ۴۱ ویژگی تعاملی مهندسی شده پرداخته است. آزمایش ها در مزرعه تحقیقاتی دانشگاه فردوسی مشهد طی دو سال انجام شد و داده ها با تقسیم تصادفی (۷۰ درصد آموزش، ۱۵ درصد اعتبارسنجی، ۱۵ درصد تست) و استانداردسازی  (StandardScaler) پردازش شدند. ابتدا، مدل رگرسیون گام به گام پس رونده ۱۳ ویژگی کلیدی (مثلCanopy Temp_۳، % P plant) را شناسایی کرد (R²(adj)=۵۸.۵۳%). سپس، الگوریتم هایANFIS، Transformer، ANN، SVR، LightGBM، XGBoost، Enhanced DNN و SVM از بین ۱۵ الگوریتم رایج، غربال و ارزیابی شدند. معیارهایR²، RMSE، MAE وWillmott’s d  نشان داد که ANFIS (R²=۰.۵۵۵)، Transformer (R²=۰.۵۴۵) و ANN (R²=۰.۵۱۸) بهترین عملکرد را داشتند، درحالی که SVM (R²=۰.۳۲۵) ضعیف ترین بود. نمودارهای SHAP و Decision Plot نشان داد که تعاملات مثل Leaf Area Index_Dry Matter Yield وCanopy Temp_۴  در پیش بینی نقش کلیدی دارند. تحلیل همبستگی، دو خوشه اصلی (فیزیولوژیکی و عملکردی) را آشکار کرد، و توزیع های اریب داده ها لزوم مدل های غیرخطی را تایید کرد. نتایج نشان داد که مدل های شبکه عصبی (به ویژه با سازوکار های Attention وTensorFlow) روابط اکوفیزیولوژیکی پیچیده را بهتر مدل سازی می کنند. ویژگی هایی مثل دمای تاج پوشش و برهم کنش محتوای نیتروژن گیاه-درصد کلونیزاسیون ریشه به عنوان متغیرهای اصلی شناسایی شدند که نشان دهنده اهمیت تعاملات بین جذب عناصر غذایی و پاسخ های فیزیولوژیکی گیاه بودند. این مطالعه نشان داد که ترکیب ویژگی های تعاملی با الگوریتم های پیشرفته یادگیری ماشین می تواند از یک سو، دقت پیش بینی را بالا ببرد و به افزایش کارآیی سیستم های تولید گیاهان زراعی در راستای اهداف کشاورزی پایدارکمک کند و از سوی دیگر، زمینه های لازم برای مدیریت زراعی دقیق، شناسایی مسیرهای اکوفیزیولوژیکی موثر در شکل گیری عملکرد نهایی و سازگاری با تغییرات اقلیمی را فراهم آورد.

کلیدواژه ها:

برهم کنش اکوفیزیولوژیک ، ریزوباکتری های تحریک کننده رشد گیاه ، شبکه عصبی مصنوعی ، قارچ های میکوریزا آربوسکولار ، کارآیی نهاده ، مهندسی ویژگی