تعیین محرک‌های کلیدی زراعی و محیطی مؤثر بر عملکرد و کیفیت زعفران (Crocus sativus L.) با استفاده از رگرسیون LASSO

زعفران یکی از محصولات با ارزش و دارای اهمیت استراتژیک و اقتصادی در ایران، به ویژه در مناطق نیمه‌خشک است. بهره‌وری و کیفیت آن تحت تأثیر برهم‌کنش‌های پیچیده عوامل زراعی، محیطی و مدیریتی قرار دارد. این مطالعه با هدف شناسایی و تحلیل تعیین‌کننده‌های کلیدی عملکرد زعفران (عملکرد کلاله در هکتار و به ازای هر کیلوگرم گل تر) و شاخص‌های کیفیت (کروسین، پیکروکروسین و سافرانال) با استفاده از رویکرد داده‌محور انجام شد. در سال ۲۰۲۳، داده‌ها از ۹۹ مزرعه زعفران در هشت شهرستان استان خراسان رضوی جمع‌آوری شد که شامل ۷۵ متغیر ثبت‌کننده اقلیم، خاک، شیوه‌های مدیریتی و جمعیت‌شناختی زارعان بود. رگرسیون LASSO با اعتبارسنجی متقاطع ۱۰ لایه برای انتخاب متغیر و تحلیل پیش‌بینی به کار گرفته شد. نتایج نشان داد که عملکرد کلاله در هکتار عمدتاً تحت تأثیر میزان بنه کاشته شده، کود آلی، وزن بنه و سطح مزرعه قرار دارد با R² = 0.63 و RMSE = 3.75 کیلوگرم در هکتار. برای عملکرد کلاله به ازای هر کیلوگرم گل تر، کود فسفره، وزن بنه و تراکم کاشت قوی‌ترین پیش‌بینی‌کننده‌های مثبت بودند با R² = 0.70 و RMSE = 0.69 گرم بر کیلوگرم. اثرات مثبت متوسطی برای کود آلی و دفعات آبیاری مشاهده شد، در حالی که اثرات درجه دوم پاسخ‌های آستانه‌ای را برای اندازه بنه و آبیاری نشان دادند. برای صفات کیفی، فسفر قوی‌ترین پیش‌بینی‌کننده مثبت کروسین (β = 18.3) و پیکروکروسین (β = 3.97) بود، در حالی که ارتفاع و دفعات محلول‌پاشی تأثیر منفی بر پیکروکروسین و سافرانال داشتند. اثرات کودهای نیتروژن و گوگرد جزئی و غیرخطی بود. مدل‌های ساده‌شده دقت پیش‌بینی را حفظ کردند (R² = 0.70) که کاربرد عملی را بهبود می‌بخشد. این یافته‌ها اهمیت مدیریت ویژه مکان برای فسفر، پایش کیفیت بنه و آبیاری بهینه را برای افزایش عملکرد و کیفیت زعفران برجسته می‌کند. رگرسیون LASSO به طور مؤثر متغیرهای تأثیرگذار را شناسایی کرد و از کشاورزی دقیق و ابزارهای پشتیبانی تصمیم برای تولید پایدار زعفران در شرایط نیمه‌خشک حمایت می‌کند.

Saffron is a high-value crop of strategic and economic importance in Iran, particularly in semi-arid regions. Its productivity and quality are influenced by complex interactions among agronomic, environmental, and management factors. This study aimed to identify and analyze the key determinants of saffron yield (stigma yield per hectare and per kilogram of fresh flowers) and quality indices (crocin, picrocrocin, and safranal) using a data-driven approach. In 2023, data were collected from 99 saffron farms across eight counties in Razavi Khorasan Province, encompassing 75 variables that recorded climate, soil, management practices, and farmer demographics. Least Absolute Shrinkage and Selection Operator (LASSO) regression with 10-fold cross-validation was applied for variable selection and predictive analysis. Results indicated that stigma yield per hectare was primarily influenced by corm planting rate, organic fertilizer, corm weight, and field area, achieving R² = 0.63 and RMSE = 3.75 kg.ha⁻¹. For stigma yield per kilogram of fresh flowers, phosphorus fertilization, corm weight, and planting density were the strongest positive predictors, with R² = 0.70 and RMSE = 0.69 g.kg⁻¹. Moderate positive effects were observed for organic fertilizer and irrigation frequency, while quadratic effects suggested threshold responses for corm size and irrigation. For quality traits, phosphorus was the dominant positive predictor of crocin (β = 18.3) and picrocrocin (β = 3.97), whereas altitude and foliar spray frequency negatively affected picrocrocin and safranal. The effects of nitrogen and sulfur fertilizers were minor and nonlinear. Simplified models retained predictive accuracy (R² = 0.70), improving practical applicability. These findings highlight the importance of site-specific phosphorus management, corm quality monitoring, and optimized irrigation for enhancing saffron yield and quality. LASSO regression effectively identified influential variables, supporting precision agriculture and decision-support tools for sustainable saffron production under semi-arid conditions.