پیش‌بینی عملکرد جو دیم و آبی (Hordeum vulgare L.) با استفاده از رهیافت شبکه عصبی مصنوعی (مطالعه موردی: استان کرمانشاه)

بوم شناسی کشاورزی

مقاله 13، دوره 10، شماره 2 - شماره پیاپی 36، تیر 1397، صفحه 516-528   

نوع مقاله: علمی - پژوهشی

شناسه دیجیتال (DOI): 10.22067/jag.v10i2.61417

نویسندگان

علیرضا باقری^* ؛ ناصر سهرابی

گروه زراعت و اصلاح نباتات، پردیس کشاورزی و منابع طبیعی، دانشگاه رازی، کرمانشاه، ایران

چکیده

نظر به اهمیت پیش‌بینی تولید محصولات کشاورزی، آزمایشی با هدف برآورد عملکرد محصول جو دیم و آبی (Hordeum vulgare L.) با استفاده از رهیافت شبکه عصبی مصنوعی، در استان کرمانشاه به اجرا درآمد. داده‌های مربوط به عملکرد 25 ساله (1370 تا 1394) جو دیم و آبی در شهرستان‌های استان و همچنین داده‌های خام و استاندارد شده هواشناسی (مجموع بارندگی سالیانه، متوسط درجه حرارت سالیانه، متوسط رطوبت سالیانه، مجموع ساعات آفتابی، میانگین تبخیر سالیانه و تعداد روزهای یخبندان) متناظر با این سال‌ها به‌عنوان داده‌های ورودی شبکه مورد استفاده قرار گرفتند. برای یافتن بهترین شبکه، انواع مختلف شبکه عصبی برای تخمین عملکرد، آزمایش شد. ارزیابی مدل‌ها نیز با استفاده از شاخص‌های آماری ضریب همبستگی (R)، ضریب تعیین (R2)، میانگین مربعات خطا (MSE) و ریشه میانگین مربعات خطا (RMSE) انجام شد. نتایج نشان داد که بهترین شبکه برای جو دیم شبکه‌های عصبی مودولار ساخته شده از داده‌های استاندارد و خام و با قانون یادگیری Momentum دارای ضریب همبستگی به‌ترتیب 96/0 و 92/0 بود. این در حالی بود که دقت شبکه عصبی در مورد جو آبی به‌اندازه کشت دیم نبود (ضریب همبستگی برای داده‌های ورودی استاندارد و خام به‌ترتیب 72/0 و 78/0). مقایسه شاخص‌های MSE و RMSE بین مدل‌های ذکر شده نیز مؤید این امر بود. به‌نظر می‌رسد در جو آبی انجام عملیات مدیریت داشت مانند آبیاری از تأثیر عوامل اقلیمی بر روی عملکرد آن کاسته است. از سوی دیگر، حساسیت شبکه عصبی مربوط به کشت جو دیم نسبت به متغیرهای ورودی مدل بسیار بیشتر از کشت آبی بود که در نهایت دقت بیشتر شبکه را به همراه داشت.

کلیدواژه‌ها

عملکرد اقتصادی؛ عوامل اقلیمی؛ متغیرهای پیش‌گو؛ هوش مصنوعی

مراجع

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.

Amari, S.., Murata, N., Muller, K.., Finke, M., and Yang, H.H. 1997. Asymptotic statistical theory of overtraining and cross-validation. IEEE Transactions on Neural Networks 8: 985-996.

Anonymous, 2015. Agricultural Statistics, Agricultural Year of 2014-2015. First Volume, the Crops. Iranian Ministry of Agriculture 9-11.

Anysz, H., Zbiciak, A., and Ibadov, N. 2016. The influence of input data standardization method on prediction accuracy of artificial neural networks. Procedia Engineering 153: 66-70.

Azizi, G., and Safarkhani, E. 2002. Evaluation of drought and its impact on rainfed wheat yield in ilam province, with an emphasis on recent drought (1998-2000). Modarres 6: 61-79.

Crasta, O., and Cox, W. 1996. Temperature and soil water effects on maize growth, development yield, and forage quality. Crop Science 36: 341-348.

Drummond, S.T., Sudduth, K.A., Joshi, A., Birrell, S.J., and Kitchen, N.R. 2003. Statistical and neural methods for site–specific yield prediction. Transactions of the ASAE 46: 5.

