مرور سیستماتیک کاربرد مدل های هوش مصنوعی و یادگیری ماشین در پیش بینی عملکرد گندم: از الگوریتم های کلاسیک تا یادگیری عمیق

گندم به عنوان یکی از محصولات اساسی و استراتژیک جهان نقش تعیین کننده ای در تامین امنیت غذایی و توسعه اقتصادی بسیاری از کشورها ایفا می کند. با این حال عملکرد این محصول به شدت تحت تاثیر عوامل متعددی مانند شرایط اقلیمی، آفات و بیماری ها و شیوه های مدیریت مزرعه قرار دارد و همین امر پیش بینی دقیق عملکرد گندم را به چالشی جدی تبدیل کرده است. در سال های اخیر، پیشرفت های چشمگیر در حوزه فناوری های داده محور، به ویژه استفاده از مدل های هوش مصنوعی و یادگیری ماشین چشم اندازهای جدیدی را برای بهبود دقت پیش بینی عملکرد گندم فراهم نموده است. این پژوهش مروری با رویکردی نظام مند مدل های متنوع هوش مصنوعی و یادگیری ماشین شامل الگوریتم های کلاسیک، رگرسیون، ماشین بردار پشتیبان، جنگل تصادفی، مدل های عمیق (شبکه های عصبی مصنوعی، کانولوشنال و حافظه بلند کوتاه مدت) و همچنین رویکردهای ترکیبی و تقویتی را در پیش بینی عملکرد گندم مورد بررسی قرار می دهد. ترکیب داده های سنجش از دور، داده های اقلیمی و خاک با این مدل ها تحلیل داده های بزرگ و شناسایی الگوهای پنهان را امکان پذیر ساخته است. یافته ها موید آن است که انتخاب مدل مناسب وابسته به ماهیت داده ها و هدف پژوهش بوده و بهره گیری از رویکردهای هوشمند باعث بهبود پایداری و دقت پیش بینی عملکرد گندم می شود.

کلیدواژه ها:

پیش بینی عملکرد ، گندم ، داده های سنجش از دور ، یادگیری عمیق ، یادگیری ماشین در کشاورزی