دانشگاه تهران مهندسی بیوسیستم ایران 2008-4803 56 2 2025 08 23 Investigating energy consumption and economic indicators of rose production using machine learning: A case study of Damghan County تحلیل انرژی و اقتصادی تولید گل محمدی با بهره‌گیری از یادگیری ماشین: مطالعه موردی شهرستان دامغان 13 30 103768 10.22059/ijbse.2025.393681.665595 FA سیدامید داودالموسوی گروه مهندسی مکانیک ماشین‌های کشاورزی، دانشکده کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران فرزانه بهادری مرکز تحقیقات کشاورزی و آموزش کشاورزی و منابع طبیعی استان سمنان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سمنان، ایران شاهین رفیعی گروه مهندسی مکانیک ماشین‌های کشاورزی، دانشکده کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران Journal Article 2025 04 23 This study aimed to analyze the energy and economic aspects of rose production in Damghan County and model the optimal use of inputs using machine learning algorithms. The required data were collected through questionnaires and interviews. The results showed that the total energy consumed in rose production was 43,438 megajoules per hectare, with electricity accounting for 79.6 percent of the energy consumption. The energy efficiency index was 0.02 kg/megajoule, which indicates a significant energy loss in the production system. On the other hand, the economic analysis indicated a net profit of 44.395 million tomans per hectare and a benefit-to-cost ratio of 2.07, which indicates the appropriate economic justification for rose production despite high energy consumption. Gradient Booster (GBR), Enhanced Gradient Booster (XGBR), and Random Forest (RFR) algorithms were used to model and predict energy consumption and costs. The results showed that the GBR model with a coefficient of determination (R2) of 0.99 and a minimum error of 251.97 has the best performance in predicting energy and costs. Also, sensitivity analysis using the SHAP method revealed that animal manure and electricity have the greatest impact on energy consumption, while water management and chemical fertilizers play a key role in economic profitability. The results showed that optimizing energy consumption in rose production is possible by reducing electricity and fertilizer consumption, and the use of machine learning is also suggested as an efficient tool in predicting and managing agricultural inputs. این مطالعه باهدف تحلیل انرژی و اقتصادی تولید گل محمدی در شهرستان دامغان و مدل‌سازی مصرف بهینه نهاده‌ها با استفاده از الگوریتم‌های یادگیری ماشین انجام شد. داده‌های موردنیاز از طریق پرسش‌نامه و مصاحبه جمع‌آوری شد. نتایج نشان داد که کل انرژی مصرفی در تولید گل محمدی 43438 مگاژول بر هکتار است که برق با 6/79 درصد بیشترین سهم را در مصرف انرژی داشتند. شاخص‌ بهره‌وری انرژی 02/0 کیلوگرم بر مگاژول  به دست آمد که نشان‌دهنده اتلاف انرژی قابل‌توجه در نظام تولیدی است. از سوی دیگر، تحلیل اقتصادی حاکی از سود خالص 395/44 میلیون تومان در هکتار و نسبت فایده به هزینه 07/2 بود که بیانگر توجیه اقتصادی مناسب تولید گل محمدی علی‌رغم مصرف انرژی بالا است .برای مدل‌سازی و پیش‌بینی مصرف انرژی و هزینه‌ها، از الگوریتم‌های تقویت‌کننده گرادیان (GBR)، تقویت‌کننده گرادیان پیشرفته (XGBR) و جنگل تصادفی (RFR) استفاده شد. نتایج نشان داد که مدل GBR با ضریب تبیین (R2) 99/0 و خطای حداقل برابر با 97/251 بهترین عملکرد را در پیش‌بینی انرژی و هزینه‌ها دارد. همچنین، تحلیل حساسیت با روش  SHAPمشخص کرد که کود حیوانی و برق بیشترین تأثیر را بر مصرف انرژی دارند، درحالی‌که مدیریت آب و کودهای شیمیایی نقش کلیدی در سودآوری اقتصادی ایفا می‌کنند .نتایج نشان داد که بهینه‌سازی مصرف انرژی در تولید گل محمدی از طریق کاهش مصرف برق و کودها امکان‌پذیر است و استفاده از یادگیری ماشین نیز به‌عنوان یک ابزار کارآمد در پیش‌بینی و مدیریت نهاده‌های کشاورزی پیشنهاد می‌شود. https://ijbse.ut.ac.ir/article_103768_7288731dfc2ae82c12e76480fe625545.pdf