پیش‌بینی دقیق عملکرد دانه ذرت (Zea mays L.) برای مدیریت منابع و افزایش بهره‌وری در کشاورزی پایدار ضروری است. داده‌ها از ۹۶ نمونه مزرعه‌ تحقیقاتی دانشگاه فردوسی مشهد با ۷0 ویژگی (28 اصلی و ۴2 تعاملی) طی دو سال آزمایش جمع‌آوری شدند. ابتدا، NSGA-II برای شناسایی مجموعه بهینه ویژگی‌ها به‌منظور حداکثر کردن دقت پیش‌بینی (R²) و کمینه کردن تعداد ویژگی‌ها به‌کار گرفته شد. NSGA-II با بهینه‌سازی همزمان تعداد ویژگی‌ها و دقت، ۹ ویژگی کلیدی (مانند دمای کانوپی در مرحله خمیری دانه (Canopy Temp_4)، شاخص کلروفیل برگ در مرحله شیری دانه (SPAD_3)، سرعت تنفس خاک، سرعت فتوسنتز بیشینه را انتخاب کرد. مدل XGBoost با اعتبارسنجی (۵ تایی) آموزش داده شد و ضریب تبیین (R²) 63/0 و جذر میانگین مربعات خطا (RMSE) 171/2 تن در هکتار به دست آمد. برای تفسیر مدل، از روش‌های شیپ (SHAP) و لایم (LIME) استفاده شد. نمودارهای شیپ (نمودارهای آبشاری و فورس پلات) نشان دادند که SPAD_3 با میانگین شیپ 2603/0 تن در هکتار و Canopy Temp_4 با 2512/0 تن در هکتار، نقش کلیدی در افزایش پیش‌بینی دارند، در حالی که تعاملات پیچیده مثل اثر متقابل شاخص سطح برگ در مرحله کاکل دهی و مجذور میانگین دمای کانوپی اثر منفی اندکی (0674/0-) ایجاد می‌کنند. تحلیل لایم نیز تأیید کرد که طول بلال با وزن 9252/0- تأثیر منفی قابل‌توجهی دارد. نتایج این پژوهش نشان‌دهنده کارایی بالای تلفیق NSGA-II و XGBoost در بهینه‌سازی مدل‌های پیش‌بینی کشاورزی است که به نوبه خود می‌تواند به مدیریت دقیق زراعی، انتخاب نهاده های طبیعی و سازگاری با تغییرات اقلیمی کمک کند.

کلمات کلیدی