مدل‌سازی متغیرهای موثر بر عملکرد نیشکر با استفاده از الگوریتم‌های درخت تصمیم‌گیری C5.0 و QUEST

ماشین های کشاورزی

مقاله 17، دوره 9، شماره 2 - شماره پیاپی 18، 1398، صفحه 469-484  

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v9i2.69712

نویسندگان

حسن ذکی دیزجی ؛ هوشنگ بهرامی ؛ نسیم منجزی ؛ محمد جواد شیخ داودی

گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران

چکیده

در این پژوهش یکی از اهداف اصلی شرکت‌های کشت و صنعت نیشکر خوزستان که افزایش میزان عملکرد مزارع نیشکر با استفاده از رهیافت داده‌کاوی می‌باشد، مورد بررسی قرار گرفته است. تصمیم‌گیرندگان در این واحدهای تولیدی کشاورزی با حجم بسیار زیادی از داده‌های جمع‌آوری شده با خصوصیات بسیار متنوع و با روابط پیچیده در بین آن‌ها مواجه هستند که آنالیز و مدیریت آن‌ها به‌وسیله‌ی تجزیه و تحلیل‌های تجربی و آماری، امری دشوار و در بسیاری از حوضه‌ها عملاً ناممکن می‌باشد. داده‌کاوی یک فناوری توانمند در مدیریت و سازماندهی اطلاعات با حجم بالا می‌باشد. در این تحقیق با استفاده از تکنیک‌های داده‌کاوی درخت تصمیم (مدل‌های QUEST و C5.0)، به تخمین عملکرد محصول نیشکر پرداخته شده است. در این راستا مجموعه داده‌های در دسترس همچون داده‌های آبیاری و زهکشی، خاک و گیاه استفاده گردید تا اثر ترکیب‌های متفاوت این عوامل بر عملکرد تولید تعیین گردد. این پژوهش از نوع تحلیلی بوده و پایگاه داده آن شامل رکوردهای 1201 مزرعه می‌باشد. داده‌های مورد نیاز این تحقیق، طی سال‌های زراعی 1393 تا 1396 از کشت و صنعت امیرکبیر به‌دست آمده است. تجزیه و تحلیل به کمک نرم‌افزار IBM modeler 14.2 انجام شده است. نتایج نشان داد، شاخص‌های اجرایی و مدیریتی بر تغییر سطح عملکرد مزارع نیشکر تاثیرگذار می‌باشد. چگونگی تاثیرپذیری سطح عملکرد وابسته به ترکیب‌های خاصی از شاخص‌های اجرایی و مدیریتی می‌باشد که در قالب الگوهای حاصل از مدل‌های درخت تصمیم QUEST و C5.0 استخراج شده است. همچنین واریته محصول در هر دو مدل درخت تصمیم به‌عنوان مهم‌ترین متغیر مستقل در مدل‌سازی ظاهر شده است. بنابراین نتایج به‌دست آمده می‌تواند در برنامه‌ریزی و آماده‌سازی شرایط مطلوب برای رسیدن به اهداف تعیین شده میزان تولید کمک نماید.

کلیدواژه‌ها

ارزیابی؛ داده‌کاوی؛ کشاورزی؛ کشت و صنعت امیرکبیر

مراجع

1. Baisen, Z., and R. Tillman. 2007. A decision tree approach to modeling nitrogen fertilizer use efficiency in New Zealand pasture. Plant and Soil 301 (1): 267-278.

2. Breman, L., Friedman, J., Olshen, R., and Ch. Stone. 1984. Classification and regression trees. Boca Raton: Chapman & Hall/CRC.

3. Choi, J., K. H. Jeon, Y. Won, and J. J. Kim. 2014. Pattern classification of foot diseases using decision tree. Wseas Transactions on Biology and Biomedicine 11: 157-164.

4. Ekasingh, B., and K. Ngamsomsuke. 2009. Searching for simplified farmers’ crop choice models for integrated watershed management in Thailand: A data mining approach. Environmental Modeling and Software 24: 1373-1380.

5. Geetha, M. C. S. 2015. A survey on data mining techniques in agriculture. International Journal of Innovative Research in Computer and Communication Engineering 3 (2): 887-892.

6. Goktepe, A. B., S. Altun, and A. Sezar. 2005. Soil clustering by fuzzy C-Means algorithm. Advances in Engineering Software 36: 691-698.

7. Jeysenthil, K. M. S., T. Manikandan, and V. Murali. 2014. Third generation agricultural support system development using data mining. International Journal of Innovative Research in Science, Engineering and Technology 3 (3): 9923- 9930.

8. Kalpana, R., N. Shanthi, and S. Arumugam. 2014a. Data mining– An evolutionary view of agriculture. International Journal of Application or Innovation in Engineering and Management 3 (3): 102- 105.

9. Kalpana, R., N. Shanthi, and S. Arumugam. 2014b. a survey on data mining techniques in agriculture. International Journal of Advances in Computer Science and Technology 3 (8): 426-431.

10. Kotsiantis, S. B. 2007. Supervised machine learning: A review of classification techniques. International Journal of Computing and Informatics 31 (3): 249- 268.

11. Monjezi, N., and H. Zakidizaji. 2017. Fuzzy approach to optimize overhaul time of sugarcane harvester using GERT network method. Iranian Journal of Biosystem Engineering 48 (1): 83-91. (In Farsi).

12. Monjezi, N., H. Zakidizaji, M. J. Sheikhdavoodi, A. Marzban, and M. Shomeili. 2017. Finding and prioritizing of effective parameters on lack of timeliness operations of sugarcane production using Analytical Hierarchy Process (AHP). Journal of Agricultural Machinery 7 (2): 514-526. (In Farsi).

13. Noorzadeh, M., K. Khavazi, M. Malakooti, and S. Hashemi. 2011. Evaluation of the effectiveness of C-means and GK methods for fuzzy clustering of copper concentration in agricultural lands (Case study: Hamedan Province). Journal of Agricultural Engineering 33 (1): 61-70. (In Farsi).

14. Quinlan, J. 1993. Programs for machine learning. Morgan Kaufmann, San Francisco, CA, pp.

15. Rajesh, D. 2011. Application of Spatial Data Mining for Agriculture. International Journal of Computer Applications 15 (2): 7-9.

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

17. Raorane, A. A., and R. V. Kulkarni. 2013. Review- Role of data mining in agriculture. International Journal of Computer Science and Information Technologies 4 (2): 270-272.

18. Razi Ardakani, H., and A. Samimi. 2011. Comparison of decision tree in modeling choosing a type of means of carriage of goods. 11th Transportation and Traffic Engineering. 2-3 February, Tehran. (In Farsi).

19. Sharma, L., and N. Mehta. 2012. Data mining techniques: A tool for knowledge management system in agriculture. International Journal of Scientific and Technology Research 1 (5): 67-73.

20. Umesh, D. R., and C. R. Thilak. 2015. Predicting breast cancer survivability using Naïve Baysien and C5.0 algorithm. International Journal of Computer Science and Information Technology Research 3 (2): 802-807.

21. Yethiraj, N. G. 2012. Applying data mining techniques in the field of agriculture and allied sciences. International Journal of Business Intelligents 1 (2): 72-76.

22. Yoneyama, Y., S. Suzuki, R. Sawa, K. Yoneyama, G. G. Power, and T. Araki. 2002. Increased plasma adenosine concentrations and the severity of preeclampsia. Obstet Gynecol 100 (6):1266-1270.