آمار

تعداد نشریات15
تعداد شماره‌ها244
تعداد مقالات2,479
تعداد مشاهده مقاله4,289,975
تعداد دریافت فایل اصل مقاله3,153,203
بابایی, فاطمه, وفائی‌نژاد, علیرضا, شریفی, علیرضا. (1405). پیش‌بینی عملکرد محصول گندم زمستانه با استفاده از داده‌های سنجش‌ازدور و الگوریتم‌های یادگیری ماشین. فناوری آموزش, 4(1), 189-213. doi: 10.22061/jrsgr.2026.113038.1125
فاطمه بابایی; علیرضا وفائی‌نژاد; علیرضا شریفی. "پیش‌بینی عملکرد محصول گندم زمستانه با استفاده از داده‌های سنجش‌ازدور و الگوریتم‌های یادگیری ماشین". فناوری آموزش, 4, 1, 1405, 189-213. doi: 10.22061/jrsgr.2026.113038.1125
بابایی, فاطمه, وفائی‌نژاد, علیرضا, شریفی, علیرضا. (1405). 'پیش‌بینی عملکرد محصول گندم زمستانه با استفاده از داده‌های سنجش‌ازدور و الگوریتم‌های یادگیری ماشین', فناوری آموزش, 4(1), pp. 189-213. doi: 10.22061/jrsgr.2026.113038.1125
بابایی, فاطمه, وفائی‌نژاد, علیرضا, شریفی, علیرضا. پیش‌بینی عملکرد محصول گندم زمستانه با استفاده از داده‌های سنجش‌ازدور و الگوریتم‌های یادگیری ماشین. فناوری آموزش, 1405; 4(1): 189-213. doi: 10.22061/jrsgr.2026.113038.1125

پیش‌بینی عملکرد محصول گندم زمستانه با استفاده از داده‌های سنجش‌ازدور و الگوریتم‌های یادگیری ماشین

