ارزیابی قابلیت مدل‌های مبتنی بر داده کاوی در پیش‌بینی عملکرد گندم آبی در کشور

آب و خاک

مقاله 4، دوره 35، شماره 2 - شماره پیاپی 76، خرداد و تیر 1400، صفحه 189-202   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2021.15029.0

نویسندگان

افشین یوسف گمرکچی^{* 1}؛ جواد باغانی²؛ فریبرز عباسی²

¹بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قزوین، سازمان تحقیقات، آموزش و ترویج کشاورزی، قزوین، ایران

²مؤسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

چکیده

گندم و نان به‌عنوان اصلی‌ترین غذای مردم در کشور از اهمیت ویژه‌ای برخوردارند. گندم نه‌تنها یک کالای مهم تجاری در دنیا محسوب می‌شود، بلکه به‌عنوان سلاحی برتر در مناسبات سیاسی و جهانی روز به‌روز بر اهمیت استراتژیک آن افزوده می‌شود. از این رو تحلیل و پیش‌بینی وضعیت تولید این محصول همواره مورد توجه بوده است. در این تحقیق کارایی سه مدل شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره و مدل درختی به‌منظور پیش‌بینی عملکرد گندم آبی در مناطق عمده تولید در سطح کشور، بر اساس اطلاعات میدانی ثبت شده 241 مزرعه، ارزیابی شد. نتایج تحقیق نشان داد ضریب تبیین مدل شبکه عصبی مصنوعی و مدل رگرسیون خطی چند متغیره به ترتیب برابر 672/0 و 577/0 بود که با اعمال گروه‌بندی داده­ها به روش درختی ضریب تبیین مدل پیش‌بینی به 762/0 افزایش یافت. نتایج خروجی مدل درختی نشان داد مناطق عمده تولید گندم در سطح کشور از نظر حجم آب مصرفی، به 4 گروه مستقل قابل تفکیک است. نهایتاً می­توان نتیجه گرفت مدل درختی با اعمال گروه‌بندی هدفمند در داده‌های ورودی، می‌تواند به‌عنوان یک ابزار قدرتمند در تخمین عملکرد گندم آبی در قطب­های عمده تولید گندم در سطح کشور مورد استفاده قرار گیرد.

کلیدواژه‌ها

حجم آب مصرفی؛ داده‌کاوی؛ گروه‌بندی؛ مدل‌سازی

مراجع

1-       Ahmadi K., H.R. EbadZadeh F., Hatami R., HoseinPour and AbdShah H. 2019. Agricultural Statistics of 2017-2018. Ministry of Jihad for Agriculture, Deputy for Planning and Economy, Information and Communication Technology Office. Volume 3, Garden Products. 166 pp. (In Persian)

2-       Alvarez R. 2009. Predicting average regional yield and production of wheat in the Argentine Pampas by an artificial neural network approach. European Journal of Agronomy 30: 70-77.

3-       Aslam F., Salman A., and Jan I. 2019. Predicting wheat production in Pakistan by using an artificial neural network approach. Sarhad Journal of Agriculture 35(4): 1054-1062.

4-       Baghani J. 2018. Determination of wheat water consumption in Iran. Final Research Report, Agricultural Engineering Research Institute. (In Persian)

5-       Barikloo A., Alamdari P., Moravej K., and Servati M. 2017. Prediction of irrigated wheat yield by using hybrid algorithm methods of artificial neural networks and genetic algorithm. Journal of Water and Soil 30(3): 715-726. (In Persian with English abstract)

6-       Chipanshi A.C., Ripley E.A., and Lawford R.G. 1999. Large-scale simulation of wheat yields in a semi-arid environment using a crop-growth model. Agricultural Systems 59: 57−66.

7-       Doraiswamy P.C., Moulin S., Cook P.W., and Stern V. 2003. Crop yield assessment from remote sensing. Photogrammetric Engineering and Remote Sensing 69: 665−674.

8-       Franch B., Vermote E.F., Becker-Reshef I., Claverie M., Huang J., Zhang J., Justice C., and Sobrino J.A. 2015. Improving the timeliness of winter wheat production forecast in the United States of America, Ukraine and China using MODIS data and NCAR Growing Degree Day information. Remote Sensing of Environment 161: 131–148.

9-       Han J., Zhang Z., Cao J., Luo Y., Zhang L., Li Z., and Zhang J. 2020. Prediction of winter wheat yield based on multi-source data and machine learning in China. Remote Sensing 236(12): 1-22.

