برآورد عملکرد جو براساس داده های سنجش از دور و الگوریتم های یادگیری ماشین XGBoost و SVM

در سال های اخیر، بهره گیری از الگوریتم های یادگیری ماشین شیوه ای امیدوارکننده در بهبود پیش بینی های 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 استان های کشور با استفاده از داده های سنجش از دور و روش های یادگیری ماشین شامل  XGBoostو SVM انجام شد. نتایج نشان داد که با استفاده از داده های اقلیمی، شاخص های خشکسالی و شاخص های گیاهی سنجش از دوری و الگوریتم XGBoost و SVM می توان به طور قابل قبولی برآورد عملکرد محصول جو را در مناطق مختلف کشور با اقلیم های متفاوت انجام داد. میزان خطای RMSE برای هر دو مدل، در حد قابل قبول بین 41/0 تا 77/0 تن در هکتار قرار داشت. با توجه به مقادیر ضریب تعیین R2  که برای الگوریتم های XGBoost و SVR در مدل سازی عملکرد کشت دیم به ترتیب 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 به دست آمده است، می توان گفت که نتایج برای هر دو الگوریتم در برآورد محصول دیم نامناسب تر از برآورد جو آبی و نیز ترکیب جو آبی و دیم بوده است. کرنل RBF به عنوان مناسب ترین کرنل برای استفاده در الگوریتم SVM انتخاب شد. هم چنین در این پژوهش ضمن بررسی اثرات تغییر نسبت تقسیم داده های مراحل آموزش و آزمون، پارامترهای بارش، دما و تبخیر و تعرق به عنوان مهم ترین پارامترهای موثر بر عملکرد محصول جو برای هر دو الگوریتم در حالت های مختلف موردبررسی تعیین شد.