زراعت و فناوری زعفران

با همکاری انجمن علمی گیاهان دارویی ایران

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

فرم های نشریه

راهنمای نویسندگان

پیش بینی عملکرد و کارآیی مصرف آب زعفران با استفاده از مدل های شبکه عصبی مصنوعی بر مبنای فاکتورهای اقلیمی و آب

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار گروه آبیاری، دانشکده کشاورزی، دانشگاه زنجان، ایران

2 استادیار گروه کشاورزی، دانشگاه پیام نور، ایران

چکیده

با پدید آمدن تکنیک‌های آماری قوی و شبکه‌های عصبی، مدل‌های پیش‌بینی کننده عملکرد محصولات زراعی به‌سرعت رو به توسعه است. بدین منظور آزمایشی در منطقه تربت‌حیدریه با هدف پیش‌بینی عملکرد و کارآیی مصرف آب زعفران با استفاده از مدل شبکه عصبی مصنوعی انجام گرفت. واسنجی و اعتباریابی مدل‌ها نیز با استفاده از آمار عملکرد محصول و پارامترهای اقلیمی سال 91-1390 صورت پذیرفت. ارزیابی مدل‌ها نیز با شاخص‌های آماری ضریب تبیین (R2)، جذر میانگین مربعات خطا نرمال شده (RMSEn) و میانگین مربعات خطا (MSE) انجام شد. نتایج تحقیق نشان داد که شبکه عصبی پیشنهادی (مدل شماره 9) با داشتن 2 لایه پنهان، 8 نورون و ضریب تبیین 97/0 برای عملکرد و 1 لایه پنهان، 7 نورون و ضریب تبیین 90/0 برای کارآیی مصرف آب، برازش خوبی برای این دو صفت داشت. همچنین مطابق با شاخص‌های آماری RMSEn و MSE در مدل پیشنهادی (مدل شماره 9) که به ترتیب برابر بود با 78/2 درصد و 0040/0 برای عملکرد و 41/5 درصد و 0073/0 برای کارآیی مصرف آب، بالاترین دقت برای پیش‌بینی صفات فوق مشاهده شد. تحلیل حساسیت مدل‌ها نیز نشان داد که عملکرد و کارآیی مصرف آب محصول زعفران، بیشترین حساسیت را به عامل آبیاری، سپس بارندگی و درنهایت ساعات آفتابی دارد. به‌طورکلی، کاربرد شبکه عصبی پیشنهادی در این تحقیق می‌تواند زمینه ارتقاء محصول زعفران را در منطقه تربت فراهم نماید.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Predicting Yield and Water Use Efficiency in Saffron Using Models of Artificial Neural Network Based on Climate Factors and Water

نویسندگان [English]

  • Azim Shirdeli 1
  • Abolfazl Tavassoli 2

1 Assistant Prof. Department of Agriculture, Zanjan University, Iran

2 Assistant Prof. Department of Agriculture, Payame Noor University, I. R. of Iran

چکیده [English]

The predicted models for crops yield are developing rapidly by the creation of new statistical techniques and neural networks. For this purpose, a research was carried out in the Torbat-e-Heydarieh region for predicting yield and water use efficiency of saffron by using an artificial neural network model. The model was calibrated and validated by using crop yield and climate parameters data during 2009-2010. The models were evaluated by using indices of correlation coefficient (R2), root mean squares error normalized (RMSEn), and mean squares error (MSE). The results showed that the suggested neural network (model No. 9) with having 2 hidden layers, 8 neurons, and R2= 0.97 (for saffron yield); and 1 hidden layer, 7 neurons, and R2= 0.90 (for water use efficiency) had a high accommodation with these two factors. Also, according to the indices RMSEn and MSE, model No. 9 simulated the yield and WUE of saffron with a high accuracy, such that RMSEn and MSE for yield in this model obtained were 2.78% and 0.0041, respectively; and for WUE they were calculated to be 5.41% and 0.0073, respectively. Also, the results of sensitivity analysis indicated that irrigation is the most important parameter for predicting yield and WUE, and after that is precipitation and solar radiation. Generally, use of the suggested neural network in this research can improve saffron cultivation in the Torbat-e-Heydarieh region.

