فهرست نشریات علمی دسترسی آزاد ایران

در سال‌های اخیر، بهره‌گیری از الگوریتم‌های یادگیری ماشین شیوه‌ای امیدوارکننده در بهبود پیش‌بینی‌‌های عملکرد محصولات زراعی بوده است. این پژوهش با هدف ارزیابی برآورد عملکرد محصول جو آبی و دیم و نیز عملکرد کل جو تولیدی در مراکز استان‌های کشور با استفاده از داده‌های سنجش از دور و روش‌های یادگیری ماشین شامل  XGBoostو SVM انجام شد. نتایج نشان داد که با استفاده از داده‌های اقلیمی، شاخص‌های خشکسالی و شاخص‌های گیاهی سنجش از دوری و الگوریتم XGBoost و SVM می‌توان به‌طور قابل‌قبولی برآورد عملکرد محصول جو را در مناطق مختلف کشور با اقلیم‌های متفاوت انجام داد. میزان خطای RMSE برای هر دو مدل، در حد قابل‌قبول بین 41/0 تا 77/0 تن در هکتار قرار داشت. با توجه به مقادیر ضریب تعیین R2  که برای الگوریتم‌های XGBoost و SVR در مدل‌سازی عملکرد کشت دیم به‌ترتیب برابر 2/0 و 22/0، در عملکرد آبی برابر 52/0 و 55/0 و برای حالت ترکیبی جو آبی و دیم برابر 66/0 و 65/0 به‌دست آمده است، می‌توان گفت که نتایج برای هر دو الگوریتم در برآورد محصول دیم نامناسب‌تر از برآورد جو آبی و نیز ترکیب جو آبی و دیم بوده است. کرنل RBF به‌عنوان مناسب‌ترین کرنل برای استفاده در الگوریتم SVM انتخاب شد. هم‌چنین در این پژوهش ضمن بررسی اثرات تغییر نسبت تقسیم داده‌های مراحل آموزش و آزمون، پارامترهای بارش، دما و تبخیر و تعرق به‌عنوان مهم‌ترین پارامترهای مؤثر بر عملکرد محصول جو برای هر دو الگوریتم در حالت‌های مختلف موردبررسی تعیین شد.