پيش بيني عملكرد زعفران با استفاده از داده هاي هواشناسي به وسيله شبكه عصبي مصنوعي در استان هاي خراسان رضوي و جنوبي

Predicting saffron yield from meteorological data using expert system, Razavi and South Khorasan Provinces

زعفران يكي از مهم ترين محصولات كشاورزي ايران به ويژه در استان هاي خراسان رضوي و جنوبي مي باشد. پيش بيني عملكرد محصولات با استفاده از داده هاي موجود تاثيرات مهمي در مسايل اجتماعي- اقتصادي و تصميم گيري هاي سياسي در مقياس منطقه اي دارد. اخيراً كاربرد شبكه هاي عصبي مصنوعي به عنوان ابزاري قوي كه قادر به محاسبه معادلات پيچيده و تحليل عددي با مناسب ترين تقريب مي باشد در كشاورزي مرسوم شده است. اين پژوهش به منظور سنجش توانايي تكنولوژي شبكه عصبي مصنوعي (ANN)براي پيش بيني عملكرد زعفران (Corcus sativus) براساس اطلاعات روزانه هواشناسي و داده هاي سالانه كشاورزي است. داده هاي هواشناسي مورد استفاده شامل داده هاي 20 ساله ايستگاه هاي سينوپتيك استان و شامل تبخير- تعرق، دما (حداكثر، حداقل)، ميانگين رطوبت نسبي و بارندگي مي-باشد. به اين منظور ابتدا با بهره گيري از نرم افزار wingamma داده ها و پارامترهاي موجود مورد تجزيه و تحليل قرار گرفت و بهترين تركيب هاي ورودي به مدل تعيين گرديد. كارايي مدل چند لايه پرسپترن (MLP) شبكه عصبي، براي پيش بيني عملكرد محصول مورد ارزيابي قرار گرفت. مدل MLPبا استفاده از شاخص هاي آماري مقايسه شد. كه در مدل MLPشبكه عصبي هنگامي كه از داده هاي حداكثر دما، بارندگي، تبخير و تعرق و رطوبت نسبي فصل پاييز و عملكرد سال قبل، به عنوان متغيرهاي مستقل در پيش بيني عملكرد محصول استفاده شد (R2=0.8832 وRMSE = 0.689 kg.ha-1 وMAE= 0560 kg.ha-1) بيشترين كارايي بدست آمد.

Khorasan Province is one of the most important provinces of Iran, especially as regards agricultural product. The prediction of crop yield with available data has important effects on socio-economic and political decisions at the regional scale. Recently, the application of Artificial Neural Network (ANN) has been developed as a powerful tool which enables to solve accurately the most complicated equations and to perform appropriate numerical analysis. This study shows the ability of Artificial Neural Network (ANN) technology for the prediction of saffron (Corcus sativus) yield, based on the available daily weather and yearly agricultural data. Evapotranspiration, temperature (max, min, and dew temperatures), precipitation and daily average relative humidity for 20 years at synoptic stations were the weather data used. The potential of ANN and Multi-Layered Preceptron (MLP) methods were examined to predict saffron yield. The MLP models of Artificial Neural Networks and regression using maximum temperature, precipitation, evapotranspiration and relative humidity of autumn and last year yield, as independent variables in predicting the crop yield (R2=0.8832, RMSE= 0.689 kg.ha-1, MAE= 0.560 kg.ha-1), the most efficiency was achieved.