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 4، شماره 1 - شماره پیاپی 7، دی 1404، صفحه 189-213    اصل مقاله (2.4 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2026.113038.1125
نویسندگان
فاطمه بابایی1؛ علیرضا وفائی‌نژاد* 2؛ علیرضا شریفی1
1گروه مهندسی نقشه برداری، دانشکده مهندسی عمران آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران
2گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران
تاریخ دریافت: 05 اسفند 1404،  تاریخ بازنگری: 14 خرداد 1405،  تاریخ پذیرش: 20 مرداد 1405 
چکیده
پیشینه و اهداف: باتوجه‌به افزایش جمعیت، فشار بر منابع طبیعی، تغییرات اقلیمی و اهمیت روزافزون امنیت غذایی، پیش‌بینی دقیق عملکرد محصولات کشاورزی، به‌ویژه گندم، به یکی از موضوعات مهم پژوهشی تبدیل شده است. در سال‌های اخیر، استفاده از داده‌های سنجش‌ازدور، اطلاعات اقلیمی و ویژگی‌های خاک در کنار الگوریتم‌های یادگیری ماشین، فرصت‌های جدیدی برای برآورد عملکرد محصول فراهم کرده است. بااین‌حال، بسیاری از پژوهش‌های پیشین یا تنها بر یک منبع داده تمرکز داشته‌اند یا در مقیاس‌های محدود مکانی و زمانی انجام شده‌اند؛ بنابراین هنوز شکافی در زمینه ارزیابی جامع و مقایسه‌ای مدل‌ها با استفاده از داده‌های چندمنبعی وجود دارد. هدف این پژوهش، بررسی توانایی الگوریتم‌های مختلف یادگیری ماشین در پیش‌بینی عملکرد گندم با بهره‌گیری از داده‌های اقلیمی، شاخص NDVI حاصل از سنجش‌ازدور و همچنین ارزیابی قابلیت تعمیم این مدل‌ها در شرایط مکانی و اقلیمی متفاوت بوده است.
روش‌ها‌: این پژوهش بر اساس داده‌های چندمنبعی شامل متغیرهای اقلیمی و شاخص‌ سنجش‌ازدور NDVI انجام شد. مطالعه در ۹ منطقه مختلف در آلمان و در بازه‌ای ۲۲ساله صورت‌گرفته و بدین ترتیب امکان بررسی تغییرات مکانی و زمانی عملکرد گندم فراهم شده است. در این تحقیق از الگوریتم‌های XGBoost، Random Forest و Ridge Regression برای پیش‌بینی عملکرد گندم استفاده شده است. از میان متغیرهای مؤثر، شاخص NDVI و تنش تبخیری از جمله عوامل مهم در تحلیل مدل‌ها بوده‌اند. عملکرد مدل‌ها از نظر دقت پیش‌بینی و میزان خطا مورد ارزیابی قرار گرفته و شاخص‌هایی مانند ضریب تعیین، ریشه میانگین مربعات خطا و میانگین خطای مطلق برای مقایسه نتایج استفاده شده‌اند. طراحی مطالعه به‌گونه‌ای بوده که علاوه بر تحلیل داده‌ها، امکان مقایسه عملکرد مدل‌های کلاسیک و پیشرفته در سطح منطقه‌ای نیز فراهم شود.
یافته‌ها: نتایج پژوهش نشان داد که الگوریتم XGBoost نسبت به دو مدل Random Forest و Ridge Regression عملکرد بهتری در پیش‌بینی عملکرد گندم داشته است. این مدل توانست الگوهای فضایی و زمانی عملکرد را با خطای کمتر و قدرت تبیین بالاتر بازسازی کند. همچنین مشخص شد که متغیرهای NDVI، تنش تبخیری نقش مهمی در شکل‌گیری الگوهای عملکرد دارند. در مناطق یکنواخت‌تر و پربازده‌تر، دقت مدل بالاتر بود، درحالی‌که در مناطقی با ناهمگنی محیطی بیشتر، مانند برخی نواحی خاص، خطای پیش‌بینی افزایش یافت. باوجوداین، روند کلی نشان داد که روش‌های یادگیری ماشین، به‌ویژه مدل‌های مبتنی بر تقویت گرادیان، توان بالایی در شناسایی روابط پیچیده بین عوامل محیطی و عملکرد محصول دارند.
نتیجه‌گیری: در مجموع، نتایج این پژوهش نشان می‌دهد که ترکیب داده‌های سنجش‌ازدور و اقلیمی همراه با الگوریتم‌های پیشرفته یادگیری ماشین می‌تواند ابزاری مؤثر برای پیش‌بینی عملکرد گندم و پشتیبانی از تصمیم‌گیری در کشاورزی هوشمند باشد. برتری XGBoost نسبت به سایر مدل‌ها حاکی از آن است که مدل‌های مبتنی بر یادگیری ماشین توانایی بالایی در تحلیل روابط غیرخطی و چندبعدی موجود در داده‌های کشاورزی دارند. بااین‌حال، محدودیت‌هایی نیز وجود دارد؛ از جمله نبود داده‌های مدیریتی مزرعه مانند تاریخ کاشت، نوع رقم، میزان آبیاری و مصرف کود، و نبود داده‌های خاکی با تفکیک مکانی و زمانی کافی برای ورود به مدل نهایی، از محدودیت‌های پژوهش حاضر بودند. همچنین استفاده از مدل‌های پیچیده‌تر ممکن است در شرایط داده محدود با خطر بیش‌برازش همراه باشد؛ بنابراین، پیشنهاد می‌شود در پژوهش‌های آینده از مجموعه‌داده‌های کامل‌تر، مدل‌های هیبریدی فضایی - زمانی و روش‌های پیشرفته‌تر مانند شبکه‌های عصبی بازگشتی و کانولوشنی استفاده شود. این رویکرد می‌تواند به افزایش دقت پیش‌بینی، تعمیم‌پذیری بیشتر و کاربرد عملی بهتر در مدیریت پایدار کشاورزی و امنیت غذایی کمک کند.
کلیدواژه‌ها
عملکرد گندم زمستانه؛ سنجش‌ازدور؛ XGBoost؛ SHAP؛ NDVI؛ VPD
عنوان مقاله [English]
Yield prediction of winter wheat using remote sensing data and machine‑learning algorithms
نویسندگان [English]
F. Babayi1؛ A. Vafaeinejad2؛ A. Sharifi1
1Department of Surveying and Geoinformatics Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran
2Department of Surveying and Geoinformatics Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran
چکیده [English]
Background and Objectives: With the growing global population, increasing pressure on natural resources, climate change, and the rising importance of food security, accurate crop yield prediction—particularly for wheat—has become a crucial research topic. In recent years, the integration of remote sensing data, climatic information, and soil properties with machine‑learning algorithms has created new opportunities for estimating crop yields. However, many previous studies have either focused on a single data source or have been conducted at limited spatial and temporal scales. Consequently, a gap still exists in conducting comprehensive and comparative evaluations of models using multi‑source datasets. The aim of this study was to evaluate the capability of different machine-learning algorithms to predict wheat yield using climatic variables and the remotely sensed Normalized Difference Vegetation Index (NDVI), and to assess the generalizability of these models across different spatial and climatic conditions.
Methods: This study was conducted using multi-source data comprising climatic variables and the remotely sensed Normalized Difference Vegetation Index (NDVI). The study covered nine regions in Germany over a 22-year period, thereby enabling the assessment of spatial and temporal variations in wheat yield. The XGBoost, Random Forest, and Ridge Regression algorithms were employed to predict wheat yield. Among the investigated variables, NDVI and vapor pressure deficit (VPD), as an indicator of atmospheric evaporative stress, were identified as important predictors in the model analyses. Model performance was evaluated in terms of predictive accuracy and error using the coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE). The study was designed not only to analyze the data but also to enable a regional comparison between conventional and advanced predictive models.
Findings: The results showed that the XGBoost algorithm outperformed both Random Forest and Ridge Regression in predicting wheat yield. XGBoost was able to reconstruct spatial and temporal yield patterns with lower error and higher explanatory power. The findings also indicated that NDVI and vapor pressure deficit (VPD), as an indicator of atmospheric evaporative stress, were important predictors of wheat yield patterns. Higher model accuracy was observed in more homogeneous and high‑yielding regions, whereas prediction errors increased in areas with greater environmental heterogeneity. Nevertheless, the overall trend demonstrated that machine‑learning techniques—especially gradient‑boosting models—have strong capabilities in capturing the complex relationships between environmental factors and crop yield.
Conclusion: Overall, the findings of this study demonstrate that integrating remote-sensing and climatic data with advanced machine-learning algorithms can provide an effective tool for predicting wheat yield and supporting decision-making in smart agriculture. The superior performance of XGBoost compared with the other models indicates its strong capability to capture the nonlinear and multidimensional relationships inherent in agricultural data. Nevertheless, this study had several limitations, including the lack of farm-management data, such as sowing dates, cultivar types, irrigation levels, and fertilizer application rates, as well as the absence of soil data with sufficient spatial and temporal resolution for inclusion in the final models. Moreover, the use of more complex models may increase the risk of overfitting when data are limited. Therefore, future studies are recommended to employ more comprehensive datasets, hybrid spatiotemporal models, and advanced approaches such as recurrent neural networks and convolutional neural networks. Such approaches could improve predictive accuracy and model generalizability while enhancing the practical application of yield-prediction models in sustainable agricultural management and food-security planning.
کلیدواژه‌ها [English]
Winter Wheat Yield, Remote Sensing, XGBoost, SHAP, NDVI, VPD
مراجع

