پیش بینی عملکرد محصول گندم زمستانه با استفاده از داده های سنجش ازدور و الگوریتم های یادگیری ماشین

پیشینه و اهداف: باتوجه به افزایش جمعیت، فشار بر منابع طبیعی، تغییرات اقلیمی و اهمیت روزافزون امنیت غذایی، پیش بینی دقیق عملکرد محصولات کشاورزی، به ویژه گندم، به یکی از موضوعات مهم پژوهشی تبدیل شده است. در سال های اخیر، استفاده از داده های سنجش ازدور، اطلاعات اقلیمی و ویژگی های خاک در کنار الگوریتم های یادگیری ماشین، فرصت های جدیدی برای برآورد عملکرد محصول فراهم کرده است. بااین حال، بسیاری از پژوهش های پیشین یا تنها بر یک منبع داده تمرکز داشته اند یا در مقیاس های محدود مکانی و زمانی انجام شده اند؛ بنابراین هنوز شکافی در زمینه ارزیابی جامع و مقایسه ای مدل ها با استفاده از داده های چندمنبعی وجود دارد. هدف این پژوهش، بررسی توانایی الگوریتم های مختلف یادگیری ماشین در پیش بینی عملکرد گندم با بهره گیری از داده های اقلیمی، شاخص NDVI حاصل از سنجش ازدور و همچنین ارزیابی قابلیت تعمیم این مدل ها در شرایط مکانی و اقلیمی متفاوت بوده است.روش ها : این پژوهش بر اساس داده های چندمنبعی شامل متغیرهای اقلیمی و شاخص سنجش ازدور NDVI انجام شد. مطالعه در ۹ منطقه مختلف در آلمان و در بازه ای ۲۲ساله صورت گرفته و بدین ترتیب امکان بررسی تغییرات مکانی و زمانی عملکرد گندم فراهم شده است. در این تحقیق از الگوریتم های XGBoost، Random Forest و Ridge Regression برای پیش بینی عملکرد گندم استفاده شده است. از میان متغیرهای موثر، شاخص NDVI و تنش تبخیری از جمله عوامل مهم در تحلیل مدل ها بوده اند. عملکرد مدل ها از نظر دقت پیش بینی و میزان خطا مورد ارزیابی قرار گرفته و شاخص هایی مانند ضریب تعیین، ریشه میانگین مربعات خطا و میانگین خطای مطلق برای مقایسه نتایج استفاده شده اند. طراحی مطالعه به گونه ای بوده که علاوه بر تحلیل داده ها، امکان مقایسه عملکرد مدل های کلاسیک و پیشرفته در سطح منطقه ای نیز فراهم شود.یافته ها: نتایج پژوهش نشان داد که الگوریتم XGBoost نسبت به دو مدل Random Forest و Ridge Regression عملکرد بهتری در پیش بینی عملکرد گندم داشته است. این مدل توانست الگوهای فضایی و زمانی عملکرد را با خطای کمتر و قدرت تبیین بالاتر بازسازی کند. همچنین مشخص شد که متغیرهای NDVI، تنش تبخیری نقش مهمی در شکل گیری الگوهای عملکرد دارند. در مناطق یکنواخت تر و پربازده تر، دقت مدل بالاتر بود، درحالی که در مناطقی با ناهمگنی محیطی بیشتر، مانند برخی نواحی خاص، خطای پیش بینی افزایش یافت. باوجوداین، روند کلی نشان داد که روش های یادگیری ماشین، به ویژه مدل های مبتنی بر تقویت گرادیان، توان بالایی در شناسایی روابط پیچیده بین عوامل محیطی و عملکرد محصول دارند.نتیجه گیری: در مجموع، نتایج این پژوهش نشان می دهد که ترکیب داده های سنجش ازدور و اقلیمی همراه با الگوریتم های پیشرفته یادگیری ماشین می تواند ابزاری موثر برای پیش بینی عملکرد گندم و پشتیبانی از تصمیم گیری در کشاورزی هوشمند باشد. برتری XGBoost نسبت به سایر مدل ها حاکی از آن است که مدل های مبتنی بر یادگیری ماشین توانایی بالایی در تحلیل روابط غیرخطی و چندبعدی موجود در داده های کشاورزی دارند. بااین حال، محدودیت هایی نیز وجود دارد؛ از جمله نبود داده های مدیریتی مزرعه مانند تاریخ کاشت، نوع رقم، میزان آبیاری و مصرف کود، و نبود داده های خاکی با تفکیک مکانی و زمانی کافی برای ورود به مدل نهایی، از محدودیت های پژوهش حاضر بودند. همچنین استفاده از مدل های پیچیده تر ممکن است در شرایط داده محدود با خطر بیش برازش همراه باشد؛ بنابراین، پیشنهاد می شود در پژوهش های آینده از مجموعه داده های کامل تر، مدل های هیبریدی فضایی - زمانی و روش های پیشرفته تر مانند شبکه های عصبی بازگشتی و کانولوشنی استفاده شود. این رویکرد می تواند به افزایش دقت پیش بینی، تعمیم پذیری بیشتر و کاربرد عملی بهتر در مدیریت پایدار کشاورزی و امنیت غذایی کمک کند.

کلیدواژه ها:

عملکرد گندم زمستانه ، سنجش ازدور ، XGBoost ، SHAP ، NDVI ، VPD