با همکاری انجمن علمی گیاهان دارویی ایران

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ولیعصر (عج) رفسنجان

2 دانشیار 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

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 Modavar 1
  • Abbas Khashei-Siuki 2
  • Akram Seifi 1

1 Assistant Professor of Water Engineering, Vali-e-asr Uiversity of Rafsanjan, Iran

2 Associated 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