زراعت و فناوری زعفران

چکیده تخمین دقیق نیاز آبی زعفران برای مدیریت پایدار منابع آب در مناطق کاشت این محصول ضروری است. در این پژوهش، بهینه‌سازی مدل شبکه عصبی مصنوعی (ANN) برای تخمین نیاز آبی زعفران با استفاده از الگوریتم بهینه‌ساز هیبریدی کواتی (COA) بررسی شد. عملکرد مدل ANN-COA با مدل‌های ANN، ANN-GA، ANN-PSO، ANN-MFO، رگرسیون مرتبه دوم (QR)، رگرسیون درختی (TR) و رگرسیون الگویی (Pattern) مقایسه شد. داده‌های ورودی شامل دما (حداقل، حداکثر، متوسط)، سرعت باد، رطوبت نسبی، تابش خالص و روز از سال بود. نتایج نشان داد که در شرایط استفاده از کلیه پارامترهای اقلیمی، مدل ANN-COA با ضریب تعیین 0.995=R2 و خطای میانگین مربعات 0.0001=MSE برای ایستگاه مشهد و 0.973=R2 و 0.0005=MSE برای ایستگاه بیرجند، دقت قابل قبولی در تخمین نیاز آبی زعفران دارد. همچنین در شرایط استفاده از پارامترهای اقلیمی محدود، مدل ANN-COA با ترکیب دمای حداکثر و سرعت باد به همراه روز از سال، بهترین عملکرد را در تخمین نیاز آبی زعفران داشت. بر اساس یافته‌های این پژوهش، مدل‌های شبکه عصبی هیبریدی برای تخمین نیاز آبی زعفران در شرایط استفاده از حداقل پارامترهای اقلیمی، در مقایسه با سایر مدل‌های داده‌کاوی، از دقت بالاتری برخوردار می‌باشند.

چکیده تغییرات اقلیمی و پدیده‌هایی از جمله خشکسالی در میزان عملکرد محصولات کشاورزی موثر هستند. یکی از راهکارهای مقابله با این پدیده‌ها، جایگزینی مدیریت ریسک به جای مدیریت بحران است، به­طوری­که با ارزیابی ریسک، قبل از وقوع بحران، میزان خسارت‌ها به حداقل می‌رسد. در این پژوهش نیز در جهت کاهش خسارت‌های ناشی از خشکسالی به­عنوان پدیده‌ای طبیعی و غیر قابل کنترل، بر روی محصول زعفران، به ارزیابی ریسک خشکسالی با استفاده از روش شبیه‌سازی مونت­کارلو پرداخته شد. شاخص خشکسالی بارش استاندارد شده (SPI) ماهانه و میانگین دمای ماهانه به عنوان متغیرهای مستقل در تابع توزیع عملکرد محاسبه می‌شود. با کمک روش فراابتکاری شبکه عصبی مصنوعی (ANN)، ارتباط بین متغیرهای مستقل (دما و SPI) و متغیر وابسته (عملکرد محصول زعفران) برقرار می‌شود. سپس داده‌‌ی تصادفی از متغیرهای مستقل ساخته می‌شود و با شبکه عصبی مصنوعی آموزش یافته، 2000 عملکرد شبیه‌سازی شده تولید می‌گردد. انتخاب یک ایستگاه مرجع و با استفاده از توزیع تجمعی به دست آمده، عامل ریسک محاسبه شد و با رسم نمودار عامل ریسک-عملکرد استاندارد، ریسک نسبی ایستگاه‌های مورد مطالعه بررسی شده است. نتایج به­دست آمده از این پژوهش نشان داد که بیشترین سال‌های مورد مطالعه در محدوده نرمال قراردارند و فراوانی خشکسالی در چهار ایستگاه خراسان جنوبی دو برابر ایستگاه‌های مورد مطالعه در خراسان رضوی می‌باشد. همین­طور شبکه عصبی مصنوعی با ضریب همبستگی 85/0 توانست به خوبی عملکرد را پیش‌بینی نماید. در پایان بر اساس نتایج به­دست آمده از نمودار ریسک-عملکرد استاندارد، ایستگاه‌های قاین، بیشترین و نهبندان کمترین ریسک نسبی نسبت به ایستگاه مرجع (تربت­حیدریه) را  داشتند.

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.