حسین ریاحی؛ عباس خاشعی؛ اکرم سیفی
چکیده
با توجه به حساسیت عملکرد زعفران و تأثیرپذیری آن از پارامترهای اقلیمی و خاصیت غیرخطی توابع عملکرد گیاهی، در این تحقیق پیشبینی و تحلیل عدم قطعیت مدل شبکه عصبی مصنوعی در تخمین عملکرد زعفران انجام شد. بردار ورودی مدل از بین 37 مؤلفه مختلف، بر اساس استراتژی همبستگی و تحلیل تورم واریانس بهینهسازی شد و مدل با معماری 1-2-4-11 با تابع فعالسازی ...
بیشتر
با توجه به حساسیت عملکرد زعفران و تأثیرپذیری آن از پارامترهای اقلیمی و خاصیت غیرخطی توابع عملکرد گیاهی، در این تحقیق پیشبینی و تحلیل عدم قطعیت مدل شبکه عصبی مصنوعی در تخمین عملکرد زعفران انجام شد. بردار ورودی مدل از بین 37 مؤلفه مختلف، بر اساس استراتژی همبستگی و تحلیل تورم واریانس بهینهسازی شد و مدل با معماری 1-2-4-11 با تابع فعالسازی سیگموئید در مراحل سهگانه آموزش و آزمایش و ارزیابی عملکرد برتری را نشان داد. مقادیر پارامترهای MAE و RMSE مدل شبکه عصبی مصنوعی در مرحله یادگیری برابر 3/0 و 5/0 و در مرحله آزمایش بهترتیب 7/0 و 1 حاصل شد. نتایج تحلیل عدم قطعیت مونتکارلو بر مبنای 1000 نمونهگیری بدون جایگذاری، بر اساس فاکتورهای d-factor, 95% PPU, R2 بیانگر پهنای باند اطمینان مطلوب پیشبینیها بود و الگوهای عمومی و کلی تغییرات عملکرد زعفران را بهخوبی پیشبینی نمود. متوسط ضریب R2 مدل در مرحله آموزش و آزمایش بر اساس 1000 شبیهسازی مونتکارلو بهترتیب 92/0 و 58/0 بود که برای مدلهای عملکرد گیاهی مبتنی بر دادههای اقلیمی دارای معنیداری در سطح 1% است. با اینحال در شرایط حدی و مرزی، احتمال بروز وقایعی خارج از باند پیشبینی 95 درصد وجود داشته و لزوم توجه به شرایط مدیریت تغذیه، کود، خاک و آب مزارع در مدلهای هوشمند پیشبینی عملکرد را نشان میدهد. بر اساس نتایج پژوهش حاضر برنامهریزان بهجای مواجهه با یک رقم بهعنوان پیشبینی، ترکیب این رقم و باند اطمینان را در اختیار داشته و میتوانند تصمیمات واقعبینانهتری اتخاذ نمایند.