پيش بيني عملكرد زعفران با استفاده از روش هاي داده كاوي و تعيين پارامترهاي اقليمي موثر بر آن در سطح استان خراسان رضوي

Forecasting Saffron Yield Using Data Mining and Determining Climatic Parameters Influencing its Yield in the Province of Khorasan Razavi

پيش بيني عملكرد ساليانه گران بهاترين محصول جهان به دليل نقش قابل توجه در وضعيت اقتصادي و اجتماعي مناطق خشك و نيمه-خشك و همچنين ارزآوري، از جايگاه ويژه اي برخوردار است. هدف اصلي اين تحقيق، پيش بيني عملكرد ساليانه زعفران و تعيين نواحي مستعد كشت بر اساس پارامترهاي اقليمي و تعيين پارامترهاي اقليمي موثر بر عملكرد زعفران در سطح استان خراسان رضوي با استفاده از روش هاي داده كاوي مي باشد. نتايج نشان داد كه با افزايش دماي ميانگين ماه هاي سرد و كاهش دماي ميانگين ماه هاي گرم سال، ميزان عملكرد افزايش مي يابد. افزايش ميزان بارش و ساعات آفتابي در طول فصل رشد، ميزان عملكرد را افزايش داد. بيشترين و كمترين همبستگي منفي عملكرد زعفران به ترتيب با دماهاي حداكثر فروردين و ارديبهشت و بيشترين و كمترين همبستگي مثبت با دماي حداكثر ماه بهمن و دماي حداقل فصل زمستان به دست آمد. نتايج نشان داد كه روش هاي مختلف داده كاوي مناطق مستعد كشت را بهتر از عملكرد ساليانه پيش بيني مي نمايند، در بين مدل هاي به كار رفته، روش هاي ماشين بردار پشتيبان خطي، توابع شعاعي پايه و تحليل مميزي به ترتيب با ضريب تبيين 95/0، 93/0 و 84/0، مناطق مستعد كشت را بهتر از ساير مدل ها پيش بيني نمودند، ضمن آنكه بين منطقه و ميزان عملكرد همبستگي خوبي به دست آمد.

Saffron is the worldʹs most expensive plant and plays a significiant role in economic and social conditions in arid and semi-arid areas, thus annual yield prediction of saffron is very important. In this study, the prediction of saffron annual yield and identification of suitable areas of culture based on climatic parameters and climatic parameters affecting the saffron yield using data mining in the province of Khorasan Razavi is introduced. The results showed that by increasing the average temperature of the cold months and decreasing the average temperature of warmer months, the crop yield increased. Increased rainfall and sunshine hours during the growing season resulted in enhanced yield. Saffron yield had the greatest negative correlation with maximum temperature of April, the lowest negative correlation with the maximum temperature in May and the greatest positive correlation with maximum temperature of February and the lowest correlation with the minimum winter temperature. The results showed that various data mining techniques predicted suitable areas for cultivation better than annual yield. Among the models used, linear support vector machine (SVM-linear), radial basis functions SVM (SVM-rbf) and classification discriminant models had a better performance than others and their determination coefficient were 0.95, 0.93 and 0.84, respectively. Moreover, a good correlation was obtained between the area of cultivation and the saffron yield.