آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 458 |
| تعداد مقالات | 3,609 |
| تعداد مشاهده مقاله | 4,551,573 |
| تعداد دریافت فایل اصل مقاله | 2,997,336 |
الگوریتمهای یادگیری ماشین در پیشبینی عملکرد غلات: یک مرور تحلیلی | ||
| بیوتکنولوژی و بیوشیمی غلات | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 شهریور 1405 | ||
| نوع مقاله: مروری | ||
| شناسه دیجیتال (DOI): 10.22126/cbb.2026.13903.1145 | ||
| نویسندگان | ||
| لیلا نظری* ؛ خدیجه علیجانی | ||
| بخش تحقیقات زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران | ||
| چکیده | ||
| مقدمه: پیشبینی دقیق عملکرد محصولات زراعی، بهویژه غلات بهعنوان اصلیترین منبع تأمین انرژی غذایی جهان، نقشی کلیدی در مدیریت امنیت غذایی، برنامهریزی تولید، تجارت محصولات کشاورزی و سازگاری با تغییرات اقلیمی ایفا میکند. روشهای سنتی مبتنی بر مدلهای رگرسیون خطی و آمار کلاسیک، اگرچه در بسیاری از مطالعات مورد استفاده قرار گرفتهاند، اما در مواجهه با دادههای پیچیده، غیرخطی، چندبعدی و ناهمگن با محدودیتهایی مواجه هستند. در سالهای اخیر، پیشرفت فناوریهای سنجش از دور، حسگرهای مزرعهای، سامانههای اطلاعات جغرافیایی و افزایش حجم دادههای کشاورزی، زمینه استفاده گسترده از روشهای یادگیری ماشین را فراهم کرده است. این الگوریتمها با قابلیت شناسایی الگوهای پنهان و روابط غیرخطی میان عوامل اقلیمی، مدیریتی، خاکی و ژنتیکی، به ابزارهای مؤثری برای پیشبینی عملکرد محصولات تبدیل شدهاند. هدف این مقاله مروری، بررسی کاربرد رایجترین الگوریتمهای یادگیری ماشین در پیشبینی عملکرد گندم، جو، برنج و ذرت، تحلیل مراحل توسعه مدلهای پیشبینی و تبیین چالشها و فرصتهای پژوهشی موجود در این حوزه است. مواد و روشها: در این مطالعه، پژوهشهای منتشرشده در زمینه پیشبینی عملکرد محصولات زراعی با استفاده از یادگیری ماشین مورد بررسی قرار گرفتند. الگوریتمهایی نظیر رگرسیون چندمتغیره، درخت رگرسیون، جنگل تصادفی، ماشین بردار پشتیبان، پرسپترون چندلایه، شبکههای عصبی مصنوعی و مدلهای یادگیری عمیق از جمله شبکههای عصبی عمیق و حافظه بلندمدت کوتاهمدت از پرکاربردترین روشهای مورد استفاده در مطالعات مختلف هستند. توسعه مدلهای پیشبینی شامل مراحل جمعآوری داده، پیشپردازش، انتخاب ویژگی، آموزش مدل، اعتبارسنجی و ارزیابی عملکرد است. در این فرآیند، دادهها به مجموعههای آموزشی و آزمایشی تقسیم شده و عملکرد مدلها با استفاده از معیارهای آماری مناسب مورد ارزیابی قرار میگیرد. یافتهها: نتایج مطالعات نشان میدهد که کیفیت دادههای ورودی، انتخاب ویژگیهای مناسب و روش ارزیابی مدل از مهمترین عوامل مؤثر بر دقت پیشبینی هستند. متغیرهایی نظیر دما، بارش، رطوبت خاک، خصوصیات فیزیکی و شیمیایی خاک، شاخصهای پوشش گیاهی حاصل از سنجش از دور، عملیات مدیریتی مزرعه و اطلاعات ژنتیکی گیاهان از مهمترین متغیرهای مورد استفاده در مدلهای پیشبینی عملکرد به شمار میروند. پیشپردازش دادهها شامل حذف دادههای گمشده، شناسایی مقادیر پرت، نرمالسازی و کاهش ابعاد داده، نقش مهمی در بهبود کارایی مدلها دارد. همچنین، انتخاب ویژگی با استفاده از روشهای فیلتر، بستهبند و تعبیهشده موجب حذف متغیرهای غیرمؤثر و افزایش دقت پیشبینی میشود. بررسی مطالعات مختلف نشان داد که الگوریتمهای مبتنی بر درخت مانند جنگل تصادفی و تقویت گرادیان، در بسیاری از شرایط عملکرد مطلوبی داشتهاند، در حالی که مدلهای یادگیری عمیق در صورت دسترسی به مجموعه دادههای بزرگ، توانایی بیشتری در استخراج روابط پیچیده و بهبود دقت پیشبینی نشان دادهاند. ارزیابی عملکرد مدلها عمدتاً با استفاده از معیارهایی نظیر ضریب تبیین، ریشه میانگین مربعات خطا، میانگین خطای مطلق، دقت، فراخوانی و امتیاز F1 انجام میشود. همچنین، اعتبارسنجی متقابل، بهویژه روش K-fold، یکی از متداولترین رویکردها برای ارزیابی قابلیت تعمیم مدلها است. نتیجهگیری: یادگیری ماشین ظرفیت قابلتوجهی برای افزایش دقت پیشبینی عملکرد محصولات زراعی و پشتیبانی از تصمیمگیری در کشاورزی دقیق دارد. با این حال، محدودیتهایی نظیر کمبود دادههای استاندارد و بلندمدت، ناهمگنی دادهها، هزینه بالای فناوریهای جمعآوری داده و تفسیرپذیری محدود برخی مدلهای پیچیده همچنان از چالشهای اصلی این حوزه محسوب میشوند. توسعه پایگاههای داده چندمنبعی، ادغام دادههای اقلیمی، خاکی، ژنتیکی و سنجش از دور، بهرهگیری از روشهای یادگیری عمیق و هوش مصنوعی توضیحپذیر و همچنین اعتبارسنجی مدلها در شرایط اقلیمی و مدیریتی متنوع، از مهمترین اولویتهای پژوهشی آینده برای افزایش قابلیت کاربرد و تعمیمپذیری مدلهای پیشبینی عملکرد خواهند بود. | ||
| کلیدواژهها | ||
| اعتبارسنجی متقابل؛ انتخاب ویژگی؛ پیشبینی عملکرد؛ غلات؛ یادگیری عمیق؛ یادگیری ماشین | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 0 |
||