نوع مقاله : مقاله پژوهشی

نویسندگان

• فاطمه بابایی ¹
• علیرضا وفائی‌نژاد ²
• علیرضا شریفی ¹

¹ گروه مهندسی نقشه برداری، دانشکده مهندسی عمران آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران

² گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران

چکیده

پیش‌بینی دقیق عملکرد محصولات کشاورزی نقش مهمی در برنامه‌ریزی امنیت غذایی و مدیریت منابع دارد. در این مطالعه، با هدف برآورد عملکرد گندم زمستانه در مناطق مختلف آلمان، از داده‌های سنجش‌ازدور (NDVI) و متغیرهای اقلیمی کلیدی شامل فشار بخار اشباع (VPD) استفاده شد. سه مدل یادگیری ماشین شامل Ridge Regression، Random Forest و XGBoost توسعه یافته و عملکرد آن‌ها از نظر شاخص‌های MAE، RMSE وR² مقایسه گردید. مدل XGBoost با اعتبارسنجی متقابل K‑Fold به مقدار ٪R² =94 و 393.64RMSE = دست یافت و نشان داد که دقت بالاتری نسبت به سایر مدل‌ها دارد. تحلیل اهمیت ویژگی‌ها (Permutation و SHAP) نشان داد که VPD مهم‌ترین عامل محدودکننده عملکرد گندم است و نقش آن در بسیاری از مناطق از سایر متغیرهای اقلیمی و زیستی برجسته‌تر است. همچنین SHAP بیانگر آن بود که NDVI اثر قابل توجهی در مناطق با پوشش گیاهی مطلوب دارد و سهم این دو متغیر الگوی مکانی ناهمگنی را دنبال می‌کند. در مجموع، این پژوهش نشان می‌دهد که ترکیب داده‌های سنجش‌ازدور و اقلیمی در چارچوب مدل‌های پیشرفته‌ی یادگیری ماشین می‌تواند به شکل مؤثری ناهمگنی مکانی اکوسیستم‌های کشاورزی و پاسخ آن‌ها به تنش‌های محیطی را تبیین کند.

موضوعات

• سامانه اطلاعات مکانی

عنوان مقاله [English]

Prediction of Final Winter Wheat Yield Using Remote Sensing Data and Machine Learning Algorithms

نویسندگان [English]

• Fatemeh Babayi ¹
• Alireza Vafaeinejad ²
• Alireza Sharifi ¹

¹ Department of Surveying and Geoinformatics Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran

² Department of Surveying and Geoinformatics Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran

چکیده [English]

Accurate prediction of agricultural crop yields plays a crucial role in food security planning and resource management. This study aimed to estimate the winter wheat yield across various regions in Germany by utilizing remote sensing data (NDVI) and key climatic variables, including vapor pressure deficit (VPD). Three machine learning models—Ridge Regression, Random Forest, and XGBoost—were developed and their performances were compared using MAE, RMSE, and R² metrics. The XGBoost model, validated using K-Fold cross-validation, achieved an R² of 94% and an RMSE of 393.64, demonstrating superior accuracy compared to the other models. Feature importance analysis (Permutation and SHAP) revealed that VPD is the most critical limiting factor for wheat yield, showing a significantly greater impact than other climatic and biophysical variables in many regions. Additionally, SHAP analysis highlighted the significant effect of NDVI in areas with favorable vegetation conditions, indicating that the contributions of these two variables exhibit spatial heterogeneity. Overall, this study demonstrates that integrating remote sensing and climatic data within advanced machine learning frameworks can effectively explain the spatial heterogeneity of agricultural ecosystems and their response to environmental stresses.