بهینه‌سازی و اعتبارسنجی دو الگوریتم‌ یادگیری ماشین برای پیش‌بینی دقیق عملکرد گندم آبی (Triticum aestivum L.) و تعیین عوامل مؤثر بر آن در استان خراسان رضوی

پژوهشهای زراعی ایران

مقاله 8، دوره 23، شماره 4 - شماره پیاپی 80، دی 1404، صفحه 511-543   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jcesc.2025.93323.1395

نویسنده

محسن جهان^*

گروه اگروتکنولوژی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

در این تحقیق به مقایسه دو الگوریتم یادگیری ماشین، رندوم‌فارست و ایکس‌جی‌بوست، در پیش‌بینی عملکرد گندم (Triticum aestivum L.) آبی در 20 شهرستان استان خراسان رضوی پرداخته شد. دو الگوریتم ابتدا با 70 درصد داده‌‌ها آموزش دیده و بهینه‌سازی شدند و سپس با 30 درصد داده‌ها مورد آزمون قرار گرفتند. بهینه‌سازی دو الگوریتم به کمک جستجوی شبکه‌ای با اعتبارسنجی متقابل پنج مرحله‌ای انجام گرفت. در ادامه، هر دو الگوریتم ارزیابی و تعیین اعتبار شدند. از نظر معیارهای ارزیابی، مانند جذر میانگین مربعات خطا (RMSE)، ضریب تبیین (R²)، میانگین قدر مطلق خطا (MAE) و شاخص توافق ویلموت (d)، مدل رندوم‌فارست در بسیاری از شهرستان‌ها عملکرد بهتری داشت، درحالی‌که ایکس‌جی‌بوست در مناطقی با توزیع پیچیده‌تر داده‌ها (مانند مشهد) توانست به‌طور مؤثرتری عمل کند. مقایسه نتایج مدل‌ها در شهرستان‌های مختلف نشان می‌دهد که مدل رندوم‌فارست در بسیاری از شهرستان‌ها دقت بالاتری داشت. برای مثال، در شهرستان‌هایی مانند خلیل آباد، سبزوار، تربت‌جام، رشتخوار، نیشابور و گناباد، مدل رندوم‌فارست خطای کمتری نسبت به ایکس‌جی‌بوست داشت. از سوی دیگر، مدل ایکس‌جی‌بوست در بعضی مناطق خاص مانند مشهد، بردسکن، درگز، سرخس و تایباد عملکرد بهتری از خود نشان داد که احتمالاً به ویژگی‌های خاص این شهرستان‌ها مربوط می‌شود. برای شهرستان‌های خاف، مه‌ولات و کلات نادر، هر دو مدل یکسان عمل کردند. تحلیل شِیپ نشان داد که در هر دو مدل، دمای کمینه روزانه نقش برجسته‌ای در پیش‌بینی عملکرد گندم ایفا کرد. در مدل رندوم‌فارست، دمای کمینه روزانه رتبه اول را داشت، درحالی‌که در مدل ایکس‌جی‌بوست این ویژگی به‌طور معمول از اهمیت کمتری برخوردار بود. سایر ویژگی‌ها مانند بارندگی و درجه روز رشد نیز به‌شکل قابل توجهی در دقت مدل‌ها تأثیرگذار بودند. مدل‌ها همچنین در طبقه‌بندی عملکرد گندم با استفاده از ماتریس درهم‌ریختگی ارزیابی شدند. مدل ایکس‌جی‌بوست به‌طور کلی دقت بالاتری در طبقه‌بندی کلاس‌های عملکرد داشت، درحالی‌که رندوم‌فارست در شبیه‌سازی دقیق‌تر داده‌های واقعی و کاهش خطاهای پیش‌بینی موفق‌تر عمل کرد. به‌طور کلی، مدل رندوم‌فارست برای پیش‌بینی عملکرد گندم در استان خراسان رضوی نتایج بهتری در بیشتر شهرستان‌ها نشان داد. اگرچه مدل ایکس‌جی‌بوست پتانسیل بالاتری برای مدل‌سازی الگوهای پیچیده دارد، امّا رندوم‌فارست در شرایط پراکندگی بیشتر داده‌ها دقیق‌تر عمل کرد. نتایج این مطالعه تأکید کرد که با بهره‌گیری از داده‌های اقلیمی و زراعی می‌توان الگوریتم‌‌های یادگیری ماشین را بهینه کرده و علاوه‌بر دقت بالا، به‌کمک ابزار شِیپ، تحلیلی شفاف و کاربردی از نقش هر متغیر در عملکرد گندم ارائه نمود.

