پيش‌بيني مقدار گل و كلاله زعفران براساس خصوصيات فيزيكي و شيميايي آب و خاك با استفاده از مدل‌هاي رگرسيوني چند متغيره خطي و درخت تصميم M5

Prediction of Saffron Flower and Stigma Yield Based on the Physical and Chemical Properties of Water and Soil Using Linear Multivariate Regression Models and M5 Decision Tree

رشد مهيج علوم وفنون مختلف و پيچيده ­تر شدن تصميم ­گيري­ ها در دهه­ هاي اخير، سر فصل ­هاي تازه­اي را براي بشريت رقم زده تا با استفاده از سيستم­ هاي اطلاعاتي و هوش مصنوعي، با دقت و سرعت بيشتري كارهاي خود را انجام داده و براي پيش‌بيني و محاسبات وقت‌گير علمي و فني خود راه‌كاري ارائه دهد. اين تحقيق به منظور ارزيابي برآيند پيش‌بيني دو مدل رگرسيون گام به گام و مدل درخت تصميم M5 تحت تاثير خصوصيات مختلف آب و خاك بر عملكرد گل و كلاله زعفران در سال1397 در مزارع زعفران­كاري سبزوار (واقع در طول جغرافيايي "57.43" عرض جغرافيايي "36.12") و در آزمايشگاه دانشكده توليدگياهي دانشگاه منابع طبيعي و كشاورزي گرگان انجام شد. در فروردين ماه پس از پايان فصل رشد زعفران از 69 مزرعه زعفران­كاري شده نمونه خاك از عمق صفر تا 30 سانتي­متري و 12 نمونه آب آبياري اين مزارع تهيه و جمع‌آوري شده و جهت انجام آزمايشات خاك و اندازه‌گيري خصوصيات فيزيك و شيميايي نمونه‌هاي خاك، 13 پارامتر از جمله pH، اسيديته، درصد اجزاء خاك، عناصر خاك و .... همچنين برخي از پارامترهاي آب، 4 پارامتر، مانند اسيديته، بي‌كربنات و ....، به آزمايشگاه منتقل شد. گل‌ها در زمان ظهور گل از سطح مناطق مشخص شده مزارع جمع‌آوري شده و اندازه‌گيري‌هاي مورد نظر انجام شد. نتايج نشان داد با توجه به صرف وقت و هزينه­ هاي بالاي آزمايشات آب و خاك، مدل درخت تصميم M5، از دقت و سرعت بيشتري و هزينه كمتري نسبت به مدل رگرسيون، برخوردار است. بطوري كه در برآيند پيش‌بيني مدل رگرسيوني گام به گام، در ايده‌آل­ترين حالت و ورود تمامي پارامترهاي اندازه گيري شده، وزن كلاله خشك و وزن گل به ترتيب با همبستگي­هاي 70 و 74 درصد و مقدار خطا برابر 0.23=RMSE و 16.38=RMSE پيش ­بيني شد. در حالي كه مدل درخت تصميم M5 با وارد كردن پارامترهاي كمتري از توانمندي بالايي در جهت پيش­بيني وزن گل و وزن كلاله خشك برخوردار بود. به‌طوري‌كه وزن كلاله خشك و وزن گل را با 90 درصد همبستگي و مقدار خطاي برابر با 0.12=RMSE و 9.4=RMSE در انتهاي مدل­سازي، براي منطقه مورد مطالعه برآورد كرد. بنابراين، روش درخت تصميم M5 در ارزيابي و پيش‌بيني عوامل مختلف بر عملكرد زعفران توصيه مي ­شود.

The exciting growth of various sciences and technologies and the complexity of decision-making in recent decades, have marked new ways for humanity to use information systems and artificial intelligence, accurately and quickly and provide a solution for its time-consuming scientific and technical predictions and calculations. This study was conducted to evaluate the predictive outcome of two stepwise regression models and the M5 decision tree model under the influence of different water and soil properties on saffron flower and stigma yield in 2019 in Sabzevar saffron fields (located at longitude "57.43" Latitude "36.12") and was performed in the laboratory of the Faculty of Plant Production of Gorgan University of Agriculture Sciences and Natural Resources. In April, after the end of the saffron growing season, soil samples from a depth of zero to 30 cm and 12 irrigation water samples from 69 saffron farms were prepared and transferred to the laboratory to analysis and measuring the physical and chemical properties of soil samples. Around 13 parameters including pH, acidity, and percentage of soil components, soil elements, etc. and acidity, bicarbonate, etc. were measured in soil and water samples, respectively. Flowers were collected at the time of flower emergence from the specified areas of the fields and the desired measurements were made. The results showed that, as the soil and water analysis is relatively expensive, the M5 decision tree model has more accuracy due to the speed and lower cost than the regression model. So that, in the result of predicting the stepwise regression model, in the most ideal case and entering all the measured parameters, dry stigma weight and flower weight with correlations of 70 and 74%, respectively, and the error value is 0.23 RMSE and RMSE 16.38 were predicted. While the M5 decision tree model with lower parameters had a high capability to predict flower weight and dry stigma weight. It estimated the weight of dry stigma and flower weight with 90% correlation and error value equal to RMSE = 0.12 and RMSE = 9.4 at the end of modeling for the study area. Therefore, the M5 decision tree method is recommended in evaluating and predicting various factors on saffron yield.