پيشبيني عملكرد ذرت علوفهاي با استفاده از شبكههاي عصبي مصنوعي

Silage maize yield prediction using artificial neural networks

افزايش روزافزون تقاضاي محصولات كشاورزي و افزايش فشار بر منابع آب و خاك از يك سو و مشكلات دستيابي به دادههاي ميداني از سوي ديگر، ضرورت استفاده از مدلهاي مناسب براي پيشبيني عملكرد محصولات كشاورزي را نمايان ميسازد. در اين ميان مدلهاي كامپيوتري امكان بررسي استراتژيهاي مختلف مديريتي را فراهم آوردهاند. هدف اصلي اين پژوهش تعيين حداقل پارامترهاي ورودي مورد نياز براي تعيين عملكرد ذرت علوفهاي به كمك شبكههاي عصبي مصنوعي و نيز كاربرد اين نوع از شبكهها براي پيشبيني عملكرد ذرت علوفهاي در سطوح مختلف آب و كود ،0/ نيتروژني ميباشد. بدين منظور دادههاي آزمايشي مزرعهاي ذرت علوفهاي در چهار سطح آبياري 7 و سه سطح كودي صفر، 150 و 200 كيلوگرم نيتروژن در (ETc) 1 آب مورد نياز گياه / 1 و 13 ،0/85 هكتار مورد استفاده قرار گرفت. نتايج نشان داد زمانيكه حداقل سه پارامتر آب آبياري، كود نيتروژني و درجه روز رشد بهعنوان ورودي به مدل شبكه عصبي مصنوعي معرفي شوند اين مدل قادر به پيشبيني عملكرد ماده خشك ذرت علوفهاي با دقت بالايي ميباشد. بهترين اعتبار سنجي اين مدل، در گام دهم 0 حاصل شد. همچنين نتايج آناليز*حساسيت حاكي از آن / آموزش و با ميانگين مربعات خطاي 0032 9، مهمترين پارامتر موثر بر پيشبيني عملكرد ذرت / بود كه درجه روز رشد با ضريب حساسيت 96 2 قرار ميگيرد. افزودن / علوفهاي ميباشد و پس از آن ميزان آب آبياري با ضريب حساسيت 07 پارامترهاي تشعشع خورشيدي و رطوبت نسبي متوسط به وروديها سبب كاهش ميزان ميانگين مربعات خطا يا بهعبارتي افزايش دقت مدل در روند آموزش شبكه ميشوند.

The increasing demands for agricultural products and pressure on the water and land resources also the problems to generate new data specify the necessity of using suitable models to predict the performance of agricultural products. In this situation, computer models provide the possibility to investigate different management strategies. The objectives of this study were to determine the least important computer input parameters which affecting the silage maize yield using artificial neural networks in different levels of water and nitrogen applications. The experiments included four irrigation levels (0.7, 0.85, 1.0, and 1.13 of crop evapotranspiration, ETc) and three nitrogen fertilization levels (0, 150, and 200 kg N ha-1). The results of artificial neural network analysis showed that when at least three parameters of irrigation, fertilizer and growing degree days (GDD) were introduced as the input of ANN, the model could predict the performance of silage maize with high accuracy. The best validation performance of the model was at step 10 with mean square error of 0.0032. Also the results of sensitivity analysis indicate that the growing degree days with the coefficient of sensitivity of 9.96 is the most important parameter for predicting of silage maize performance and after that is the amount of irrigation with the sensitivity coefficient of 2.07. The results showed that adding the solar radiation and average relative humidity to the input parameter cause reduction in MSE and increasing the accuracy of the model in the process network training.