ABSTRACT Knowledge of the complicated correlation between meteorological variables and crop yield is crucial for food security and agricultural sustainability. This study aimed to investigate how incident solar radiation has affected crop production in the Gadarif region of Sudan over the last 41 years. Using a predictive framework, trends in annual incident solar radiation and temporal variations during sorghum and sesame growing seasons were examined and machine learning (ML) with Extreme Gradient Boosting (XGBoost), Boosted Regression Forest (BRF), and K-Nearest Neighbors (K-NN) was used to predict crop yield. Significant relationships between incident solar radiation indicators and crop yields were identified via detrending approaches and correlation analyses. Results indicate a significant inverse correlation between solar radiation and sorghum yield, and a positive correlation between sesame yield and solar radiation. For both sorghum and sesame yield, K-NN was the most accurate model, demonstrating the significance of incident solar radiation and temperature in predicting crop yield. These findings highlight the potential of ML to improve agricultural forecasting models and inform adaptive agricultural practices in the region. In general, this study provides valuable insights into the dynamic relationship between incident solar radiation and crop yield, emphasizing the importance of considering meteorological factors in agricultural planning and management. sustainability 4 years framework (ML XGBoost, XGBoost , (XGBoost) BRF, BRF (BRF) KNearest K Nearest KNN NN (K-NN analyses model general management (XGBoost (BRF
RESUMO O conhecimento da complicada correlação entre as variáveis meteorológicas e o rendimento das culturas é crucial para a segurança alimentar e a sustentabilidade agrícola. Este estudo está centrado na investigação de como a radiação solar incidente afetou a produção agrícola na região de Gadarif, no Sudão, nos últimos quarenta anos. Usando uma estrutura preditiva, a pesquisa avalia tendências recentes na radiação solar incidente anual, examina variações temporais durante as estações de cultivo de sorgo e gergelim e utiliza técnicas de aprendizado de máquina para prever o rendimento das culturas. Além disso, ML, incluindo Extreme Gradient Boosting (XGBoost), Boosted Regression Forest (BRF) e K-Nearest Neighbours (K-NN), foram empregados para previsão de rendimento. Através de abordagens de redução de tendências e análises de correlação, foram identificadas relações significativas entre os indicadores de radiação solar incidente e o rendimento das culturas. Os resultados indicam uma correlação inversa substancial entre a radiação solar e a produção de sorgo, enquanto a produção de gergelim demonstra uma correlação positiva com a radiação solar. Tanto para o rendimento do sorgo como do gergelim, o K-NN surge como o modelo mais preciso, mostrando a importância da radiação solar incidente e da temperatura na previsão do rendimento das culturas. Estas descobertas destacam o potencial da aprendizagem de máquina para melhorar os modelos de previsão agrícola e informar as práticas agrícolas adaptativas na região. Em geral, este estudo fornece informações valiosas sobre a relação dinâmica entre a radiação solar incidente e o rendimento das culturas, enfatizando a importância de considerar fatores meteorológicos no planeamento e gestão agrícola. Gadarif Sudão anos preditiva anual disso ML XGBoost, XGBoost , (XGBoost) BRF (BRF KNearest K Nearest KNN, KNN NN (K-NN) preciso geral (XGBoost (K-NN