کلیدواژه‌ها [English]

  • Model
  • Simulation
  • Stigma
  • Torbat-e-Heydarieh
مراجع
Akbarpour, A., Khorashadizadeh, O., Shahidi, A., and Ghochanian, E. 2013. Performance evaluation of artificial neural network models in estimate production of yield saffron based on climate parameters. Journal of Saffron Research 1 (1): 27-35. (In Persian with English Summary).
Alvarez, A. 2009. Predicting average regional yield and production of wheat in the Argentine Pampas by an artificial neural network approach. European Journal of Agronomy 30: 70-77.
Azadeh A., Ghaderi, S.F., and Sohrabkhani, S. 2006. Forecasting electrical consumption by integration of Neural Network, time series and ANOVA. Applied Mathematical Computer 186: 1753-1761.
Bagheri, S., Gheysari, M., Ayoubi, S., and Lavaee, N. 2012. Silage maize yield prediction using artificial neural networks. Journal of Plant Production 19 (4): 77-95. (In Persian with English Summary).
Behdani, M.A., Nassiri Mahallati, M., and Koocheki, A. 2008. Evaluation of irrigation management of saffron at agroecosystem scale in dry regions of Iran. Asian Journal of Plant Sciences 7 (1): 22-25.
Daneshvar Kakhki, M., and Farahmand Gelyan, K. 2012. Review of interactions between e-commerce, brand and packaging on value added of saffron: A structural equation modeling approach. African Journal of Business Management 6 (26): 7924-7930.
Drummond, S.T., Sudduth, K.A., Joshi, A., Birell, S.J., and Kitchen. N.R. 2003. Statistical and neural methods for site-specific yield prediction. Transaction of the ASAE 46 (1): 5-14.
Gupta M.M., Jin, J., and Homma, N. 2003. Static and Dynamic Neural Networks: From Fundamentals to Advanced Theory. John Wiley & Sons, Inc., Hoboken, New Jersey.
Hosaini, M.T., Siosemarde, A., Fathi, P., and Siosemarde, M. 2007. Application of artificial neural network (ANN) and multiple regressions for estimating assessing the performance of dry farming wheat yield in Ghorveh region, Kurdistan province. Agriculture research: Water, Soil and Plant in Agriculture 7 (1): 41-54. (In Persian with English Summary).
Jehade Keshavari Khorasan Razavi. 2012. Report on agronomic research for saffron. (On published). (In Persian).
Kaul, M., Hill, R.L., and Walthall, C. 2005. Artificial neural networks for corn and soybean yield prediction. Agricultural System 85: 1-18.
Koocheki, A. 2013. Research on production of saffron in Iran: Past trend and future prospects. Saffron Agronomy & Technology, 1 (1): 3-21. (In Persian with English Summary).
Montazer, A.A., Azedegan, B., and Shahraki, M. 2009. Performance evaluation of artificial neural network models in estimation of yield and water productivity of wheat on the basis of climate factor and consumption water-nitrogen fertilizer. Iranian Journal of Water Research 3 (5): 17-29. (In Persian with English Summary).
Norouzi, M. 2009. Prediction of rainfed wheat yield using artificial neural network in Ardal district of Chaharmahal and Bakhtiari province. M.Sc. Thesis, Collage of Agriculture, Isfahan University of Technology, Isfahan, Iran. 112 p. (In Persian with English Summary).
Rahimi, H., Ghavidel, G.R., and MohsenNia, J. 2007. The geography of Torbat-e-Heydarieh city. Mashhad press. 216 p. (In Persian).   
Sadeghi. B. 2013. Round table scientific debate on saffron. Faculty of Agriculture. Ferdowsi University of Mashhad. (In Persian with English Summary).
Sadras, V.O., and Calviño, P.A. 2001. Quantification of grain yield response to soil depth in soybean, maize, sunflower, and wheat. Agronomy Journal 93: 577–583.
StatSoft Inc. 2004. Electronic Statistics Textbook (Tulsa, OK). Available at Web site http://www.statsoft.com/ textbook/stathome.html (verified 5 march 2015).
Tavassoli, A. 2014. Quantifying yield gap of wheat in water and nitrogen limit conditions in Shirvan region: model and field experiment. Ph.D thesis in the Agronomy, University of Zabol. (In Persian with English Summary).
Torrecilla J.S., Otero, L., and Sanz, P.D. 2004. A neural network approach for thermal/pressure food processing. Food Engineering 62: 89-95.
Vakil-Baghmisheh, M.T. 2002. Farsi character recognition using artificial neural networks. Ph.D Thesis, Faculty of Electrical Engineering, University of Ljubljana.
Veelenturf L.P.J. 1995. Analysis applications of artificial neural networks. Simon and Schuster international group, United States of America.
زراعت و فناوری زعفران
دوره 3، شماره 2 - شماره پیاپی 2
مرداد 1394
صفحه 121-131
فایل ها
هم رسانی
ارجاع به این مقاله
آمار