پیشبینی دقیق عملکرد دانه ذرت (Zea mays L.) برای مدیریت منابع و افزایش بهرهوری در کشاورزی پایدار ضروری است. در این مطالعه ابتدا، الگوریتم NSGA-II برای انتخاب بهینه ویژگیها به کار گرفته شد و سپس الگوریتم XGBoost با ویژگیهای انتخابشده برای پیشبینیی ممیوز داده شد. دادهها از ۹۶ نمونه از مزرعه تحقیقاتی دانشگاه فردوسی مشهد شامل ۷۵ ویژگی ) ۳۲ اصلی و ۴۳ تعاملی( طی دو سال مزمایش جمعموری شدند. دادههای اکوفیزیولوژیکی شامل متغیرهایی نظیر شاخص کلروفیل (SPAD) ، دمای تاجپوشش، سرعت فتوسنتز بیشینه، طول ویژه ریشه، درصید ففی ر خاک و غیره بودند. ابتدا، NSGA-II برای شناسایی مجموعه بهینه ویژگیها بیهمنظور حیداکرر کیردد دقیت پیشبینیی (R²) و کمینیه کیردد تعیداد ویژگیها بهکار گرفته شد. NSGA-II با بهینهسازی همزماد تعداد ویژگیها و دقت، نُه ویژگی کلیدی )مانند دمای تاجپوشش در مرحله خمییری دانیه (Canopy Temp_4) ، شاخص کلروفیل برگ در مرحله شیری دانه (SPAD_3) ، سرعت تن س خاک و سرعت فتوسنتز بیشینه را انتخاب کرد. مدل XGBoost با اعتبارسنجی )پنجتایی( مموز داده شد و ضریب تبیین (R²) ۶۳ / 0 و جذر میانگین مربعات خطیا (RMSE) 1۷1 / ۲ تین در هکتیار بیه دست ممد. برای ت فیر مدل، از رو های شیپ (SHAP) و لایم (LIME) است اده شد. نمودارهای شیپ )نمودارهای مبشاری و فورس پیتت( نشیاد دادند که SPAD_3 با میانگین شیپ ۲۶0۳ / 0 تن در هکتار و Canopy Temp_4 با ۲۵1۲ / 0 تین در هکتیار، نقیش کلییدی در افیزایش پیشبینیی داشتند، درحالیکه تعامتت پیچیده مرل اثر متقابل شاخص سطح برگ در مرحله کاکیلدهی و مجیذور مییانگین دمیای تاجپوشیش اثیر من یی انیدکی ( 0۶۷۴ / 0 ( ایجاد کردند. تحلیل - لایم نیز تأیید کرد که طول بتل با وزد ۹۲۵۲ / 0 تأثیر من ی قابل توجهی دارد. این یافتهها با جبهیه پیاراتو و نمیودار - اهمیت ویژگیها همراستا بودند. عتوهبر این، تحلیل کانترفکچومل نشاد داد که حذف ویژگیهای کلیدی، تغیییرات قابیل تیوجهی در پیشبینیی ایجیاد میکند. نتایج این پژوهش نشاددهنده کارمیی بالای تل یق NSGA-II و XGBoost در بهینهسازی مدلهای پیشبینی کشاورزی اسیت کیه بهنوبیه خود میتواند به مدیریت دقیق زراعی، انتخاب نهادههای طبیعی و سازگاری با تغییرات اقلیمی کمک کند

کلمات کلیدی