توسعه یک رویکرد یادگیری گروهی برای پیش بینی میزان محصول سویا با استفاده از داده های ماهواره و هواشناسی

برآورد دقیق میزان محصول برای بسیاری از مسائل زراعی، از جمله مدیریت کشاورزی، سیاست های ملی مواد غذایی و تجارت بین المللی محصولات زراعی اهمیت دارد. برای این منظور، روش های مختلفی برای پیش بینی میزان محصول استفاده می شود که تصاویر ماهواره ای نقش تعیین کننده ای در این روش ها دارد. تکنیک های سنجش از راه دور ماهواره ای که مناطق وسیعی را به طور مستمر پوشش می دهند، می توانند به ارزیابی دقیق تر بازده محصول کمک کنند. این پژوهش مدل بهینه ای برای پیش بینی میزان محصول سویا در منطقه غرب میانه ایالات متحده توسعه می دهد. مدل ترکیبی یادگیری گروهی با استفاده از تصاویر ماهواره ای و داده های هواشناسی در دوره رشد غالب آزمایش شد. به طور خاص، الگوریتم بهینه سازی عقاب طلایی (GEO) برای تنظیم فراپارامترهای مدل XGBoost به کار گرفته شد تا بهترین پیکربندی ممکن برای بهبود دقت فراهم شود. نتایج نشان داد که مدل GEO-XGBoost برای محصول سویا (با ضریب همبستگی 0.9377 و شاخص ریشه میانگین مربعات خطا برابر با 0.2394 تن در هکتار) نتایج مناسبی داشت. این نتایج نشان می دهند که مدل بهینه شده  GEO-XGBoost می تواند پیش بینی های دقیقی برای میزان محصول سویا در شرایط مختلف آب و هوایی ارائه دهد و همچنین می تواند در آینده به پیش بینی سایر محصولات گسترش یابد.