این تحقیق به مقایسه دو الگوریتم یادگیری ماشین، رندوم فارست و ایکس‌جی‌بوست، در پیش‌بینی عملکرد گندم آبی در 20 شهرستان استان خراسان رضوی پرداخته است. دو الگوریتم ابتدا با 70 درصد داده ها آموزش دیده و بهینه سازی شدند و سپس با 30 درصد داده‌ها تست شدند. بهینه‌سازی دو الگوریتم به کمک جستجوی شبکه ای با اعتبارسنجی متقابل پنج مرحله‌ای انجام گرفت. در ادامه، هر دو الگوریتم ارزیابی و تعیین اعتبار شدند. از نظر معیارهای ارزیابی، مانند جذر میانگین مربعات خطا (RMSE)، ضریب تبیین (R²)، میانگین قدر مطلق خطا (MAE) و شاخص توافق ویلموت (d)، مدل رندوم‌فارست در بسیاری از شهرستان‌ها عملکرد بهتری داشت. در حالی که ایکس‌جی‌بوست در مناطقی با توزیع پیچیده‌تر داده‌ها (مانند مشهد) توانست به‌طور مؤثرتری عمل کند. مقایسه نتایج مدل‌ها در شهرستان‌های مختلف نشان می‌دهد که مدل رندوم فارست در بسیاری از شهرستان‌ها دقت بالاتری دارد. برای مثال، در شهرستان‌هایی مانند خلیل آباد، سبزوار، تربت‌جام، رشتخوار، نیشابور و گناباد، مدل رندوم‌فارست خطای کمتری نسبت به ایکس‌جی‌بوست دارد. از سوی دیگر، مدل ایکس‌جی‌بوست در بعضی مناطق خاص مانند مشهد، بردسکن، درگز، سرخس و تایباد عملکرد بهتری از خود نشان داد، که احتمالاً به ویژگی‌های خاص این شهرستان‌ها مربوط می‌شود. برای شهرستان‌های خاف، مه‌ولات و کلات نادر، هر دو مدل یکسان عمل کردند. در هر دو مدل، دمای کمینه روزانه نقش برجسته‌ای در پیش‌بینی عملکرد گندم ایفا کرده است. در مدل رندوم فارست، دمای کمینه روزانه رتبه اول را دارد، در حالی که در مدل ایکس‌جی‌بوست این ویژگی به‌طور معمول از اهمیت کمتری برخوردار است. سایر ویژگی‌ها مانند بارندگی و درجه روز رشد نیز به‌شکل قابل توجهی در دقت مدل‌ها تأثیرگذار بودند. مدل‌ها همچنین در طبقه‌بندی عملکرد گندم با استفاده از ماتریس درهم‌ریختگی ارزیابی شدند. مدل ایکس‌جی‌بوست به‌طور کلی دقت بالاتری در طبقه‌بندی کلاس‌های عملکرد داشت، در حالی که رندوم فارست در شبیه‌سازی دقیق‌تر داده‌های واقعی و کاهش خطاهای پیش‌بینی موفق‌تر عمل کرد. به‌طور کلی، مدل رندوم‌فارست برای پیش‌بینی عملکرد گندم در استان خراسان رضوی نتایج بهتری در بیشتر شهرستان‌ها نشان داد. اگرچه مدل ایکس‌جی‌بوست پتانسیل بالاتری برای مدل‌سازی الگوهای پیچیده دارد، رندوم فارست در شرایط پراکندگی بیشتر داده‌ها دقیق‌تر عمل کرد. نتایج این مطالعه تأکید کرد که با بهره‌گیری از داده‌های اقلیمی و زراعی، می‌توان الگوریتم های یادگیری ماشین را بهینه کرده و علاوه بر دقت بالا، تحلیلی شفاف و کاربردی از نقش هر متغیر در عملکرد گندم ارائه نمود.

کلمات کلیدی