پیشبینی عملکرد گندم با دادههای بارش و شاخص نرمال شده تفاو ت پوشش گیاهی توسطالگوریت مهای یادگیری ماشین

گندم یک محصول استراتژیک در دنیا است و تغییرات میزان تولید آن می تواند قیمت این محصول و مواد غذایی وابسته به آن را تحت تاثیر قرار دهد. بنابراین گندم نقش تعیین کننده ای در امنیت غذایی هر کشور دارد. در این پژوهش عملکرد گندم زمستانه از سال ۲۰۰۸ تا ۲۰۲۱ در ۵۳ شهرستان ایالت کنزاس در آمریکا مورد بررسی قرار گرفته است . برای پیش بینی عملکرد گندم از شاخص بارش استاندارد شده (SPI) در دو مقیاس یک و شش ماهه و شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) به عنوان متغیرهای ورودی استفاده شده است . دو الگوریتم یادگیری ماشین غیرخطی به نام جنگل تصادفی و ماشین بردار پشتیبان برای انجام این پیش بینی به کار گرفته شدند. بررسی همبستگی بین متغیرهای ورودی با عملکرد گندم نشان داد که شاخص NDVIدر ماه می و شاخص SPI با مقیاس شش ماهه در ماه آوریل بیش ترین همبستگی را با عملکرد گندم دارند. عملکرد دو الگوریتم یادگیری ماشین تقریبا مشابه یکدیگر بوده و مقدار ضریب تعیین در هر دو مدل پیش بینی در حدود ۴.۰ بوده است .