طبقه‌بندي اقليمي و تعيين مناطق مستعد كشت زعفران با استفاده از الگوريتم‌هاي داده‌كاوي در سطح استان خراسان رضوي

Climatic zonation and land suitability determination for saffron in Khorasan-Razavi province using data mining algorithms

پيش­بيني عملكرد محصولات كشاورزي، نقش مهمي در برنامه­ريزي صادرات، واردات، خريد تضميني، قيمت­گذاري، سود مطمئن و افزايش بهره­وري كشاورزي دارد. عملكرد محصولات، تابع پارامترهاي متعددي از جمله اقليم است. در اين تحقيق، عملكرد زعفران در استان خراسان رضوي توسط الگوريتم‌هاي طبقه­بندي شامل شبكه­هاي عصبي مصنوعي، مدل‌هاي رگرسيوني، درخت خطي محلي، درخت تصميم، آناليز تشخيص، جنگل تصادفي، ماشين بردار پشتيبان و آناليز نزديك‌ترين همسايه با استفاده از 11 پارامتر اقليمي طي دوره 20 ساله زراعي (88-1368) ارزيابي شد. نتايج نشان داد كه تعداد كمي از پارامترهاي اقليمي، بر عملكرد زعفران تأثير دارند. پارامترهاي دماي حداقل، ميانگين و حداكثر و بارش به ترتيب بيشترين همبستگي مثبت و پارامترهاي رطوبت مطلق حداكثر، رطوبت نسبي ساعت 6:30، ساعات آفتابي، رطوبت نسبي ساعت 18:30، تبخير، رطوبت نسبي ساعت 12:30 و رطوبت مطلق حداقل نيز به­ترتيب بيشترين همبستگي منفي را با مناطق كشت زعفران داشتند. همچنين در طبقه­بندي مناطق كشت زعفران، آناليز تشخيص و ماشين بردار پشتيبان، از دقت بالاتري برخوردار بودند. بين مناطق كشت زعفران و ميزان عملكرد محصول همبستگي نسبتاً مناسبي با ضريب همبستگي 38/0 به‌دست آمد. بين مناطق كشت و پارامترهاي اقليمي همبستگي بالايي برخوردار است و آناليز نزديك‌ترين همسايه با ضرايب تعيين برابر 1 و 94/0 در مراحل آموزش و آزمون، با دقت بالايي مناطق كشت را طبقه­بندي نمايد، اما در پيش­بيني ميزان عملكرد محصول بر اساس پارامترهاي اقليمي، دقت مدل­ها نسبتاً پايين بود (متوسط ضريب تعيين برابر 48/0 و 05/0 در مراحل آموزش و آزمون) و آناليز نزديك‌ترين همسايه، بالاترين دقت پيش­بيني را در مراحل آموزش و آزمون (به ترتيب ضريب تعيين برابر 1 و 17/0) نشان داد. طبق يافته­هاي تحقيق، مي­توان با استفاده از پارامترهاي اقليمي و الگوريتم­هاي داده­كاوي، به‌طور مناسب اقدام به تفكيك مناطق كشت نمود و با شناسايي مناطقي كه اقليم آن‌ها مشابه مناطق با ميزان عملكرد بالا است، مناطق مستعد كشت زعفران را شناسايي نمود.

Yield prediction for agricultural crops plays an important role in export-import planning, purchase guarantees, pricing, secure profits and increasing in agricultural productivity. Crop yield is affected by several parameters especially climate. In this study, the saffron yield in the Khorasan-Razavi province was evaluated by different classification algorithms including artificial neural networks, regression models, local linear trees, decision trees, discriminant analysis, random forest, support vector machine and nearest neighbor analysis. These algorithms analyzed data for 20 years (1989-2009) including 11 climatological parameters. The results showed that a few numbers of climatological parameters affect the saffron yield. The minimum, mean and maximum of temperature, had the highest positive correlations and the relative humidity of 6.5h, sunny hours, relative humidity of 18.5h, evaporation, relative humidity of 12.5h and absolute humidity had the highest negative correlations with saffron cultivation areas, respectively. In addition, in classification of saffron cultivation areas, the discriminant analysis and support vector machine had higher accuracies. The correlation between saffron cultivation area and saffron yield values was relatively high (r=0.38). The nearest neighbor analysis had the best prediction accuracy for classification of cultivation areas. For this algorithm the coefficients of determination were 1 and 0.944 for training and testing stages, respectively. However, the algorithms accuracy for prediction of crop yield from climatological parameters was low (the average coefficients of determination equal to 0.48 and 0.05 for training and testing stages). The best algorithm i.e. nearest neighbor analysis had coefficients of determination equal to 1 and 0.177 for saffron yield prediction. Results showed that, using climatological parameters and data mining algorithms can classify cultivation areas. By this way it is possible to identify areas that have similar climate to prone areas and recognize suitable areas for cultivation.