‎[1] Jabed MA, Murad MAA. Crop yield prediction in agriculture: A comprehensive review of machine learning and deep learning approaches, with insights for future research and sustainability. Heliyon. 2024; 10(24):e40836.

doi: 10.1016/j.heliyon.2024.e40836

‎[2] Van Klompenburg T, Kassahun A, Catal C. Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture. 2020; 177:105709. doi: 10.1016/j.compag.2020.105709

[3] Parashar N, Johri P, Khan A, Gaur N, Kadry S. An integrated analysis of yield prediction models: A comprehensive review of advancements and challenges. Computers, Materials & Continua. 2024; 80(1): 389–425.

doi: 10.32604/cmc.2024.050240

[4] Bouras EH, Jarlan L, Er-Raki S, Balaghi R, Amazirh A, Richard B, et al. Cereal yield forecasting with satellite drought-based indices, weather data and regional climate indices using machine learning in Morocco. Remote Sensing. 2021; 13(16): 3101. doi: 10.3390/rs13163101

[5] Okupska E, Juostas A, Gozdowski D, Wójcik-Gront E. Field-scale prediction of winter wheat yield using satellite-derived NDVI. Agronomy. 2026; 16(6): 670.

doi: 10.3390/agronomy16060670

‎[6] Jewan SYY, Pagay V, Billa L, Tyerman SD, Gautam D, Sparkes D, et al. The feasibility of using a low-cost near-infrared, sensitive, consumer-grade digital camera mounted on a commercial UAV to assess Bambara groundnut yield. International Journal of Remote Sensing. 2022; 43(2): 393–423.

