دانشگاه تهران مهندسی بیوسیستم ایران 2008-4803 56 4 2025 12 22 Predicting Sugarcane Yield Using Sentinel-2 Vegetation Indices, K-Means Clustering, and K-Nearest Neighbors (KNN) Regression پیش‌بینی عملکرد نیشکر با استفاده از شاخص‌های پوشش‌های گیاهی ماهواره‌ای سنتینل2 و الگوریتم‌های خوشه بندی K-MEANS و رگرسیون KNN 91 105 105374 10.22059/ijbse.2025.403177.665620 FA فریال جادری گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران نسیم منجزی گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران 0000-0001-8229-7706 Journal Article 2025 09 27 Accurate prediction of the yield of strategic crops such as sugarcane plays a key role in optimal resource management and ensuring food security. The main objective of this study is to develop a robust and interpretable model based on the K-Nearest Neighbors (KNN) regression algorithm to predict sugarcane yield prior to harvest. To this end, Sentinel-2 satellite imagery was integrated with engineered agronomic features, including indicators of water and fertilizer use efficiency. In addition, the K-means clustering algorithm was employed to partition fields into homogeneous groups, enabling the KNN model to better capture spatial heterogeneity and improve prediction accuracy. Key vegetation indices were extracted from Sentinel-2 time-series imagery, and engineered features were generated to enrich the dataset. The proposed model achieved a coefficient of determination (R²) of 0.8706 and a root mean square error (RMSE) of 7.80 t ha⁻¹ on the test dataset. Feature importance analysis revealed that the engineered variables—particularly water productivity—were among the main predictors of yield. The results demonstrate that integrating satellite data with a simple yet effective KNN model provides a transparent and practical tool to support decision-making in precision agriculture. پیش‌بینی دقیق عملکرد محصولات استراتژیک مانند نیشکر، نقشی کلیدی در مدیریت بهینه منابع و تضمین امنیت غذایی دارد. هدف اصلی این پژوهش، توسعه مدلی مقاوم و قابل تفسیر بر پایه الگوریتم رگرسیون K-نزدیک‌ترین همسایه (KNN)  برای پیش‌بینی عملکرد نیشکر پیش از برداشت است. در این راستا، تصاویر ماهواره‌ای سنتینل۲ با ویژگی‌های زراعی مهندسی‌شده، شامل شاخص‌های کارایی مصرف آب و کود، تلفیق شدند. افزون بر این، الگوریتم خوشه‌بندی K-میانگین برای تقسیم مزارع به گروه‌های همگن به‌کار رفت تا مدل KNN بتواند ناهمگنی فضایی را بهتر درک کند و دقت پیش‌بینی را افزایش دهد. شاخص‌های کلیدی پوشش گیاهی از تصاویر سری زمانی سنتینل۲ استخراج و ویژگی‌های مهندسی‌شده برای غنی‌سازی داده‌ها ایجاد شدند. مدل پیشنهادی در مجموعه آزمون به ضریب تبیین  (R²) برابر با 8706/0 و جذر میانگین مربعات خطا  (RMSE) معادل 80/7 تن در هکتار دست یافت. تحلیل اهمیت ویژگی‌ها نشان داد که متغیرهای مهندسی‌شده، به‌ویژه بهره‌وری آب، از پیش‌بینی‌کننده‌های اصلی عملکرد هستند. نتایج این پژوهش نشان می‌دهد که تلفیق داده‌های ماهواره‌ای با مدل KNN ساده اما اثربخش، ابزاری شفاف و عملی برای پشتیبانی تصمیم‌گیری در کشاورزی دقیق فراهم می‌آورد. https://ijbse.ut.ac.ir/article_105374_6a1a1f09efd311909b5b4e8e8723648e.pdf