پيش بيني عملكرد و كارآيي مصرف آب زعفران با استفاده از مدل هاي شبكه عصبي مصنوعي بر مبناي فاكتورهاي اقليمي و آب

Predicting Yield and Water Use Efficiency in Saffron Using Models of Artificial Neural Network Based on Climate Factors and Water

با پديد آمدن تكنيك هاي آماري قوي و شبكه هاي عصبي، مدل هاي پيش‌بيني كننده عملكرد محصولات زراعي به‌سرعت رو به توسعه است. بدين منظور آزمايشي در منطقه تربت‌حيدريه با هدف پيش‌بيني عملكرد و كارآيي مصرف آب زعفران با استفاده از مدل شبكه عصبي مصنوعي انجام گرفت. واسنجي و اعتباريابي مدل ها نيز با استفاده از آمار عملكرد محصول و پارامترهاي اقليمي سال 91-1390 صورت پذيرفت. ارزيابي مدل ها نيز با شاخص هاي آماري ضريب تبيين (R2)، جذر ميانگين مربعات خطا نرمال شده (RMSEn) و ميانگين مربعات خطا (MSE) انجام شد. نتايج تحقيق نشان داد كه شبكه عصبي پيشنهادي (مدل شماره 9) با داشتن 2 لايه پنهان، 8 نورون و ضريب تبيين 97/0 براي عملكرد و 1 لايه پنهان، 7 نورون و ضريب تبيين 90/0 براي كارآيي مصرف آب، برازش خوبي براي اين دو صفت داشت. همچنين مطابق با شاخص هاي آماري RMSEn و MSE در مدل پيشنهادي (مدل شماره 9) كه به ترتيب برابر بود با 78/2 درصد و 0040/0 براي عملكرد و 41/5 درصد و 0073/0 براي كارآيي مصرف آب، بالاترين دقت براي پيش‌بيني صفات فوق مشاهده شد. تحليل حساسيت مدل ها نيز نشان داد كه عملكرد و كارآيي مصرف آب محصول زعفران، بيشترين حساسيت را به عامل آبياري، سپس بارندگي و درنهايت ساعات آفتابي دارد. به‌طوركلي، كاربرد شبكه عصبي پيشنهادي در اين تحقيق مي تواند زمينه ارتقا محصول زعفران را در منطقه تربت فراهم نمايد.

The predicted models for crops yield are developing rapidly by the creation of new statistical techniques and neural networks. For this purpose, a research was carried out in the Torbat-e-Heydarieh region for predicting yield and water use efficiency of saffron by using an artificial neural network model. The model was calibrated and validated by using crop yield and climate parameters data during 2009-2010. The models were evaluated by using indices of correlation coefficient (R2), root mean squares error normalized (RMSEn), and mean squares error (MSE). The results showed that the suggested neural network (model No. 9) with having 2 hidden layers, 8 neurons, and R2= 0.97 (for saffron yield); and 1 hidden layer, 7 neurons, and R2= 0.90 (for water use efficiency) had a high accommodation with these two factors. Also, according to the indices RMSEn and MSE, model No. 9 simulated the yield and WUE of saffron with a high accuracy, such that RMSEn and MSE for yield in this model obtained were 2.78% and 0.0041, respectively; and for WUE they were calculated to be 5.41% and 0.0073, respectively. Also, the results of sensitivity analysis indicated that irrigation is the most important parameter for predicting yield and WUE, and after that is precipitation and solar radiation. Generally, use of the suggested neural network in this research can improve saffron cultivation in the Torbat-e-Heydarieh region.