ارزيابي كارايي مدل هاي شبكه عصبي مصنوعي در تخمين عملكرد محصول زعفران بر اساس پارمترهاي اقليمي

Performance evaluation of artificial neural network models in estimate production of yield saffron based on climate parameters

زعفران به عنوان با ارزش ترين محصول كشاورزي و دارويي جهان جايگاه ويژه اي در بين محصولات صنعتي و صادراتي ايران دارد. در حال حاضر ايران بزرگترين توليدكننده و صادركننده زعفران در جهان است، بطوريكه بيش از 93/7 درصد توليد جهاني اين محصول گران بها به ايران اختصاص دارد، اما عليرغم قدمت كشت زعفران و ارزش افزوده اين محصول در مقايسه با بسياري از محصولات زراعي رايج در كشور سهم كمتري از فناوري هاي نوين را به آن اختصاص يافته و توليد آن عمدتاً بر دانش بومي متكي بوده است. تحقيق حاضر با هدف توسعه و ارزيابي كارايي مدل شبكه عصبي مصنوعي در محاسبه عملكرد محصول گياه زعفران بر اساس پارامتر هاي اقليمي انجام گرفته است. كاليبراسيون و صحت سنجي مدل ها با استفاده از آمار عملكرد اين محصول و عوامل اقليمي طي سال هاي 68 - 1367 صورت پذيرفت. به-منظور ارزيابي مدل ها از شاخص هاي آماري ضريب همبستگي، ميانگين قدرمطلق خطا و ميانگين مربعات خطا استفاده شد. شبكه عصبي پيشنهادي با ضريب همبستگي 0/95 ميانگين قدر مطلق خطا 0/07 و ميانگين مربعات خطا 0/2 از دقت مناسبي در تخمين عملكرد گياه زعفران داشت. تحليل حساسيت مدل ها نشان داد كه عملكرد محصول بيشترين حساسيت را به عامل بارندگي سپس دما و در نهايت رطوبت دارد. به طور كلي، كاربرد شبكه عصبي انتخابي در اين مقاله مي تواند زمينه ارتقاي عملكرد محصول زعفران را در شرايط اقليمي منطقه مورد مطالعه فراهم نمايد.

Saffron as the most precise agricultural and pharmaceutical product of the world has a specific place in industrial and export products of Iran. Nowadays, Iran is the largest producer and exporter of saffron in world, as up to 65% of production of this valuable commodity belongs to it. Despite the antiquity of saffron cultivation and added value of this product compare to other current corps of Iran, fewer shares of new technologies is dedicated to saffron and its production is mainly based on indigenous knowledge. In this paper multiple models are conducted in order to evaluate and develop the performance of Artificial Neural Network (ANN) to calculate estimate production of yield Saffron based on Climate Parameters. The calibration and evaluation of models are yielded from the statistics of crop yield and climate factors between years 1988–2007. In order to evaluate models the following statistical criterions are used: Correlation Coefficient (CC), Mean Absolute Error (MAE) and Mean Square Error (MSE). The results are permissible and indicate that the proposed ANN has correlation coefficient of 0.8, MAE of 0.69 and MSE of 0.66 in estimating yield Saffron. Sensitivity analysis of models has shown that the yield production has the most dependency with rain factor, then with temperature factor and finally with humidity factor. Finally, the proposed ANN can enhance the yield Saffron production in climate circumstance of associated area.