واسنجی، ارزیابی و تعیین اعتبار مناسب‌ترین الگوریتم‌های یادگیری ماشین برای پیش‌بینی عملکرد دانه ذرت (Zea mays L.) تحت شرایط کاربرد کودهای زیستی: رهیافتی بین‌رشته‌ای

نوع مقاله : مقاله پژوهشی

نویسنده

محسن جهان

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

10.22067/jcesc.2025.94148.1410

چکیده

پیش‌بینی عملکرد دانه، بخشی کلیدی در کشاورزی است که به کشاورزان و برنامه‌ریزان کمک می‌کند تا منابع را به‌طور کارآتر 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 درصد آموزش، 15 درصد اعتبارسنجی، 15 درصد تست) و استانداردسازی  (StandardScaler) پردازش شدند. ابتدا، مدل رگرسیون گام‌به‌گام پس‌رونده 13 ویژگی کلیدی (مثلCanopy Temp_3، % P plant) را شناسایی کرد (R²(adj)=58.53%). سپس، الگوریتم‌هایANFIS، Transformer، ANN، SVR، LightGBM، XGBoost، Enhanced DNN و SVM از بین 15 الگوریتم رایج، غربال و ارزیابی شدند. معیارهایR²، RMSE، MAE وWillmott’s d  نشان داد که ANFIS (R²=0.555)، Transformer (R²=0.545) و ANN (R²=0.518) بهترین عملکرد را داشتند، درحالی‌که 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 اُریب داده‌ها لزوم مدل‌های غیرخطی را تأیید کرد. نتایج نشان داد که مدل‌های شبکه عصبی (به‌ویژه با سازوکار‌های Attention وTensorFlow) روابط اکوفیزیولوژیکی پیچیده را بهتر مدل‌سازی می‌کنند. ویژگی‌هایی مثل دمای تاج‌پوشش 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 الگوریتم‌‌های پیشرفته یادگیری ماشین می‌تواند از یک سو، دقت پیش‌بینی را بالا ببرد و به افزایش کارآیی سیستم‌‌های تولید گیاهان زراعی در راستای اهداف کشاورزی پایدارکمک کند و از سوی دیگر، زمینه‌‌های لازم برای مدیریت زراعی دقیق، شناسایی مسیرهای اکوفیزیولوژیکی مؤثر در شکل‌گیری عملکرد نهایی و سازگاری با تغییرات اقلیمی را فراهم آورد.