Eghbali, L., Haghighi, R.S., Rad, H.M., and Bagheri, A. 2005. Seed identification of Amaranthus spp. using machine vision and artificial neural network. Journal of Seed Science and Technology 2: 74-85.

Elizondo, D., McClendon, R., and Hoogenboom, G. 1994. Neural network models for predicting flowering and physiological maturity of soybean. Transactions of the ASAE 37: 981-988.

Haykin, S., and Lippmann, R. 1994. Neural networks, a comprehensive foundation. International Journal of Neural Systems 5: 363-364.

Hosaini, M.T., Siosemarde, A., Fathi, P., and Siosemarde, M. 2007. Application of artificial neural network (ann) and multiple regression for estimating assessing the performance of dry farming wheat yield in Ghorveh region, Kurdistan Province. Agricultural Research: Water, Soil and Crop 7: 41-54.

Ji, B., Sun, Y., Yang, S., and Wan, J. 2007. Artificial neural networks for rice yield prediction in mountainous regions. The Journal of Agricultural Science 145: 249-261.

Joergensen, S.E., and Bendoricchio, G. 2001. Fundamentals of Ecological Modelling. Elsevier, Oxford, UK.

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

Landeras, G., Ortiz-Barredo, A., and Lopez, J.J. 2009. Forecasting weekly evapotranspiration with arima and artificial neural network models. Journal of Irrigation and Drainage Engineering 135: 323-334.

Liangzhi, Y., Stanley, W., and Rosegrant, M. 2005. Impact of global warming on chinese wheat productivity. International Food Policy Research Institute, Discussion paper, pp. 143-158.

Lingireddy, S., and Brion, G.M. 2005. Artificial Neural Networks in Water Supply Engineering. ASCE Publications.

Lobell, D.B., and Asner, G.P. 2003. Climate and management contributions to recent trends in U.S agricultural yields. Science 299: 1032-1032.

Melesse, A.M., and Hanley, R.S. 2005. Artificial neural network application for multi-ecosystem carbon flux simulation. Ecological Modelling 189: 305-314.

Nemes, A., Schaap, M., and Wösten, J. 2003. Functional evaluation of pedotransfer functions derived from different scales of data collection. Soil Science Society of America Journal 67: 1093-1102.

Peng, S., Huang, J., Sheehy, J.E., Laza, R.C., Visperas, R.M., Zhong, X., Centeno, G.S., Khush, G.S., and Cassman, K.G. 2004. Rice yields decline with higher night temperature from global warming. Proceedings of the National Academy of Sciences of the United States of America 101: 9971-9975.

Rahmani, L., Liaghat, A., and Khalili, A. 2008. Estimates barley yield in east azerbaijan using meteorological parameters and drought indices by artificial neural network method. Iranian Journal of Soil and Water Research 39: 47-56. (In Persian with English Summary)

Rahmani, M., Jami Al-Ahmadi, M., Shahidi, A., and Hadizadeh Azghandi, M. 2016. Effects of climate change on length of growth stages and water requirement of wheat (Triticum aestivum L.) and barley (Hordeum vulgare L.) (Case study: Birjand plain). Journal of Agroecology 7: 443-460.

Rao, V., and Rao, H. 1995. C++ Neural Networks and Fuzzy Logic. MIS: Press, Dehle, India.

Shokoohi, M., and Sanaei Nejhad, S.H. 2014 The relationship between weather conditions and crop production for rainfed barley (Case Study: East Azerbaijan). Journal of Agroecology 6: 634-644. (In Persian with English Summary)

Somaratne, S., Seneviratne, G., and Coomaraswamy, U. 2005. Prediction of soil organic carbon across different land-use patterns. Soil Science Society of America Journal 69: 1580-1589.

Talliee, A.A., and Bahramy, N. 2003. The effect of rainfall and temprature on the yield of dryland wheat in Kermanshah province. Journal of Soil and Water Science 17: 106-112. (In Persian with English Summary)

Talliee, A.A., and Sayadian, K. 2000. Effect of supplementary irrigation and nutrition requirement of chick-pea in dry land conditions. Iranian Journal of Crop Science 2: 63-70. (In Persian with English Summary)

Wu, F.Y., and Yen, K.K. 1992. Applications of neural network in regression analysis. Computers and Industrial Engineering 23: 93-95.

Zarakani, F., Kamali, G., and Chizari, A. 2014. Impact of climate change on the economy of rainfed wheat (Case study: Northern Khorasan). Journal of Agroecology 6: 301-310. (In Persian with English Summary)