فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی دقیق عملکرد دانه ذرت (Zea mays L.) برای مدیریت منابع و افزایش بهره‌وری در کشاورزی پایدار ضروری است. در این مطالعه ابتدا، الگوریتمNSGA-II  برای انتخاب بهینه ویژگی‌‌ها به کار گرفته شد و سپس الگوریتم  XGBoostبا ویژگی‌‌های انتخاب‌شده برای پیش‌بینی آموزش داده شد. داده‌ها از ۹۶ نمونه از مزرعه‌ تحقیقاتی دانشگاه فردوسی مشهد شامل ۷۵ ویژگی (۳۲ اصلی و ۴۳ تعاملی) طی دو سال آزمایش جمع‌آوری شدند. داده‌های اکوفیزیولوژیکی شامل متغیرهایی نظیر شاخص کلروفیل (SPAD)، دمای تاج‌پوشش، سرعت فتوسنتز بیشینه، طول ویژه ریشه، درصد فسفر خاک و غیره بودند. ابتدا، NSGA-II برای شناسایی مجموعه بهینه ویژگی‌ها به‌منظور حداکثر کردن دقت پیش‌بینی (R²) و کمینه کردن تعداد ویژگی‌ها به‌کار گرفته شد. NSGA-II با بهینه‌سازی همزمان تعداد ویژگی‌ها و دقت، نُه ویژگی کلیدی (مانند دمای تاج‌پوشش در مرحله خمیری دانه (Canopy Temp_4)، شاخص کلروفیل برگ در مرحله شیری دانه (SPAD_3)، سرعت تنفس خاک و سرعت فتوسنتز بیشینه را انتخاب کرد. مدل XGBoost با اعتبارسنجی (پنج‌تایی) آموزش داده شد و ضریب تبیین (R²) 63/0 و جذر میانگین مربعات خطا (RMSE) 171/2 تن در هکتار به دست آمد. برای تفسیر مدل، از روش‌های شیپ (SHAP) و لایم (LIME) استفاده شد. نمودارهای شیپ (نمودارهای آبشاری و فورس پلات) نشان دادند که SPAD_3 با میانگین شیپ 2603/0 تن در هکتار و Canopy Temp_4 با 2512/0 تن در هکتار، نقش کلیدی در افزایش پیش‌بینی داشتند، درحالی‌که تعاملات پیچیده مثل اثر متقابل شاخص سطح برگ در مرحله کاکل‌دهی و مجذور میانگین دمای تاج‌پوشش اثر منفی اندکی (0674/0-) ایجاد کردند. تحلیل لایم نیز تأیید کرد که طول بلال با وزن 9252/0- تأثیر منفی قابل ‌توجهی دارد. این یافته‌ها با جبهه پاراتو و نمودار اهمیت ویژگی‌ها هم‌راستا بودند. علاوه‌بر این، تحلیل کانترفکچوآل نشان داد که حذف ویژگی‌های کلیدی، تغییرات قابل ‌توجهی در پیش‌بینی ایجاد می‌کند. نتایج این پژوهش نشان‌دهنده کارآیی بالای تلفیق NSGA-II و XGBoost در بهینه‌سازی مدل‌های پیش‌بینی کشاورزی است که به‌نوبه خود می‌تواند به مدیریت دقیق زراعی، انتخاب نهاده‌‌های طبیعی و سازگاری با تغییرات اقلیمی کمک کند.