doi: 10.1080/01431161.2021.1974116

[7] Bassine FZ, Epule TE, Kechchour A, Chehbouni A. Recent applications of machine learning, remote sensing, and IoT approaches in yield prediction: A critical review. arXiv [Preprint]. 2023; arXiv:2306.04566.

doi: 10.48550/arXiv.2306.04566

[8] Sharma RK, Kaur J, Feng G, Huang Y, Kumar C, Wang Y, et al. Maize and soybean yield prediction using machine learning methods: A systematic literature review. Discover Agriculture. 2025; 3(1): 64. doi: 10.1007/s44279-025-00215-6

[9] Jhajharia K, Mathur P, Jain S, Nijhawan S. Crop yield prediction using machine learning and deep learning techniques. Procedia Computer Science. 2023; 218: 406–17.

doi: 10.1016/j.procs.2023.01.023

[10] Shawon SM, Ema FB, Mahi AK, Niha FL, Zubair H. Crop yield prediction using machine learning: An extensive and systematic literature review. Smart Agricultural Technology. 2025; 10:100718. doi: 10.1016/j.atech.2024.100718

[11] Oikonomidis A, Catal C, Kassahun A. Deep learning for crop yield prediction: A systematic literature review. New Zealand Journal of Crop and Horticultural Science. 2023; 51(1): 1–26.

doi: 10.1080/01140671.2022.2032213

[12] Wang F, Li J, Zheng J, Chen S, Peng D, Zhang X, et al. Estimating soybean yields using causal inference and deep learning approaches with satellite remote sensing data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2024; 17: 14161–14178.

doi: 10.1109/JSTARS.2024.3435699

[13] Sabo F, Meroni M, Waldner F, Rembold F. Is deeper always better? Evaluating deep learning models for yield forecasting with small data. Environmental Monitoring and Assessment. 2023; 195(10): 1153. doi: 10.1007/s10661-023-11609-8

[14] Paudel D, de Wit A, Boogaard H, Marcos D, Osinga S, Athanasiadis IN. Interpretability of deep learning models for crop yield forecasting. Computers and Electronics in Agriculture. 2023; 206:107663.

doi: 10.1016/j.compag.2023.107663

[15] Ashfaq M, Khan I, Afzal RF, Shah D, Ali S, Tahir M. Enhanced wheat yield prediction through integrated climate and satellite data using advanced AI techniques. Scientific Reports. 2025; 15(1): 18093. doi: 10.1038/s41598-025-02700-w

[16] Srivastava AK, Safaei N, Khaki S, Lopez G, Zeng W, Ewert F, et al. Winter wheat yield prediction using convolutional neural networks from environmental and phenological data. Scientific Reports. 2022; 12(1): 3215. doi: 10.1038/s41598-022-06249-w

[17] Jahan M. Optimization and validation of two machine learning algorithms for accurate prediction of irrigated wheat (Triticum aestivum L.) yield and identification of its influential factors in Khorasan Razavi Province. Iranian Journal of Field Crops Research. 2025; 23(4): 511–543.

doi: 10.22067/jcesc.2025.93323.1395

[18] Li X, Jin H, Eklundh L, Bouras EH, Olsson P-O, Cai Z, et al. Estimation of district-level spring barley yield in southern Sweden using multi-source satellite data and random forest approach. International Journal of Applied Earth Observation and Geoinformation. 2024; 134:104183.

doi: 10.1016/j.jag.2024.104183

[19] Sahu H, Garg PK, Vijay S, Dasgupta A. Predictive drivers and transferability of multi-scale machine learning based crop yield prediction under drought across European and Asian climates. Agricultural Water Management. 2026; 327:110254.

doi: 10.1016/j.agwat.2026.110254

[20] Mohammadi S, Rydgren K, Bakkestuen V, Gillespie MA. Impacts of recent climate change on crop yield can depend on local conditions in climatically diverse regions of Norway. Scientific Reports. 2023; 13(1): 3633.

doi: 10.1038/s41598-023-30813-7

[21] Liaghat A, Dehghani T, Rezaei Rad H, Ahmadpari H. [Estimating grain corn yield based on Landsat 8 satellite images (case study: Shahid Beheshti Agro-Industry lands of Dezful)]. Iranian Journal of Irrigation and Drainage. 2024; 18(3): 433–447. [In Persian]

[22] Sardari Haroonieh A, Homaee M, Norouzi AA. [Evaluation of the FAO AquaCrop model for estimating wheat yield using Landsat satellite data]. Iranian Journal of Irrigation and Drainage. 2021; 15(5): 1212–1225. [In Persian]

