مروری بر رویکردهای یادگیری عمیق و یادگیری گروهی در پیش بینی عملکرد ذرت و سویا با داده های سنجش از دور و هواشناسی

چکیده مقاله

پیش بینی عملکرد محصولات کشاورزی، به ویژه ذرت و سویا، در سال های اخیر با استفاده از روش های یادگیری ماشین و یادگیری گروهی رشد قابل توجهی داشته است این پژوهش با مرور ۲۷ مطالعه منتشرشده بین سال های ۲۰۲۰ تا ۲۰۲۵، داده ها و الگوریتم های به کاررفته در این حوزه را مورد بررسی قرار داده است نتایج نشان می دهد که جهت گیری تحقیقات از استفاده از مدل های منفرد به سمت رویکردهای ترکیبی و بهره گیری از داده های چندمنبعی شامل سنجش از دور، داده های هواشناسی و ویژگی های خاک تغییر یافته است در میان الگوریتم ها، مدل های یادگیری گروهی مانند XGBoost و LightGBM و مدل های یادگیری عمیق نظیر CNN و LSTM بالاترین دقت را در پیش بینی عملکرد نشان داده اند در مجموع، ادغام داده های چندمنبعی سبب افزایش ضریب تعیین و کاهش خطای پیش بینی شده و مدل های ترکیبی را به گزینه ای کارآمد برای برآورد دقیق و زودهنگام عملکرد محصولات کشاورزی تبدیل کرده است

کلیدواژه‌ها

نویسندگان

علی سبزعلی یمقانی

گروه سیستم های اطلاعات مکانی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

علی اصغر آل شیخ

گروه سیستم های اطلاعات مکانی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

یمقانی، علی سبزعلی و آل شیخ، علی اصغر،1404،مروری بر رویکردهای یادگیری عمیق و یادگیری گروهی در پیش بینی عملکرد ذرت و سویا با داده های سنجش از دور و هواشناسی،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران

ارائه‌شده در

مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران