توسعه يك رويكرد يادگيري گروهي براي پيش‌بيني ميزان محصول سويا با استفاده از داده‌هاي ماهواره و هواشناسي

برآورد دقيق ميزان محصول براي بسياري از مسائل زراعي، از جمله مديريت كشاورزي، سياست‌هاي ملي مواد غذايي و تجارت بين‌المللي محصولات زراعي اهميت دارد. براي اين منظور، روش‌هاي مختلفي براي پيش‌بيني ميزان محصول استفاده مي‌شود كه تصاوير ماهواره‌اي نقش تعيين كننده اي در اين روش ها دارد. تكنيك‌هاي سنجش از راه دور ماهواره‌اي كه مناطق وسيعي را به‌طور مستمر پوشش مي‌دهند، مي‌توانند به ارزيابي دقيق‌تر بازده محصول كمك كنند. اين پژوهش مدل بهينه‌اي براي پيش‌بيني ميزان محصول سويا در منطقه غرب ميانه ايالات متحده توسعه مي‌دهد. مدل تركيبي يادگيري گروهي با استفاده از تصاوير ماهواره‌اي و داده‌هاي هواشناسي در دوره رشد غالب آزمايش شد. به طور خاص، الگوريتم بهينه سازي عقاب طلايي (GEO) براي تنظيم فراپارامترهاي مدل XGBoost به كار گرفته شد تا بهترين پيكربندي ممكن براي بهبود دقت فراهم شود. نتايج نشان داد كه مدل GEO-XGBoost براي محصول سويا (با ضريب همبستگي 0.9377 و شاخص ريشه ميانگين مربعات خطا برابر با 0.2394 تن در هكتار) نتايج مناسبي داشت. اين نتايج نشان مي‌دهند كه مدل بهينه شده  GEO-XGBoost مي‌تواند پيش‌بيني‌هاي دقيقي براي ميزان محصول سويا در شرايط مختلف آب و هوايي ارائه دهد و همچنين مي‌تواند در آينده به پيش‌بيني ساير محصولات گسترش يابد.