مقايسه و ارزيابي الگوريتم‌هاي LM، BR و GD شبكه عصبي مصنوعي در برآورد عملكرد گندم ديم براساس پارامترهاي هواشناسي (مطالعه موردي: استان كرمانشاه)

به منظور برنامه‌ريزي و سياست‌گذاري صحيح در بخش كشاورزي از نقطه نظر استفاده پايدار از منابع آب و تأمين امنيت غذايي و خودكفايي در توليد محصولات استراتژيكي همچون گندم، ضروري است پيش‌بيني دقيقي از عملكرد گندم ديم انجام پذيرد. در سال‌هاي اخير استفاده از روش‌هاي هوش مصنوعي براي اين منظور مورد توجه محققين قرار گرفته است. در اين تحقيق عملكرد سه الگوريتم BR، GD و LM شبكه عصبي مصنوعي در برآورد عملكرد گندم ديم مورد ارزيابي و مقايسه قرار گرفت. داده‌هاي هواشناسي مربوط به 10 ايستگاه هواشناسي واقع در استان كرمانشاه (1398-1384) به عنوان داده‌هاي ورودي مورد نياز مدل‌ها استفاده شد. پس از تعيين هم‌بستگي‌ها بين پارامتر‌هاي هواشناسي و ميزان عملكرد گندم ديم، متغيرهاي رطوبت نسبي و بارش تحت سه سناريو شامل تركيب‌هاي مختلف از داده‌هاي ورودي انتخاب و مدل‌هاي مذكور براي هر كدام اجرا شد. مقايسه مقادير تخميني و مشاهداتي عملكرد گندم ديم نشان‌دهنده عملكرد قابل قبول هر سه مدل بود؛ براي مرحله آزمون مقادير R2 براي بهترين تركيب داده ورودي در سه الگوريتم BR، GD و LM به ترتيب 85/۰، 0.64 و 74/۰ و مقادير RMSE نيز به ترتيب 0.09، 0.16 و 0.18 تن بر هكتار بود. مقايسه نتايج تركيب‌هاي مختلف داده ورودي نشان داد كه پارامتر بارش داراي بيش‌ترين اهميت در تخمين عملكرد گندم ديم مي‌باشد، با اين وجود استفاده از داده‌هاي بارش و رطوبت نسبي بصورت همزمان تحت سناريوي سوم به عنوان داده‌هاي ورودي مدل ها منجر به بيش‌ترين دقت مي‌گردد. در نهايت شبكه تحت الگوريتم BR با تركيب ورودي‌هاي بارش و رطوبت نسبي با مقادير R2 و RMSE براي مرحله آزمون به ترتيب برابر 0.85 و 0.09 تن بر هكتار، به عنوان مدل بهينه در تخمين عملكرد گندم ديم نسبت به ساير الگوريتم‌ها و تركيبات ورودي شناخته شد.