10-   Iwańska M., Oleksy A., Dacko M., Skowera B., Oleksiak T., and Wójcik-Gront E. 2018. Use of classification and regression trees (CART) for analyzing determinants of winter wheat yield variation among fields in Poland. Biometrical Letters 55(2): 197-214.

11-   Kaul M., Hill R.L., and Walthall C. 2005. Artificial neural networks for corn and soybean yield prediction. Agricultural Systems 85: 1-18.

12-   Khoshnevisan B., Rafiee S., Omid M., and Mousazadeh H. 2014. Development of an intelligent system based on ANFIS for predicting wheat grain yield on the basis of energy inputs. Information Processing in Agriculture 1(1): 14-22.

13-   Liu J., and Goering C.E. 1999. Neural network for setting target corn yields. ASAE paper 99-3040, Toronto, Ontario, Canada, 18-21.

14-   Maselli F., and Rembold F. 2001. Analysis of GAC NDVI data for cropland identification and yield forecasting in Mediterranean African countries. Photogrammetric Engineering and Remote Sensing 67:593−602.

15-   Mehnatkesh A., Ayyubi S., Jalalyan A., and Dehgani A.A. 2017. Comparison of multivariate linear regression and artificial neural networks models for estimating of rainfed wheat yield in some central Zagros areas. Iranian Journal of Dryland Agriculture 5(2): 119-133. (In Persian with English abstract)

16-   Montazar A., Azadegan B., and Shahkary M. 2009. Assesing the Efficiency Of atifical neural network model to predict wheat yield and water prodoctivity based on climatic data and seasonal water-nitrogen variabls. Iranian Water Research Journal 3(5): 17-29.

17-   Norouzi M., Ayoubi S., Jalalian A., Khademi H., and Dehghani A.A. 2010. Predicting rainfed wheat quality and quantity by artificial neural network using terrain and soil characteristics. Acta Agric Scandinavica, Section B-Plant Soil Sciences 60: 341-352.

18-   Ramesh D., and Vishnu Vardhan B. 2013. Data mining techniques and applications to agricultural yield data. International Journal of Advanced Research in Computer and Communication Engineering 2(9): 3477-3480.

19-   Raorane A.A., and Kulkarni R.V. 2013. Review role of data mining in agriculture. International Journal of Computer Science and Information Technologies 4(2): 270-275.

20-   Rumelhart D.E., Hinton G.E., and Williams R.J. 1986. Learning internal representation by back-propagation errors. In: Rumelhart DE, McClelland JL, the PDP Research Group (Eds.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition. MIT Press, MA.

21-   Sepehri S., Abbasi F., and Nakhjavanimoghaddam M.M. 2019. Prediction of silage maize yield and sensitivity analysis of management parameters using artificial neural network models. Iranian Journal of Irrigation and Drainage 13(5): 1460-1470. (In Persian with English abstract)

22-   Servati M., Barikloo A, Alamdari P., and Moravej K. 2017. Application of heuristic methods in prediction of wheat yield. Applied Soil Research 6(3): 106-117. (In Persian with English abstract)

23-   Sudduth K.A., Drummond S.T., Birrell S.J., and Kitchen N.R. 1996. Analysis of spatial factors influencing crop yield, in Proc. 3rd Int. Conf. On Precision Agriculture, P.C. Robert et al. (ed.), pp. 129-140.

24-   Toloei Ashlaghi A., Poorebrahimi A., Ebrahimi M., and Ghasemahmad L. 2013. Using data mining techniques for prediction breast cancer recurrence. Iranian Journal of Breast Diseases 5(4): 23-34. (In Persian with English abstract)

25-   Veelenturf L.P.J. 1995. Analysis applications of artificial neural networks. Simon and Schuster International Group, United States of America.

26-   Wall L., Larocque D., and Leger P.M. 2007. The early explanatory power of NDVI in crop yield modeling. International Journal of Remote Sensing 29: 2211−2225.

27-   Wu F.Y., and Yen K.K. 1992. Application of neural network in regression analysis. Computer and Industrial Engineering 23: 93-98.

28-   Zakidizaji H., Bahrami H., Monjezi N., and Sheikhdavoodi M.J. 2019. Modeling of the variables that influence sugarcane yield using C5.0 and QUEST decision tree algorithms. Journal of Agricultural Machinery 9(2): 469-484. (In Persian with English abstract)