صفحه اصلی فهرست مقالات مشخصات مقاله
نشریه علمی پژوهشی زراعت و فناوری زعفران
شماره‌های پیشین نشریه
دوره دوره 6 (1397)
دوره دوره 5 (1396)
شماره شماره 4
زمستان 1396، صفحه 311-412
شماره شماره 3
پاییز 1396، صفحه 195-308
شماره شماره 2
تابستان 1396، صفحه 107-194
شماره شماره 1
بهار 1396، صفحه 1-105
دوره دوره 4 (1395)
دوره دوره 3 (1394)
دوره دوره 2 (1393)
دوره دوره 1 (1392)
ریاحی, حسین, خاشعی, عباس, سیفی, اکرم. (1396). تحلیل دقت و عدم قطعیت مدل شبکه‌ عصبی مصنوعی در پیش‌بینی عملکرد زعفران در خراسان جنوبی مبتنی بر داده‌های اقلیمی. نشریه علمی پژوهشی زراعت و فناوری زعفران, 5(3), 255-271. doi: 10.22048/jsat.2017.31901.1100
حسین ریاحی; عباس خاشعی; اکرم سیفی. "تحلیل دقت و عدم قطعیت مدل شبکه‌ عصبی مصنوعی در پیش‌بینی عملکرد زعفران در خراسان جنوبی مبتنی بر داده‌های اقلیمی". نشریه علمی پژوهشی زراعت و فناوری زعفران, 5, 3, 1396, 255-271. doi: 10.22048/jsat.2017.31901.1100
ریاحی, حسین, خاشعی, عباس, سیفی, اکرم. (1396). 'تحلیل دقت و عدم قطعیت مدل شبکه‌ عصبی مصنوعی در پیش‌بینی عملکرد زعفران در خراسان جنوبی مبتنی بر داده‌های اقلیمی', نشریه علمی پژوهشی زراعت و فناوری زعفران, 5(3), pp. 255-271. doi: 10.22048/jsat.2017.31901.1100
ریاحی, حسین, خاشعی, عباس, سیفی, اکرم. تحلیل دقت و عدم قطعیت مدل شبکه‌ عصبی مصنوعی در پیش‌بینی عملکرد زعفران در خراسان جنوبی مبتنی بر داده‌های اقلیمی. نشریه علمی پژوهشی زراعت و فناوری زعفران, 1396; 5(3): 255-271. doi: 10.22048/jsat.2017.31901.1100

تحلیل دقت و عدم قطعیت مدل شبکه‌ عصبی مصنوعی در پیش‌بینی عملکرد زعفران در خراسان جنوبی مبتنی بر داده‌های اقلیمی

مقاله 5، دوره 5، شماره 3 - شماره پیاپی 17، پاییز 1396، صفحه 255-271  XML اصل مقاله (893 K)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22048/jsat.2017.31901.1100
نویسندگان
حسین ریاحی 1؛ عباس خاشعی2؛ اکرم سیفی1
1استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ولیعصر (عج) رفسنجان
2دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند
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 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.
کلیدواژه‌ها
پارامترهای اقلیمی؛ تحلیل عدم قطعیت؛ شبکه عصبی مصنوعی؛ شبیه‌سازی مونت‌کارلو؛ عملکرد زعفران
عنوان مقاله [English]
Accuracy and uncertainty analysis of artificial neural network in predicting saffron yield in the south Khorasan province based on meteorological data
نویسندگان [English]
Hossien Riahi Modavar1؛ Abbas Khashei-Siuki2؛ Akram Seifi1
1Assistant Professor of Water Engineering, Vali-e-asr Uiversity of Rafsanjan, Iran
2Associated Professor of Water engineering,Dpt. University of Birjand, Iran
چکیده [English]
Because of saffron yield sensitivity and the effects of climate on its performance, and also due to the nonlinear nature of crop yield functions, the Artificial Neural Network (ANN) model is employed in this study for prediction and uncertainty analysis of saffron yield in the South Khorasan province based on 20 years of data. The input vector of the ANN model was optimized from 37 parameters through correlation and variance inflation. The optimum architecture of the model was derived as 1-2-4-11 with a sigmoidal activation function based on the results at three stages of training, testing and verification. The root mean square error (RMSE) and mean absolute error (MAE) were equal to 0.3 and 0.5 in the training step and 0.7 and 1 in the test step, respectively. These results indicate that the ANN is a suitable model for predicting saffron yield. Uncertainty analysis based on R2, d-factor and 95%PPU showed that despite use of inadequate data, model prediction showed acceptable prediction bounds and predicted a satisfactorily saffron yield trend. The R2 values were equal to 0.92 and 0.58 in the training and test steps, respectively, which are statistically significant at the P
کلیدواژه‌ها [English]
artificial neural network, Climatological Data, Saffron Yield, Uncertainty Analysis
مراجع
آمار
تعداد مشاهده مقاله: 369
تعداد دریافت فایل اصل مقاله: 218