پیش بینی عملکرد ذرت علوفه ای و تحلیل حساسیت پارامترهای مدیریتی با استفاده از مدل های شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی بخش آبیاری و زهکشی موسسه تحقیقات فنی و مهندسی کشاورزی

2 استاد موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج

3 موسسه تحقیقات فنی و مهندسی کشاورزی

چکیده

افزایش روزافزون تقاضای محصولات کشاورزی و کاهش دسترسی به منابع آب متعارف لزوم مدیریت صحیح منابع آب مصرفی در بخش کشاورزی را بیش از گذشته نمایان کرده است. از طرفی مشکلات اندازه گیری و دستیابی به داده‌های میدانی ضرورت به کارگیری مدل هایی کارآ که قادر به پیش بینی دقیق عملکرد محصولات و تحلیل حساسیت عملکرد نسبت به پارامترهای گوناگون باشند را روشن می سازد. لذا در این تحقیق اثرات پارامترهای مختلف بر میزان عملکرد ذرت علوفه ای در سطح کشور سنجیده شده و کارآیی مدل شبکه عصبی مصنوعی به منظور برآورد عملکرد محصول نیز مورد ارزیابی قرار گرفت. پارامترهای شوری آب آبیاری، شوری خاک، طول دوره رشد گیاه، میزان آب مصرفی و تعداد دفعات آبیاری مربوط به 104 مزرعه در 8 استان کشور که طی مطالعات میدانی گردآوری شده اند، به منظور توسعه مدل‌ها در شبکه عصبی مصنوعی مورد استفاده قرار گرفتند. همچنین با برآورد میزان آب مورد نیاز مزارع منتخب، عملکرد مورد انتظار با استفاده از مدل بهینه انتخاب شده، برآورد شده و با عملکرد اندازه‌گیری شده در مزارع مقایسه شد. نتایج نشان داد که مدل شبکه عصبی مصنوعی با دو لایه پنهان و ساختار نهایی 1-15-19-5 قادر است با دقت مطلوبی (0.85=R2) عملکرد محصول را برآورد کند. نتایج تحلیل حساسیت مدل بهینه انتخاب شده نشان داد که پارامترهای تعداد دفعات آبیاری و طول دوره رشد گیاه به ترتیب اثرگذارترین و کم اثرترین پارامترها بر عملکرد محصول ذرت علوفه-ای می‌باشند. همچنین نتایج مدلسازی نشان داد که بین عملکرد اندازه گیری شده در مزارع و عملکرد قابل انتظار شکافی وجود داشته و در صورت اعمال نیاز کامل آبیاری می توان عملکرد ذرت علوفه ای در مناطق مورد مطالعه را به طور متوسط به میزان 5/12 تن در هکتار افزایش داد.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of Forage Maize Yield and Sensitivity Analysis of Management Parameters using Artificial Neural Network Models

نویسندگان [English]

  • Saloome Sepehri 1
  • Fariborz Abbasi 2
  • Mohammad Mehdi Nakhjavanimoghaddam 3
1 A faculty member of irrigation and drainage department of Agricultural Engineering Research Institute
2 Agricultural Engineering Research Institute, AERI
3 Agricultural Engineering Research Institute (AERI)
چکیده [English]

The growing demand for agricultural products and the reduction of access to conventional water resources have highlighted the need for proper management of water resources in agricultural sector. On the other hand, measuring and acquiring field data problems make it necessary to employ efficient models that can accurately predict yield and sensitivity analysis of yield over various parameters. Therefore, in this research, the effects of different parameters on the yield of forage maize in the country have been investigated and the effectiveness of the artificial neural network models to predict forage maize yield has been evaluated. The parameters of irrigation water salinity, soil salinity, plant growth period, water consumption and number of irrigation of 104 farms in 8 provinces that were collected during field studies were used to develop models in the artificial neural network. Also, by estimating the water requirements of selected farms, the expected yield was estimated using the optimal selected model and compared with the measured yield in the farms. The results showed that the artificial neural network model with two hidden layers and the final structure of 1-15-19-5 can accurately estimate forage maize yield (R2=0.85). The results of the sensitivity analysis of the selected optimal model showed that the parameters of irrigation events and plant growth period were the most effective and least effective parameters on the forage maize yield, respectively. Also, the results of the modeling showed that there is a gap between the measured yield in the farms and the expected yield, and if the full irrigation requirement is applied, the forage maize yield in the studied areas can be increased by an average of 12.5 tons per hectare.

کلیدواژه‌ها [English]

