مدل‌سازی قابلیت زیستگاه برای زعفران با استفاده از رویکردهای مبتنی بر هوش مصنوعی به منظور پشتیبانی از کشت صنعتی پایدار

زعفران یک گیاه دارویی بسیار استراتژیک در ایران است که به تحلیل دقیق قابلیت زیستگاه برای کمک به گسترش مناطق کشت آن نیاز دارد. هدف این مطالعه ایجاد نقشه قابلیت زیستگاه برای زعفران در منطقه، شناسایی عوامل مؤثر بر رشد زعفران و ارزیابی مدل‌های مختلف یادگیری ماشین برای تعیین دقیق‌ترین الگوریتم برای فرآیند مدل‌سازی بود. برای این منظور، 17 لایه از عوامل مهم مؤثر بر رشد زعفران جمع‌آوری و در مدل ادغام شدند.

سه الگوریتم یادگیری ماشین برای فرآیند مدل‌سازی مورد استفاده قرار گرفتند: درخت‌های طبقه‌بندی و رگرسیون (CART)، اسپلاین‌های رگرسیون چندمتغیره تطبیقی (MARS) و تحلیل تشخیصی مخلوط (MDA) که همگی در نرم‌افزار R پیاده‌سازی شدند. ارزیابی اهمیت متغیرها و عملکرد مدل یادگیری ماشین به ترتیب با استفاده از الگوریتم‌های PLS و GLM و منحنی مشخصه عملکرد (ROC) و مساحت زیر منحنی (AUC) انجام شد. نتایج نشان داد که CART، MARS و MDA به دقت بالایی به ترتیب 97.6، 95.1 و 92.6 درصد دست یافتند. این مطالعه چندین عامل حیاتی مؤثر بر رشد زعفران از جمله بارش، شیب و ارتفاع را شناسایی کرد. نقشه‌های قابلیت زیستگاه 44 تا 49 درصد از منطقه مطالعه را به عنوان کلاس‌های قابلیت “بالا” و “بسیار بالا” شناسایی کردند که عمدتاً در مناطق جنوبی و شرقی متمرکز هستند. در مقابل، 22 تا 26 درصد از زمین به عنوان قابلیت “کم” طبقه‌بندی شده است که عمدتاً در بخش مرکزی منطقه مطالعه واقع شده است، در حالی که 25 تا 34 درصد باقی‌مانده به عنوان قابلیت “متوسط” دسته‌بندی شده است.

بر اساس نقشه قابلیت، یک برنامه استراتژیک برای گسترش منطقه کشت در مناطق با قابلیت بالا و اجتناب از مناطق با قابلیت کم تدوین کردیم. ادغام این نقشه‌ها در برنامه‌ریزی کشاورزی منطقه‌ای به ذینفعان امکان می‌دهد تا چالش‌های محیطی را پیش‌بینی کنند، ریسک‌های مالی را به حداقل برسانند و قابلیت اطمینان پیش‌بینی عملکرد را افزایش دهند. این رویکرد همچنین تخصیص کارآمد منابع را تسهیل می‌کند و آزمون و خطا در گسترش کشت به مناطق جدید را به حداقل می‌رساند.

Saffron is a highly strategic medicinal plant in Iran that requires precise habitat suitability analysis to aid expansion of its cultivation areas. The objective of this study was to create a habitat suitability map for saffron in the region, identify the factors that have the most significant influence on saffron growth, and evaluate various machine learning models to determine which algorithm offers the best accuracy for the modeling process. For this purpose, 17 layers of important factors that affect saffron growth were collected and integrated into the model.

Three machine learning algorithms were utilized for the modeling process: Classification and Regression Trees (CART), Multivariate Adaptive Regression Splines (MARS), and Mixture Discriminant Analysis (MDA), all implemented in R software. The evaluation of variable importance and machine learning model performance was conducted using the PLS and GLM algorithms and Receiver Operating Characteristic (ROC)Area Under the Curve (AUC), respectively. The results revealed that CART, MARS, and MDA achieved high accuracies of 97.6, 95.1, and 92.6 %, respectively. This study identified several critical factors affecting saffron growth, including rainfall, slope, and elevation. Habitat suitability maps identified 44–49 % of the study area as “high” and “very high” suitability classes, concentrated mainly in the southern and eastern regions. In contrast, 22–26 % of the land is classified as “low” suitability, predominantly located in the central part of the study area, while the remaining 25–34 % is categorized as “moderate” suitability.

Based on the suitability map, we devised a strategic plan to expand the cultivation area in regions with high suitability and to avoid areas with low suitability. Integrating these maps into regional agricultural planning enables stakeholders to anticipate environmental challenges, minimize financial risks, and enhance the reliability of yield forecasts. This approach also facilitates efficient allocation of resources and minimizes trial and error when extending cultivation to new areas.