الگوریتم های یادگیری ماشین در پیش بینی عملکرد غلات: یک مرور تحلیلی

مقدمه: پیش بینی دقیق عملکرد محصولات زراعی، به ویژه غلات به عنوان اصلی ترین منبع تامین انرژی غذایی جهان، نقشی کلیدی در مدیریت امنیت غذایی، برنامه ریزی تولید، تجارت محصولات کشاورزی و سازگاری با تغییرات اقلیمی ایفا می کند. روش های سنتی مبتنی بر مدل های رگرسیون خطی و آمار کلاسیک، اگرچه در بسیاری از مطالعات مورد استفاده قرار گرفته اند، اما در مواجهه با داده های پیچیده، غیرخطی، چندبعدی و ناهمگن با محدودیت هایی مواجه هستند. در سال های اخیر، پیشرفت فناوری های سنجش از دور، حسگرهای مزرعه ای، سامانه های اطلاعات جغرافیایی و افزایش حجم داده های کشاورزی، زمینه استفاده گسترده از روش های یادگیری ماشین را فراهم کرده است. این الگوریتم ها با قابلیت شناسایی الگوهای پنهان و روابط غیرخطی میان عوامل اقلیمی، مدیریتی، خاکی و ژنتیکی، به ابزارهای موثری برای پیش بینی عملکرد محصولات تبدیل شده اند. هدف این مقاله مروری، بررسی کاربرد رایج ترین الگوریتم های یادگیری ماشین در پیش بینی عملکرد گندم، جو، برنج و ذرت، تحلیل مراحل توسعه مدل های پیش بینی و تبیین چالش ها و فرصت های پژوهشی موجود در این حوزه است.مواد و روش ها: در این مطالعه، پژوهش های منتشرشده در زمینه پیش بینی عملکرد محصولات زراعی با استفاده از یادگیری ماشین مورد بررسی قرار گرفتند. الگوریتم هایی نظیر رگرسیون چندمتغیره، درخت رگرسیون، جنگل تصادفی، ماشین بردار پشتیبان، پرسپترون چندلایه، شبکه های عصبی مصنوعی و مدل های یادگیری عمیق از جمله شبکه های عصبی عمیق و حافظه طولانی کوتاه مدت از پرکاربردترین روش های مورد استفاده در مطالعات مختلف هستند. توسعه مدل های پیش بینی شامل مراحل جمع آوری داده، پیش پردازش، انتخاب ویژگی، آموزش مدل، اعتبارسنجی و ارزیابی عملکرد است. در این فرآیند، داده ها به مجموعه های آموزشی و آزمایشی تقسیم شده و عملکرد مدل ها با استفاده از معیارهای آماری مناسب مورد ارزیابی قرار می گیرد.یافته ها: نتایج مطالعات نشان می دهد که کیفیت داده های ورودی، انتخاب ویژگی های مناسب و روش ارزیابی مدل از مهم ترین عوامل موثر بر دقت پیش بینی هستند. متغیرهایی نظیر دما، بارش، رطوبت خاک، خصوصیات فیزیکی و شیمیایی خاک، شاخص های پوشش گیاهی حاصل از سنجش از دور، عملیات مدیریتی مزرعه و اطلاعات ژنتیکی گیاهان از مهم ترین متغیرهای مورد استفاده در مدل های پیش بینی عملکرد به شمار می روند. پیش پردازش داده ها شامل حذف داده های گمشده، شناسایی مقادیر پرت، نرمال سازی و کاهش ابعاد داده، نقش مهمی در بهبود کارایی مدل ها دارد. همچنین، انتخاب ویژگی با استفاده از روش های فیلتر، بسته بند و تعبیه شده موجب حذف متغیرهای غیرموثر و افزایش دقت پیش بینی می شود. بررسی مطالعات مختلف نشان داد که الگوریتم های مبتنی بر درخت مانند جنگل تصادفی و تقویت گرادیان، در بسیاری از شرایط عملکرد مطلوبی داشته اند، در حالی که مدل های یادگیری عمیق در صورت دسترسی به مجموعه داده های بزرگ، توانایی بیشتری در استخراج روابط پیچیده و بهبود دقت پیش بینی نشان داده اند. ارزیابی عملکرد مدل ها عمدتا با استفاده از معیارهایی نظیر ضریب تبیین، ریشه میانگین مربعات خطا، میانگین خطای مطلق، دقت، فراخوانی و امتیاز F۱ انجام می شود. همچنین، اعتبارسنجی متقابل، به ویژه روش K-fold، یکی از متداول ترین رویکردها برای ارزیابی قابلیت تعمیم مدل ها است.نتیجه گیری: یادگیری ماشین ظرفیت قابل توجهی برای افزایش دقت پیش بینی عملکرد محصولات زراعی و پشتیبانی از تصمیم گیری در کشاورزی دقیق دارد. با این حال، محدودیت هایی نظیر کمبود داده های استاندارد و بلندمدت، ناهمگنی داده ها، هزینه بالای فناوری های جمع آوری داده و تفسیرپذیری محدود برخی مدل های پیچیده همچنان از چالش های اصلی این حوزه محسوب می شوند. توسعه پایگاه های داده چندمنبعی، ادغام داده های اقلیمی، خاکی، ژنتیکی و سنجش از دور، بهره گیری از روش های یادگیری عمیق و هوش مصنوعی توضیح پذیر و همچنین اعتبارسنجی مدل ها در شرایط اقلیمی و مدیریتی متنوع، از مهم ترین اولویت های پژوهشی آینده برای افزایش قابلیت کاربرد و تعمیم پذیری مدل های پیش بینی عملکرد خواهند بود.

کلیدواژه ها:

اعتبارسنجی متقابل ، انتخاب ویژگی ، پیش بینی عملکرد ، غلات ، یادگیری عمیق ، یادگیری ماشین