پیش بینی عملکرد محصول جو دیم با استفاده از سیستمهای خبره عصبی و عصبی فازی منطقه مورد مطالعه استانهای خراسان

دوفصلنامه ی علوم به زراعی گیاهی

دوره 11، شماره 2، اسفند 1400، صفحه 75-92   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.2./jpps.2022.691244

نویسندگان

احد مدنی^{* 1}؛ عباس خاشعی²؛ علیرضا خاکزاد سیوکی³

¹استادیار زراعت دانشگاه آزاد اسلامی گناباد

²دانشگاه بیرجند، استاد مهندسی آبیاری

³کارشناسی ارشد زراعت، دانشگاه آزاد اسلامی گناباد

چکیده

در این تحقیق سعی شده تا عملکرد جو دیم در استان های خراسان با پارامترهای اقلیمی و به دو روش سیستم های عصبی (Ann) و فازی (Anfis) پیش بینی شود. محاسبات با نرم افزار MATLAB انجام گرفت و سپس ارزیابی عملکرد مدل ها با شاخص های آماری ضریب همبستگی ( R2 )، ریشه میانگین مربعات خطا ( RMSE ) و میانگین کامل خطاMAE) ) انجام شد. بارندگی و عملکرد سال گذشته نقش موثری در کاهش خطای پیش بینی و افزایش ضریب تعیین هبستگی در هر دو روش Ann و Anfis داشت. ورودی عملکرد سال گذشته و تبخیر و تعرق توانست موجب شود تا روش Anfis در مقایسه با روش Ann پیش بینی عملکردی دقیقتری داشته باشد. بیشترین برتری دقت تخمین عملکرد در Anfis نسبت به ANN با ورودی های با ورودی های مدل R مشاهده شد که که شامل ورودیهای رطوبت ؛ دمای نقطه شبنم و دمای ماکزیمم بود. نتایج در هر دو روش Anfis و Ann برای ورودیهای مدل L که شامل بارندگی،رطوبت نسبی و عملکرد سال گذشته بود، نشان داد که این مدل بالاترین دقت را در بین مدلهای ورودی کسب نموده است. اما برای ورودیهای مدل E نیز که شامل تبخیر و تعرق ، بارندگی ، رطوبت نسبی و دمای حداقل بود، نتایج حاکی از دقت بیشترAnfis نسبت به روش Ann داشت. وجود پارامتر تشعشع در ورودی ها دقت تخمین عملکرد را در هر دو روش کاهش داد. در مجموع روش Anfis دقت بیشتری را در تخمین عملکرد جو نسبت به Ann نشان داد.

کلیدواژه‌ها

آب و هوا؛ سیستم های خبره عصبی؛ کشاورزی؛ سیتم های فازی؛ مدل های پیشگویی

اصل مقاله

1-باقری، ع.، سهرابی ، ن.، 1397 .پیش بینی عملکرد جو دیم و آبی با استفاده از رهیافت شبکه عصبی مصنوعی)مطالعه موردی: استان کرمانشاه(. بوم شناسی کشاورزی. 36 ( 2 : ) 528-516 .

2-توکلی، ع.، لیاقت، ع.، علیزاده، ا.، 1392 .تعیین عوامل موثر بر توابع تولیداقلیمی جو دیم و تحلیل حساسیت

آن در مناطق سرد و نیمه سرد استان لرستان. حفاظت منابع آب و خاک. 3( 2 :)57 تا 72 .

3- حافظی, ن.، شیخ داودی, ب.،, هوشنگ, ع ،, س.، عنایتاله. 1399 .تخمین عملکرد کمی و کیفی نیشکر با

ا ستفاده از شبکه فازی -ع صبی تطبیقی بهبود یافته با الخوریتم بهینه سازی ازدحام ذرات. مهند سی زراعی . 43(2:)

 .255-276

4-سلیمانی ، م.، مرادی تالوت، م.ر.، سیادت ، س.، 1395.واکنش جذب تشعشع، هریب خاموشی نور، عملکرد و

اجزای عملکرد جو به الخوی کاشت و میزان بذر. تحقیقات غالت: 6 ( 2 :) 199-185 .