کلیدواژه‌ها

برهم‌کنش اکوفیزیولوژیک

ریزوباکتری‌‌های تحریک‌کننده رشد گیاه

شبکه عصبی مصنوعی

قارچ‌‌های میکوریزا آربوسکولار

کارآیی نهاده

مهندسی ویژگی

موضوعات

• عملکرد گیاهان زراعی

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Abekoon, T., Sajindra, H., Rathnayake, N., Ekanayake, I., Jayakody, A. (2025). A novel application with explainable machine learning (SHAP and LIME) to predict soil N, P, and K nutrient content in cabbage cultivation. Smart Agricultural Technology, 11, 100879. https://doi.org/10.1016/j.atech.2025.100879
2. Bao, X., Zou, J., Zhang, B., Wu, L., Yang, T., & Huang, Q. (2022). Arbuscular mycorrhizal fungi and microbes interaction in rice mycorrhizosphere. Agronomy, 12(6), 1277. https://doi.org/10.3390/agronomy12061277
3. Bhupenchandra, I., Chongtham, S. K., Devi, A. G., & Dutta, P. (2024). Unlocking the potential of arbuscular mycorrhizal fungi: exploring role in plant growth promotion, nutrient uptake mechanisms, biotic stress alleviation, and sustaining agricultural production systems. Journal of Plant Growth Regulation. https://doi.org/10.1007/s00344-024-11467-9
4. Bracho-Mujica, G., Rötter, R. P., Haakana, M., Palosuo, T., Fronzek, S., Asseng, S., Yi, C., Gaiser, T., Kassie, B., Paff, K., Eyshi Rezaei, E., Rodriguez, A., Ruiz-Ramos, M., Srivastava, A. K., Stratonovixh, P., Tao, F., & Semenov, M. A. (2024). Effects of changes in climatic means, variability, and agro-technologies on future wheat and maize yields at 10 sites across the globe. Agricultural and Forest Meteorology, 346, 109887. https://doi.org/10.1016/j.agrformet.2024.109887
5. Brar, B., Bala, K., Saharan, B. S., Kumar Sadh, P., & Duhan, J. S. (2024). Bio-boosting agriculture: Harnessing the potential of fungi-bacteria-plant synergies for crop improvement. Discover Plants,1, 21 https://doi.org/10.1007/s44372-024-00023-0
6. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences, 2nd Ed. New York: Routledge.
7. Fashoto, S., Mbunge, E., Opeyemi, O. G., & Van Den Burg, J., (2021). Implementation of machine learning for predicting maize crop yields using multiple linear regression and backward elimination. Malaysian Journal of Computing, 6, 679–697.
8. Godfray, H. C. J., Poore, J., & Ritchie, H. (2024). Opportunities to produce food from substantially less land. BMC Biology, 22,138. https://doi.org/10.1186/s12915-024-01936-8
9. Khaki, S., Wang, A., & Archontoulis, A. V. (2020). A CNN-RNN Framework for Crop Yield Prediction. Front. Plant Sci. Sec. Computational Genomics, https://doi.org/10.3389/fpls.2019.01750
10. Khoso, M. A., Wagan, S., Alam, I., Hussain, A., Ali, Q., Saha, S., Poudel, T. R., Manghwar, H., & Liu, F. (2024). Impact of plant growth-promoting rhizobacteria (PGPR) on plant nutrition and root characteristics: Current perspective. Plant Stress, 11, 100341. https://doi.org/10.1016/j.stress.2023.100341.
11. Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Pringer Science & Business Media, 600 p. ISBN: 978-1-4614-6848-6. https://doi.org/10.1007/978-1-4614-6849-3
12. Mitra, D., Panneerselvam, P., Senapati, A., Chidambaranathan, P., Nayak, A. K., & Mohapatra, P. K. D. (2023). Arbuscular mycorrhizal fungi response on soil phosphorus utilization and enzymes activities in aerobic rice under phosphorus-deficient conditions. Life (Basel). 30,3(5), 1118. https://doi.org/10.3390/life13051118
13. Moore, D. S., Notz, W. I., & Flinger, M. A. (2013). The Basic Practice of Statistics (6th ed.). New York, NY: W. H. Freeman and Company. 138 p.
14. Nayak, H. S., Silva, J. V., Parihar, C. M., Krupnik, T. J., Sena, D. R., Kakraliya, S. K., Jat, H. S., Sidhu, H. S., Sharma, P. C., Jat, M. L., Sapkota, T. B. (2022). Interpretable machine learning methods to explain on-farm yield variability of high productivity wheat in Northwest India. Field Crops Research, 287, 108640. https://doi.org/10.1016/j.fcr.2022.108640
15. Pentos, K., Mbah, J. T., Pieczarka, K., Niedbała, G., & Wojciechowski, T. (2022). Evaluation of multiple linear regression and machine learning approaches to predict soil compaction and shear stress based on electrical parameters. Applied Sciences, 12(17), 8791. https://doi.org/10.3390/app12178791
16. Salvador, G. L. O., Araju, F. F., Pereira, A. P. A., Bonofacio, A., & Araujo, A. S. F. (2022). Rhizobacteria and arbuscular mycorrhizal fungus presented distinct and specific effects on soybean growth when inoculated with organic compost. Rhizosphere, 22, 100513. https://doi.org/10.1016/j.rhisph.2022.100513
17. Srivastava, A. K., Safaei, N., Khaki, S., Lopez, G., Zeng, W., Ewert, F. Gaiser, T., & Rahimi, J. (2022). Winter wheat yield prediction using convolutional neural networks from environmental and phenological data. Scientific Reports, 12(1). https://doi.org/10.1038/s41598-022-06249-w
18. Taiz, L., Moller, I. M., Murphy, A., & Peer, W.A. (2018). Fundamentals of Plant Physiology. New York, USA: Oxford University. Press. ISBN 978160535790
19. Wang, Y., Zhang, Q., Yu, F., Zhang, N., Zhang, X., Li, Y., Wang, M., & Zhang, J. (2024). Progress in research on deep learning-based crop yield prediction. Agronomy, 14(10), 2264. https://doi.org/10.3390/agronomy14102264
20. Xie, X., Wu, T., Zhu, M., Jiang, G., Xu, Y., Wang, X., & Pu, L. (2021). Comparison of random forest and multiple linear regression models for estimation of soil extracellular enzyme activities in agricultural reclaimed coastal saline land. Ecological Indicators, 120, 106925. https://doi.org/10.1016/j.ecolind.2020.106925