پیش‌بینی دقیق عملکرد نیشکر نقشی اساسی در بهبود مدیریت مزارع و ارتقای پایداری زنجیره تأمین دارد. در این پژوهش، چارچوبی برای پیش‌بینی عملکرد نیشکر در مزارع کشت و صنعت دهخدا (استان خوزستان) ارائه شد که مبتنی بر ادغام داده‌های ماهواره‌ای و اطلاعات زراعی است. داده‌های مورد استفاده شامل ۲۴۱۷ رکورد از سال‌های زراعی ۱۳۹۶ تا ۱۴۰۳ بود که از سوابق مدیریتی مزرعه و تصاویر ماهواره‌ای سنتینل۲ شامل شاخص‌های گیاهی NDVI و EVI استخراج شد. در گام نخست، مزارع با استفاده از الگوریتم K میانگین و بر اساس ویژگی‌های مدیریتی و عملکردی به چهار گروه متمایز خوشه‌بندی شدند. سپس برای بهبود دقت مدل، مجموعه‌ای از ویژگی‌های مهندسی‌شده مانند بهره‌وری آب و بهره‌وری کود تعریف گردید. در ادامه، دو مدل یادگیری ماشین شامل جنگل تصادفی و گرادیان بوستینگ برای پیش‌بینی عملکرد نهایی آموزش داده شد. برای ارزیابی مدل‌ها، ۸۰ درصد داده‌ها برای آموزش و ۲۰ درصد برای آزمون مستقل در نظر گرفته شد و همچنین از اعتبارسنجی متقابل پنج‌لایه به‌منظور افزایش پایداری و عمومیت‌پذیری استفاده شد. نتایج نشان داد مدل گرادیان بوستینگ بهترین عملکرد را ارائه کرده و به ضریب تعیین 9924/0و ریشه میانگین مربعات خطا برابر 88/1 تن در هکتار دست یافته است. علاوه‌براین، تحلیل اهمیت ویژگی‌ها نشان داد بهره‌وری آب با سهم ۸۷ درصد، اثرگذارترین عامل در پیش‌بینی عملکرد است. در مجموع، یافته‌ها تأیید می‌کنند که ترکیب داده‌های مدیریتی و ماهواره‌ای همراه با مهندسی ویژگی می‌تواند ابزاری دقیق و کارآمد برای پشتیبانی از تصمیم‌گیری‌های مکانی و مدیریت منابع در کشاورزی دقیق باشد.