5 -شکوهی ، م.، سنایی نژاد ، ح.، 1393 .تعیین ارتباط شتترایط آب و هوایی با تولید محصتتول جو دیم. )مطالعه

موردی: آذربایجان شرقی(. بوم شناسی کشاورزی: 6( 3 : )634 تا 644.

6 -شیردلی .، ع, تو سلی. 1395 .پیش بینی عملکرد و کارآیی م صرف آب زعفران با ا ستفاده از مدل های شبکه

عصبی مصنوعی بر مبنای فاکتورهای اقلیمی و آب. علمی پژوهشی زراعت و فناوری زعفران. 3(2 :)131-121.

7 -یحیی، ا.، 1390 - رحمانی، ا.، لیاقت، ع.، خیلی، علی.، 1387 .تخمین عملکرد محصتتول جو در آذربایجان

شرقی با ا ستفاد ه از پارامترهای هوا شنا سی و شاخص های خ شک سالی به روش شبکه ع صبی م صنوعی. تحقیقات

خاک و آب ایران. 39( 1 :)47 تا 56.

8-Abrougui, K., Gabsi, K., Mercatoris, B., Khemis, C., Amami, R., Chehaibi, S.

2019. Prediction of organic potato yield using tillage systems and soil properties by

artificial neural network (ANN) and multiple linear regressions (MLR). Soil and

Tillage Research. 190: 202-208.9-Başakin, E. E., Ekmekcioğlu, Ö., Özger, M., Çelik, A. 2020. Prediction of Turkey

wheat yield by wavelet fuzzy time series and gray prediction methods. Türkiye

Tarımsal Araştırmalar Dergisi. 7(3): 246-252.

10-Cedeño, J. A. R., García-López, Y. J., Leopoldo, C. F., Morales-Ortega, R.,

Neira-Molina, H., Combita-Niño, H. 2021. Big data classification using fuzzy logical

concepts for paddy yield prediction. Review of International Geographical Education

Online. 11(5): 4482-4490.

11-Garg, B., Sah, T. 2020. Prediction of Crop Yield Using Fuzzy-Neural System.

In EAI International Conference on Big Data Innovation for Sustainable Cognitive

Computing (pp. 213-220). Springer, Cham

12-Kizil, Ü., Genc, L., Inalpulat, M., Şapolyo, D., Mirik, M. 2012. Lettuce (Lactuca

sativa L.) yield prediction under water stress using artificial neural network (ANN)

model and vegetation indices. Žemdirbystė= Agriculture. 99(4): 409-418.

13-Kuzman, B., Petković, B., Denić, N., Petković, D., Ćirković, B., Stojanović, J.,

Milić, M. 2021. Estimation of optimal fertilizers for optimal crop yield by adaptive

neuro fuzzy logic. Rhizosphere, 18, 100358.

14-Naderloo, L., Alimardani, R., Omid, M., Sarmadian, F., Javadikia, P., Torabi,

M. Y., Alimardani, F. 2012. Application of ANFIS to predict crop yield based on

different energy inputs. Measurement: 45(6),:1406-1413.

مراجع

1-باقری، ع.، سهرابی ، ن.، 1397 .پیش بینی عملکرد جو دیم و آبی با استفاده از رهیافت شبکه عصبی مصنوعی)مطالعه موردی: استان کرمانشاه(. بوم شناسی کشاورزی. 36 ( 2 : ) 528-516 .

2-توکلی، ع.، لیاقت، ع.، علیزاده، ا.، 1392 .تعیین عوامل موثر بر توابع تولیداقلیمی جو دیم و تحلیل حساسیت

آن در مناطق سرد و نیمه سرد استان لرستان. حفاظت منابع آب و خاک. 3( 2 :)57 تا 72 .

