The global escalation of water demand has led to significant depletion of water resources, making virtual water content (VWC) and yield assessment crucial for agricultural water management. Traditional calculations heavily rely on pre-determined crop coefficient (Kc) values and extensive datasets, presenting three major challenges: limited data availability in many regions, inaccurate reflection of local conditions through standardized values, and inability to capture spatial–temporal variations in water use patterns. Our study addresses these challenges by developing an innovative machine learning (ML) framework that eliminates Kc dependency while maintaining high prediction accuracy. Our approach combines climate, soil and agronomic variables collected from 81 Turkish provinces (2008–2019) to develop Linear Regression (LR) and Random Forest (RFR) models. Comparative analysis revealed LR’s superior performance, achieving high accuracy (R2 = 0.98) and consistently low error rates (<5 %) in predicting both VWC and wheat yield across diverse geographical regions. Feature importance analysis identified April rainfall and early-season temperatures as the key predictive variables. We also derived simplified equations for VWC and yield predictions, incorporating key inputs. This approach provides a more accessible and precise tool for estimating water consumption in wheat production, particularly valuable in regions with limited data availability.

中文翻译：

---

使用机器学习工具估算小麦的虚拟含水量和产量


全球用水需求的增加导致水资源的严重枯竭，这使得虚拟含水量 （VWC） 和产量评估对农业用水管理至关重要。传统计算严重依赖预先确定的作物系数 （Kc） 值和广泛的数据集，这带来了三大挑战：许多地区的数据可用性有限，通过标准化值无法准确反映当地条件，以及无法捕捉用水模式的时空变化。我们的研究通过开发一种创新的机器学习 （ML） 框架来解决这些挑战，该框架消除了 Kc 依赖性，同时保持了高预测准确性。我们的方法结合了从土耳其 81 个省份（2008-2019 年）收集的气候、土壤和农艺变量，以开发线性回归 （LR） 和随机森林 （RFR） 模型。比较分析显示，LR 的性能卓越，在预测不同地理区域的 VWC 和小麦产量方面实现了高精度 （R2 = 0.98） 和始终如一的低错误率 （<5 %）。特征重要性分析确定 4 月的降雨量和季节早期的温度是关键的预测变量。我们还推导出了 VWC 和产量预测的简化方程，并纳入了关键输入。这种方法为估算小麦生产中的用水量提供了一种更容易获得和精确的工具，在数据可用性有限的地区尤其有价值。