کلیدواژه‌ها

ایکس‌جی‌بوست؛ تعیین اعتبار متقابل؛ جستجوی شبکه‌ای؛ رندوم‌فارست؛ کلاس عملکرد

مراجع

1. Arun, G., and Ghimire, K. (2019). Estimating post-harvest loss at the farm level to enhance Food Security: A Case of Nepal. International Journal of Agriculture, Environment and Food Sciences, 3(September), 127–136. available from https://doi.org/10.31015/jaefs.2019.3.3
2. Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial intelligence techniques in crop yield estimation based on Sentinel-2 data: A comprehensive survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
3. Asseng, S., Ewert, F., Martre, P., Rötter, R. P., Lobell, D. B., Cammarano, D., Kimball, B.A., Ottman, M.J., Wall, G.W., White, J.W., Reynolds, M. P., Alderman, P.D., Prasad, P.V.V., Aggrawal, P.K., Anothai, J., Basso, B., Biernath, C., Challinor, A. J., De Sanctis, G., Doltra, J., Fereres, E., Garcia-Vila, M., Gayler, S., Hoogenboom, G, & Zhu, Y. (2015). Rising temperatures reduce global wheat production. Nature Climate Change, 5(2), 143–147. https://doi.org/10.1038/nclimate2470
4. Dhillon, M. S., Dahms, T., Kuebert-Flock, C., Rummler, T., Arnault, J., Steffan-Dewenter, I., & Ullmann, T. (2023). Integrating Random Forest and crop modeling improves the crop yield prediction of winter wheat and oil seed rape. Frontiers in Remote Sensing, 3, 1010978. https://doi.org/10.3389/frsen.2022.1010978
5. Everingham, Y., Sexton, J., Skocaj, D., & Inman-Bamber, G. (2016) Accurateprediction of sugarcane yield using a Random Forest algorithm. Agronomy for Sustainable Development, 36(2), 1–9. https://doi.org/10.1007/s13593-016-0364-z
6. Farhadi, M., Bannayan, M., Fallah, M. H., & Jahan, M. (2024). Identiication of climatic and management factors inluencing wheat’s yield variability using AgMERRA dataset and DSSAT model across a temperate region. Discover Life, 54(8). https://doi.org/10.1007/s11084-024-09651-8
7. Gheysarbeigi, S., Pir Bavaghar, M., & Valipour, A. (2024). Forest aboveground biomass estimation using satellite imagery and Random Forest regression model. Geography and Environmental Sustainability, 14(1), 85-100. https://doi.org/10.22126/GES.2024.9971.2715
8. Hatfield, J. L., & Prueger, J. H. (2015). Temperature extremes: Effect on plant growth and development. Weather and Climate Extremes, 10, 4–10. https://doi.org/10.1016/j.wace.2015.08.001
9. (2022). Sixth Assessment Report. Available Online at: https://www.ipcc.ch/site/assets/uploads/2022/04/AR6_Factsheet_April_2022.pdf
10. Javadi, A., Ghahremanzadeh, M., Sassi, M. Javanbakht, O., & Hayati, B. (2024). Impact of climate variables change on the yield of wheat and rice crops in Iran (Application of Stochastic Model based on Monte Carlo Simulation). (2024). Computational Economics, 63, 983–1000. https://doi.org/10.1007/s10614-023-10389-0
11. Jhajharia, K., Mathur, P., Jain, S., & Nijhawan, S. (2023). Crop yield prediction using machine learning and deep learning techniques. Procedia Computer Science, 218, 406-417. https://doi.org/10.1016/j.procs.2023.01.023
12. Khodabandehloo, E., Azadbakht, M., Radiom, S., Ashourloo, D., & Alimohammadi, A. (2021). Prediction of wheat fusarium head blight severity by using Random Forest. Iranian Remote Sensing & GIS, 13(4), 1-44. (in Persian with English abstract). https://doi.org/10.52547/gisj.13.4.1
13. Khodjaev, S., Bobojonov, I., Kuhn, L., & Glauben, T. (2025). Optimizing machine learning models for wheat yield estimation using a comprehensive UAV dataset. Modeling Earth Systems and Environment, 11, 15. https://doi.org/10.1007/s40808-024-02188-9
14. Kim, Y., & Kim, Y. (2022). Explainable heat-related mortality with random forest and SHapley Additive exPlanations (SHAP) models. Sustainable Cities and Society, 79, 103677. https://doi.org/10.1016/j.scs.2022.103677
15. Koocheki, A., Nassiri-Mahallati, M., Kamali, Gh., Shahandeh, Gh. (2006). Potential Impacts of Climate Change on Agroclimatic Indicators in Iran, Arid Land Research and Management 20(3):245-259. https://doi.org/10.1080/15324980600705768
16. Krishnadoss, N., & Ramasamy, L. K. (2024). Crop yield prediction with environmental and chemical variables using optimized ensemble predictive model in machine learning. Environmental Research Communication, 6(10), 101001. https://doi.org/10.1088/2515-7620/ad7e81
17. Monavar Sabegh, S., Zare Haghi, D., Samadianfard, S., Neishabouri, M. R., & Mikaeili, F. (2023). Estimation of daily reference evapotranspiration using Random Forest optimized by genetic algorithm. Water and Soil Science, 33(4), 33-53. https://doi.org/10.22034/ws.2021.48756.2449
18. Moreno Sánchez, J. C., Acosta Mesa, H. G., Trueba Espinosa, A., Ruiz Castilla, S., & García Lamont, F. (2025). Improving wheat yield prediction through variable selection using Support Vector Regression, Random Forest, and Extreme Gradient Boosting. Smart Agricultural Technology, 10, 100791. https://doi.org/10.1016/j.atech.2025.100791
19. Nayak, H. S., Silva, J. V., Parihar, C. M., Krupnik, T. J., Sena, D. R., Kakraliya, S. K., Jat, H. S., Sidhu, H. S., Sharma, P.C., Jat, M.L., & Sapkota, T.B. (2022). Interpretable machine learning methods to explain on-farm yield variability of high productivity wheat in Northwest India. Field Crops. Research., 2022, 287, 108640. https://doi.org/10.1016/j.fcr.2022.108640
20. Oghnoum, M., Feghhi, J., Makhdoum, M., Moghaddamnia, A., & Etemad, V. (2019). Land capability evaluation of afforestation using Random Forest algorithm (Kan Watershed, Tehran). Journal of Forest Research and Development, 5(3), 387-403.
21. Pang, A., Chang, M. W., & Chen, Y. (2022). Evaluation of Random Forest for regional and local-scale wheat yield prediction in Southeast Australia. Sensors, 22, 717. https://doi.org/10.3390/s22030717
22. Peel, M. C., Finlayson, B. L., & McMahon, T. A. (2007). Updated world map of the Köppen–Geiger climate classification. Hydrology and Earth System Sciences, 11(5), 1633–1644. https://doi.org/10.5194/hess-11-1633-2007
23. Ray, D. K., Gerber, J. S., Macdonald, G. K., & West, P. C. (2015). Climate variation explains a third of global crop yield variability. Nature Communications, 6, 1–9. https://doi.org/10.1038/ncomms6989
24. Raymundo, R., Asseng, S., Robertson, R., Petsakos, A., Hoogenboom, G., Quiroz, R., Hareau, G., & Wolf, J., (2018). Climate change impact on global potato production. European Journal of Agronomy, 100, 87-98. https://doi.org/10.1016/j.eja.2017.11.008
25. Remman, S. B., Lekkas, A. M. (2021). Robotic lever manipulation using hindsight experience replay and shapley additive explanations. European Control Conference (ECC). Cornell University, USA. https://doi.org/23919/ecc54610.2021.9654850
26. Roell, Y. E., Beucher, A., Møller, P. G., Greve, M. B., & Greve, M. H. (2020). Comparing a Random Forest based prediction of winter wheat yield to historical yield potential. Agronomy, 10(3), 3. https://doi.org/10.3390/agronomy10030395
27. Sadeghi, M., &Ahmadi Nadoushan, M. (2021). Modeling soil nitrogen using Remote Sensing, Regression and Random Forest models. Journal of Water and Soil Resources Conservation (WSRCJ), 11(2), 97-111.
28. Shen, Y., Mercatoris, B., Liu, Q., Yao, H., Li, Z., Chen, Z., & Wang, W. (2024). Use Self-Training Random Forest for Predicting Winter Wheat Yield. Remote Sensing, 16(24), 4723. https://doi.org/10.3390/rs16244723
29. Si, Z., Qin, A., Liang, Y., Duan, A., & Gao, Y. (2023). A review on regulation of irrigation management on wheat physiology, grain yield, and quality. Plants, 12(4), 692. https://doi.org/10.3390/plants12040692
30. Slafer, G. A., Savin, R., Sadras, V. O., & Calderini, D. F. (2023). Wheat yield improvement: Physiological and agronomic basis. Field Crops Research, 291, 108757.
31. Soleimannejad, L., Bonyad, A. E., Naghdi, R., & Latifi, H. (2018). Classification of quantitative attributes of Zagros forest using Landsat 8-OLI and Random Forest algorithm (Case study: Protected area of Manesht forests). Journal of Forest Research and Development, 4(4), 415-434.
32. Soltani, M., Jahan, M., & Yaghoubi, F. (2025). Evaluation of power and accuracy of AgMERRA and ERA5 dataset to simulate long term data for temperature and radiation in grat Khorasan province. (Under referee process)
33. Taiz, L., Zeiger, E., Moller, I. M., & Murphy, A. (2018). Fundamentals of Plant Physiology. New York, USA: Oxford University Press. ISBN 978160535790
34. Ting, K. M. (2011). Confusion Matrix. In C. Sammut & G. I. Webb, (eds) Encyclopedia of Machine Learning. Springer, Boston, MA. https://doi.org/10.1007/978-0-387-30164-8_157
35. Vieira, H. V., Bradford, B. Z., Osterholzer, A., Pierce, E. S., Cockrell, D., Peairs, F., Frost, K., Groves, R., & Nachappa, P. (2025). A new growing degree-day phenology model for wheat stem sawfly (Hymenoptera: Cephidae) in Colorado wheat fields. Plos One, 20(4), e0320497. https://doi.org/10.1371/journal.pone.0320497
36. Wang, Z., & Li, S. (2002). Effects of water deficit and supplemental irrigation at different growing stages on uptake and distribution of nitrogen, phosphorus, and potassium in winter wheat. Journal of Plant Nutrition and Fertilizers, 8(3), 265–270. https://dx.doi.org/10.11674/zwyf.2002.0302
37. Yaghoubi, F., Bannayanm, M., & Asadi, G. (2020). Performance of predicted evapotranspiration and yield of rainfed wheat in the northeast Iran using gridded AgMERRA weather data. International Journal of Biometeorology, 64, 1519–1537. https://doi.org/10.1007/s00484-020-01931-y