واسنجی، ارزیابی و تعیین اعتبار مناسب‌ترین الگوریتم‌های یادگیری ماشین برای پیش‌بینی عملکرد دانه ذرت تحت شرایط کاربرد کودهای زیستی: رهیافتی بین‌رشته‌ای

پژوهشهای زراعی ایران

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 12 مهر 1404   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jcesc.2025.94148.1410

نویسنده

محسن جهان^*

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

چکیده

پیش‌بینی عملکرد دانه بخشی کلیدی در کشاورزی است که به کشاورزان و برنامه ریزان کمک می‌کند تا منابع را به طور کاراتر مدیریت کرده و بهره‌وری را بالا ببرند. این مطالعه به بررسی و مقایسه هشت الگوریتم یادگیری ماشین برای پیش‌بینی عملکرد دانه ذرت (Zea mays L.)  با استفاده از 73 ویژگی گیاهی و خاکی، شامل 32 ویژگی اصلی و 41 ویژگی تعاملی مهندسی‌شده، پرداخته است. آزمایش‌ها در مزرعه تحقیقاتی دانشگاه فردوسی مشهد طی دو سال انجام شد و داده‌ها با تقسیم تصادفی (70% آموزش، 15% اعتبارسنجی، 15% تست) و استانداردسازی (StandardScaler) پردازش شدند. ابتدا، مدل رگرسیون گام‌به‌گام پس‌رونده 13 ویژگی کلیدی (مثل Canopy Temp_3، % P plant)  را شناسایی کرد (R²(adj)=58.53%). سپس، الگوریتم‌های ANFIS، Transformer، ANN، SVR، LightGBM، XGBoost، Enhanced DNN، و SVM از بین پانزده الگوریتم رایج، غربال و ارزیابی شدند. معیارهای R²، RMSE، MAE، و Willmott’s d  نشان داد که ANFIS (R²=0.555)، Transformer (R²=0.545)، و ANN (R²=0.518) بهترین عملکرد را داشتند، در حالی که SVM (R²=0.325) ضعیف‌ترین بود. نمودارهای SHAP و Decision Plot نشان داد که تعاملات مثل Leaf Area Index_Dry Matter Yield وCanopy Temp_4  در پیش‌بینی نقش کلیدی دارند. تحلیل همبستگی، دو خوشه اصلی (فیزیولوژیکی و عملکردی) را آشکار کرد، و توزیع‌های اریب داده‌ها لزوم مدل‌های غیرخطی را تأیید کرد. نتایج نشان داد مدل‌های شبکه عصبی (به‌ویژه با مکانیزم‌های Attention وTensorFlow) روابط اکوفیزیولوژیکی پیچیده را بهتر مدل‌سازی می‌کنند. ویژگی‌هایی مثل دمای کانوپی و برهمکنش محتوای نیتروژن گیاه-درصد کلونیزاسیون ریشه به‌عنوان متغیرهای اصلی شناسایی شدند که نشان‌دهنده اهمیت تعاملات بین جذب عناصر غذایی و پاسخ‌های فیزیولوژیکی گیاه بودند. این مطالعه نشان داد که ترکیب ویژگی‌های تعاملی با الگوریتم های پیشرفته یادگیری ماشین می‌تواند از یک سو، دقت پیش‌بینی را بالا ببرد و به افزایش کارآیی سیستم های تولید گیاهان زراعی در راستای اهداف کشاورزی پایدارکمک کند و از سوی دیگر، زمینه های لازم برای مدیریت زراعی دقیق، شناسایی مسیرهای اکوفیزیولوژیکی مؤثر در شکل گیری عملکرد نهایی و سازگاری با تغییرات اقلیمی را فراهم آورد.

کلیدواژه‌ها

برهمکنش اکوفیزیولوژیک؛ ریزوباکتری های تحریک کننده رشد گیاه؛ شبکه عصبی مصنوعی؛ قارچ های میکوریزا آربوسکولار؛ کارایی نهاده؛ مهندسی ویژگی

مراجع