زراعت و فناوری زعفران

چکیده پیش­بینی عملکرد محصولات کشاورزی، نقش مهمی در برنامه­ریزی صادرات، واردات، خرید تضمینی، قیمت­گذاری، سود مطمئن و افزایش بهره­وری کشاورزی دارد. عملکرد محصولات، تابع پارامترهای متعددی از جمله اقلیم است. در این تحقیق، عملکرد زعفران در استان خراسان رضوی توسط الگوریتم‌های طبقه­بندی شامل شبکه­های عصبی مصنوعی، مدل‌های رگرسیونی، درخت خطی محلی، درخت تصمیم، آنالیز تشخیص، جنگل تصادفی، ماشین بردار پشتیبان و آنالیز نزدیک‌ترین همسایه با استفاده از 11 پارامتر اقلیمی طی دوره 20 ساله زراعی (88-1368) ارزیابی شد. نتایج نشان داد که تعداد کمی از پارامترهای اقلیمی، بر عملکرد زعفران تأثیر دارند. پارامترهای دمای حداقل، میانگین و حداکثر و بارش به ترتیب بیشترین همبستگی مثبت و پارامترهای رطوبت مطلق حداکثر، رطوبت نسبی ساعت 6:30، ساعات آفتابی، رطوبت نسبی ساعت 18:30، تبخیر، رطوبت نسبی ساعت 12:30 و رطوبت مطلق حداقل نیز به­ترتیب بیشترین همبستگی منفی را با مناطق کشت زعفران داشتند. همچنین در طبقه­بندی مناطق کشت زعفران، آنالیز تشخیص و ماشین بردار پشتیبان، از دقت بالاتری برخوردار بودند. بین مناطق کشت زعفران و میزان عملکرد محصول همبستگی نسبتاً مناسبی با ضریب همبستگی 38/0 به‌دست آمد. بین مناطق کشت و پارامترهای اقلیمی همبستگی بالایی برخوردار است و آنالیز نزدیک‌ترین همسایه با ضرایب تعیین برابر ۱ و 94/0 در مراحل آموزش و آزمون، با دقت بالایی مناطق کشت را طبقه­بندی نماید، اما در پیش­بینی میزان عملکرد محصول بر اساس پارامترهای اقلیمی، دقت مدل­ها نسبتاً پایین بود (متوسط ضریب تعیین برابر 48/0 و 05/0 در مراحل آموزش و آزمون) و آنالیز نزدیک‌ترین همسایه، بالاترین دقت پیش­بینی را در مراحل آموزش و آزمون (به ترتیب ضریب تعیین برابر ۱ و 17/0) نشان داد. طبق یافته­های تحقیق، می­توان با استفاده از پارامترهای اقلیمی و الگوریتم­های داده­کاوی، به‌طور مناسب اقدام به تفکیک مناطق کشت نمود و با شناسایی مناطقی که اقلیم آن‌ها مشابه مناطق با میزان عملکرد بالا است، مناطق مستعد کشت زعفران را شناسایی نمود.

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.