[23] Ghorbani M, Teymouri M, Salari Jazi M. [Wheat yield estimation using satellite images in Golestan Province]. Agricultural Meteorology. 2021; 9(1): 38–52. [In Persian]

doi: 10.22125/agmj.2021.266547.1107

[24] Amir Ashayeri E, Rezaverdinejad V, Bahmanesh J, Asadzadeh F, Rahimi M. [Modeling and forecasting rainfed wheat yield based on meteorological variables using combined artificial intelligence methods]. Iranian Journal of Irrigation and Drainage. 2025; 19(2): 243–261. [In Persian]

[25] Taherihajivand A, Shirini K, Samadi Gharehveran S. [An overview of crop yield prediction using artificial intelligence algorithms]. Journal of Agricultural Mechanization. 2024; 9(3): 1–14. [In Persian] doi: 10.22034/jam.2024.61899.1276

[26] Parviz L, Kazemi B, Hatef MA. [Utilizing climatic indices and a multi-criteria decision-making approach in crop yield prediction for agricultural policymaking]. Journal of Drought and Climate Change Research. 2024; 2(3): 49–66. [In Persian]

doi: 10.22077/jdcr.2024.7942.1072

[27] Ansari Ghoujghar M. [Development of a prediction toolbox for strategic wheat yield using machine learning algorithms to reduce food security risks (case study: Alborz Province)]. Iranian Journal of Soil and Water Research. 2022; 53(10): 2277–2294. [In Persian] doi: 10.22059/ijswr.2022.342638.669260

[28] Soltaniyan M, Naderi Khorasgani M, Tadayon A. [Estimation of irrigated wheat (Triticum aestivum L.) yield using remote sensing data (case study: Shahrekord City)]. Journal of Crop Production. 2019; 12(2): 57–72. [In Persian]

doi: 10.22069/ejcp.2019.14029.2066

[29] Mohan RNVJ, Pravallika Sree R, Sree RP. Next-gen agriculture: Integrating AI and XAI for precision crop yield predictions. Frontiers in Plant Science. 2025; 15:1451607.

doi: 10.3389/fpls.2024.1451607

[30] Baatz R. Generalization and feature attribution in machine learning models for crop yield and anomaly prediction in Germany. arXiv [Preprint]. 2025; arXiv:2512.15140.

doi: 10.48550/arXiv.2512.15140

[31] Guimarães N, Fraga H, Sousa JJ, Pádua L, Bento A, Couto P. Comparative evaluation of remote sensing platforms for almond yield prediction. AgriEngineering. 2024; 6(1): 240–258. doi: 10.3390/agriengineering6010015

[32] Ang Y, Shafri HZM, Lee YP, Abidin H, Bakar SA, Hashim SJ, et al. A novel ensemble machine learning and time series approach for oil palm yield prediction using Landsat time series imagery based on NDVI. Geocarto International. 2022; 37(25): 9865–9896. doi: 10.1080/10106049.2022.2025920

[33] Vannoppen A, Gobin A. Estimating yield from NDVI, weather data, and soil water depletion for sugar beet and potato in northern Belgium. Water. 2022; 14(8): 1188.

doi: 10.3390/w14081188

[34] Zhou Q, Ismaeel A. Integration of maximum crop response with machine learning regression model to timely estimate crop yield. Geo-spatial Information Science. 2021; 24(3): 474–483. doi: 10.1080/10095020.2021.1957723

[35] Schils R, Olesen JE, Kersebaum K-C, Rijk B, Oberforster M, Kalyada V, et al. Cereal yield gaps across Europe. European Journal of Agronomy. 2018; 101: 109–120.

doi: 10.1016/j.eja.2018.09.003

[36] Kavipriya J, Vadivu G. Exploring crop yield prediction with remote sensing imagery and AI. In: 2024 International Conference on Advances in Computing, Communication and Applied Informatics (ACCAI); 2024. p. 1–5.

doi: 10.1109/ACCAI61061.2024.10601854

[37] Aslan MF, Sabanci K, Aslan B. Artificial intelligence techniques in crop yield estimation based on Sentinel-2 data: A comprehensive survey. Sustainability. 2024; 16(18): 8277.

doi: 10.3390/su16188277

آمار
تعداد مشاهده مقاله: 91
تعداد دریافت فایل اصل مقاله: 71


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب