پیش بینی عملکرد نیشکر با رویکرد یکپارچه سازی شاخص های ماهواره ای Sentinel-۲ و ویژگی های مدیریتی، با استفاده از الگوریتم های یادگیری ماشین گروهی

پیش بینی دقیق عملکرد نیشکر نقشی اساسی در بهبود مدیریت مزارع و ارتقای پایداری زنجیره تامین دارد. در این پژوهش، چارچوبی برای پیش بینی عملکرد نیشکر در مزارع کشت و صنعت دهخدا (استان خوزستان) ارائه شد که مبتنی بر ادغام داده های ماهواره ای و اطلاعات زراعی است. داده های مورد استفاده شامل ۲۴۱۷ رکورد از سال های زراعی ۱۳۹۶ تا ۱۴۰۳ بود که از سوابق مدیریتی مزرعه و تصاویر ماهواره ای سنتینل۲ شامل شاخص های گیاهی NDVI و EVI استخراج شد. در گام نخست، مزارع با استفاده از الگوریتم K میانگین و بر اساس ویژگی های مدیریتی و عملکردی به چهار گروه متمایز خوشه بندی شدند. سپس برای بهبود دقت مدل، مجموعه ای از ویژگی های مهندسی شده مانند بهره وری آب و بهره وری کود تعریف گردید. در ادامه، دو مدل یادگیری ماشین شامل جنگل تصادفی و گرادیان بوستینگ برای پیش بینی عملکرد نهایی آموزش داده شد. برای ارزیابی مدل ها، ۸۰ درصد داده ها برای آموزش و ۲۰ درصد برای آزمون مستقل در نظر گرفته شد و همچنین از اعتبارسنجی متقابل پنج لایه به منظور افزایش پایداری و عمومیت پذیری استفاده شد. نتایج نشان داد مدل گرادیان بوستینگ بهترین عملکرد را ارائه کرده و به ضریب تعیین ۹۹۲۴/۰و ریشه میانگین مربعات خطا برابر ۸۸/۱ تن در هکتار دست یافته است. علاوه براین، تحلیل اهمیت ویژگی ها نشان داد بهره وری آب با سهم ۸۷ درصد، اثرگذارترین عامل در پیش بینی عملکرد است. در مجموع، یافته ها تایید می کنند که ترکیب داده های مدیریتی و ماهواره ای همراه با مهندسی ویژگی می تواند ابزاری دقیق و کارآمد برای پشتیبانی از تصمیم گیری های مکانی و مدیریت منابع در کشاورزی دقیق باشد.

کلیدواژه ها:

پیش بینی عملکرد محصول ، سنجش از دور ، خوشه بندی K میانگین ، یادگیری ماشین گروهی ، کشاورزی دقیق