3- حافظی, ن.، شیخ داودی, ب.،, هوشنگ, ع ،, س.، عنایتاله. 1399 .تخمین عملکرد کمی و کیفی نیشکر با

ا ستفاده از شبکه فازی -ع صبی تطبیقی بهبود یافته با الخوریتم بهینه سازی ازدحام ذرات. مهند سی زراعی . 43(2:)

 .255-276

4-سلیمانی ، م.، مرادی تالوت، م.ر.، سیادت ، س.، 1395.واکنش جذب تشعشع، هریب خاموشی نور، عملکرد و

اجزای عملکرد جو به الخوی کاشت و میزان بذر. تحقیقات غالت: 6 ( 2 :) 199-185 .

5 -شکوهی ، م.، سنایی نژاد ، ح.، 1393 .تعیین ارتباط شتترایط آب و هوایی با تولید محصتتول جو دیم. )مطالعه

موردی: آذربایجان شرقی(. بوم شناسی کشاورزی: 6( 3 : )634 تا 644.

6 -شیردلی .، ع, تو سلی. 1395 .پیش بینی عملکرد و کارآیی م صرف آب زعفران با ا ستفاده از مدل های شبکه

عصبی مصنوعی بر مبنای فاکتورهای اقلیمی و آب. علمی پژوهشی زراعت و فناوری زعفران. 3(2 :)131-121.

7 -یحیی، ا.، 1390 - رحمانی، ا.، لیاقت، ع.، خیلی، علی.، 1387 .تخمین عملکرد محصتتول جو در آذربایجان

شرقی با ا ستفاد ه از پارامترهای هوا شنا سی و شاخص های خ شک سالی به روش شبکه ع صبی م صنوعی. تحقیقات

خاک و آب ایران. 39( 1 :)47 تا 56.

8-Abrougui, K., Gabsi, K., Mercatoris, B., Khemis, C., Amami, R., Chehaibi, S.

2019. Prediction of organic potato yield using tillage systems and soil properties by

artificial neural network (ANN) and multiple linear regressions (MLR). Soil and

Tillage Research. 190: 202-208.9-Başakin, E. E., Ekmekcioğlu, Ö., Özger, M., Çelik, A. 2020. Prediction of Turkey

wheat yield by wavelet fuzzy time series and gray prediction methods. Türkiye

Tarımsal Araştırmalar Dergisi. 7(3): 246-252.

10-Cedeño, J. A. R., García-López, Y. J., Leopoldo, C. F., Morales-Ortega, R.,

Neira-Molina, H., Combita-Niño, H. 2021. Big data classification using fuzzy logical

concepts for paddy yield prediction. Review of International Geographical Education

Online. 11(5): 4482-4490.

11-Garg, B., Sah, T. 2020. Prediction of Crop Yield Using Fuzzy-Neural System.

In EAI International Conference on Big Data Innovation for Sustainable Cognitive

Computing (pp. 213-220). Springer, Cham

12-Kizil, Ü., Genc, L., Inalpulat, M., Şapolyo, D., Mirik, M. 2012. Lettuce (Lactuca

sativa L.) yield prediction under water stress using artificial neural network (ANN)

model and vegetation indices. Žemdirbystė= Agriculture. 99(4): 409-418.

13-Kuzman, B., Petković, B., Denić, N., Petković, D., Ćirković, B., Stojanović, J.,

Milić, M. 2021. Estimation of optimal fertilizers for optimal crop yield by adaptive

neuro fuzzy logic. Rhizosphere, 18, 100358.

14-Naderloo, L., Alimardani, R., Omid, M., Sarmadian, F., Javadikia, P., Torabi,

M. Y., Alimardani, F. 2012. Application of ANFIS to predict crop yield based on

different energy inputs. Measurement: 45(6),:1406-1413.