  • Irrigation
  • Modeling
  • Multilayer Perceptron
  • Yield Gap

مراجع

باغانی، ج. و خوشبزم، ر. 1386. بررسی تولید و کارآیی مصرف آب آبیاری در محصولات زراعی چغندرقند، سیب­زمینی، گوجه­فرنگی و ذرت علوفه­ای در روش­های آبیاری قطره­ای و سطحی. گزارش پژوهشی نهایی شماره ثبت 86/1366، مؤسسه تحقیقات فنی و مهندسی کشاورزی، کرج.
بی­نام، 1396. آمار نامه کشاورزی وزارت جهاد کشاورزی، جلد اول: محصولات زراعی.
حیدری سورشجانی، س.، شایان­نژاد، م.، نادری، م. و حقیقتی، ب. 1394. تأثیر سطوح مختلف آبیاری بر خصوصیات کمی و کیفی ذرت علوفه­ای (رقم NS) و تعیین عمق بهینه آبیاری آن در شرایط کمبود آب. نشریه علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی). 19. 73: 137-125.
خدابنده، ن. 1388. زراعت گیاهان علوفه­ای. نشر علم کشاورزی ایران.310 ص.
رضائی استخروئیه، ع.، س. برومند نسب، ع. هوشمند و خانجانی، م. ج. 1390. تأثیرکم­آبیاری و خشکی موضعی ریشه بر خصوصیات مورفولوژیکی و فیزیولوژیکی گیاه ذرت. فصلنامه علمی پژوهشی مهندسی آبیاری و آب. 6: 76-67.
عباسی، ف.، نخجوانی، م. م.، سلامتی، ن.، خرمیان، م.، دهقانیان، س. ا.، جلینی، م.، اسلامی، ع. ر.، اخوان، ک.، گمرکچی، ه. ی و فرزام­نیا، م. 1396. تعیین آب مصرفی ذرت علوفه­ای در کشور. گزارش پژوهشی نهایی شماره 53054، مؤسسه تحقیقات فنی و مهندسی کشاورزی، کرج.
کریمی، م.، اصفهانی، م.، بیگلوئی، م.، ربیعی، ب و کافی قاسمی، ع. 1388. تأثیر تیمارهای کم­آبیاری بر صفات مورفولوژیک و شاخص های رشد ذرت علوفه­ای در شرایط آب و هوایی رشت. مجله الکترونیک تولید گیاهان زراعی. 2. 2 : 109-91.
کوچکی، ع.، حسینی، م و نصیری محلاتی، م. 1374. رابطه آب و خاک و گیاه در گیاهان زراعی. چاپ دوم. انتشارات جهاد دانشگاهی مشهد. 560 ص.
نصرا.. زاده، ص.، شیرخانی، ع. زهتاب سلماسی، س و چوگان، ر. 1396. اثر کودهای زیستی و شیمیایی بر عملکرد دانه و ویژگی­های برگ ذرت در شرایط آبیاری متفاوت. نشریه پژوهش­های کاربردی زراعی.  29. 4: 86-72.
نصرالهی، ع. ح.، هوشمند، ع و برومند نسب، س. 1396. بررسی واکنش ذرت به شوری تحت شرایط آبیاری قطره­ای و مدیریت آبیاری. مجله علوم و مهندسی آبیاری. 38. 4: 32-25.
Abood, M.A.A. 1978. Analysis of corn yield components for salinity and moisture treatments. Dissertation Abstracts International. 38: (12): 5683.
Alvarez, R. 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.
Ayers, R.S and Westcot, D. W. 1985. Water Quality for Agriculture. FAO Irrigation and Drainage Paper 29, Rev. 1, U.N. Rome.
Azizian, A and Sepaskhah, A.R. 2014. Maize response to different water, salinity and nitrogen levels: Agronomic behavior. International Journal of Plant Production. 8 (1):107-130.
Daryanto, S., Wang, L and Jacinthe, P. 2017. Global synthesis of drought effects on cereal, legume, tuber and root crops production: A review. Agricultural Water Management. 179: 18-33.
Kang, Y.H., Chen, M. and Wan, S.Q. 2010. Effects of drip irrigation with saline water on waxy maize (Zea mays L. var. ceratina Kulesh) in North China Plain. Agricultural Water Management, 97: 1303–1309.
Kaul, M., Hill, R.L and Walthall, C. 2005. Artificial neural networks for corn and soybean yield prediction. Agricultural Systems. 85: 1-18. 
Kresovic, B., Tapanarova, A., Tomic, Z., Ljubomirzivotic, L and Gaji, B. 2016. Grain yield and water use efficiency of maize as influenced by different irrigation regimes through sprinkler irrigation under temperate climate. Agricultural Water Management. 169: 34-43.
Markovic, M., Josipovic, M., Sostaric, J., Jambrovic, A and Brkic, A. 2017. Response of maize (Zea mays L.) grain yield and yield components to irrigation and nitrogen fertilization. Journal of Central European Agriculture. 18(1): 55-72.
Miao, Y., Mulla, D. J and Robert, P. C. 2006. Identifying important factors influencing corn yield and grain quality variability using artificial neural networks. Precision Agriculture. 7: 117- 135.
Ozesmi, S.L., Tan, C.O and Ozesmi, U. 2006. Methodological issues in building, training, and testing artificial neural networks in ecological applications. Ecological Modelling. 195, 83–93.
Payero, J. O., Tarkalson, D. D., Irmak, S., Davison, D and Petersen, J. L. 2009. Effect of timing of a deficit-irrigation allocation on corn evapotranspiration, yield, water use efficiency and dry mass. Agricultural Water Management. 96: 1387–1397.
Raes, D. 2012. The ETo calculator, evapotranspiration from a reference surface. Reference Manual. Version 3.2. FAO. 00153 Rome, Italy.
Sadras, V.O and Calvino, P.A. 2001. Quantification of grain yield response to soil depth in soybean, maize, sunflower, and wheat. Agronomy Journal. 93: 577–583.
Tayfur, G and Singh, V.P. 2005. Predicting longitudinal dispersion coefficient in natural streams by artificial neural network. Journal of Hydraulic Engineering.  131. 11: 991–1000.
Wolfe, D.W., Henderson, D.W., Hsiao, T.C and Alvino, A. 1988. Interactive water and nitrogen effects on senescence of maize: Leaf area duration, nitrogen distribution, and yield. Agronomy Journal. 80: 859-864.
Yesilnacar, M. I., Sahinkaya, E., Naz, M and Ozkaya, B. 2008. Neural network prediction of nitrate in groundwater of Harran plain, Turkey. Environmental Geology. 56: 19-25.
نشریه آبیاری و زهکشی ایران
دوره 13، شماره 5 - شماره پیاپی 77
آذر و دی 1398
صفحه 1460-1470

فایل ها

هم رسانی

ارجاع به این مقاله

آمار