مقایسه و ارزیابی الگوریتم‌های LM، BR و GD شبکه عصبی مصنوعی در برآورد عملکرد گندم دیم براساس پارامترهای هواشناسی (مطالعه موردی: استان کرمانشاه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.

2 استاد گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.

3 دانشجوی کارشناسی ارشد گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.

چکیده

به منظور برنامه‌ریزی و سیاست‌گذاری صحیح در بخش کشاورزی از نقطه نظر استفاده پایدار از منابع آب و تأمین امنیت غذایی و خودکفایی در تولید محصولات استراتژیکی همچون گندم، ضروری است پیش‌بینی دقیقی از عملکرد گندم دیم انجام پذیرد. در سال‌های اخیر استفاده از روش‌های هوش مصنوعی برای این منظور مورد توجه محققین قرار گرفته است. در این تحقیق عملکرد سه الگوریتم BR، GD و LM شبکه عصبی مصنوعی در برآورد عملکرد گندم دیم مورد ارزیابی و مقایسه قرار گرفت. داده‌های هواشناسی مربوط به 10 ایستگاه هواشناسی واقع در استان کرمانشاه (1398-1384) به عنوان داده‌های ورودی مورد نیاز مدل‌ها استفاده شد. پس از تعیین هم‌بستگی‌ها بین پارامتر‌های هواشناسی و میزان عملکرد گندم دیم، متغیرهای رطوبت نسبی و بارش تحت سه سناریو شامل ترکیب‌های مختلف از داده‌های ورودی انتخاب و مدل‌های مذکور برای هر کدام اجرا شد. مقایسه مقادیر تخمینی و مشاهداتی عملکرد گندم دیم نشان‌دهنده عملکرد قابل قبول هر سه مدل بود؛ برای مرحله آزمون مقادیر R2 برای بهترین ترکیب داده ورودی در سه الگوریتم BR، GD و LM به ترتیب 85/۰، 64/0 و 74/۰ و مقادیر RMSE نیز به ترتیب 09/0، 16/0 و 18/0 تن بر هکتار بود. مقایسه نتایج ترکیب‌های مختلف داده ورودی نشان داد که پارامتر بارش دارای بیش‌ترین اهمیت در تخمین عملکرد گندم دیم می‌باشد، با این وجود استفاده از داده‌های بارش و رطوبت نسبی بصورت همزمان تحت سناریوی سوم به عنوان داده‌های ورودی مدل ها منجر به بیش‌ترین دقت می‌گردد. در نهایت شبکه تحت الگوریتم BR با ترکیب ورودی‌های بارش و رطوبت نسبی با مقادیر R2 و RMSE برای مرحله آزمون به ترتیب برابر 85/0 و 09/0 تن بر هکتار، به عنوان مدل بهینه در تخمین عملکرد گندم دیم نسبت به سایر الگوریتم‌ها و ترکیبات ورودی شناخته شد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison and Evaluation of LM, BR and GD Algorithms of Artificial Neural Network in Estimating Rainfed Wheat Yield Based on Meteorological Parameters (Case Study: Kermanshah Province)

نویسندگان [English]

  • Mohammad Mahdi Jafari 1
  • Abdolmajid Liaghat 2
  • Soheila Mohtashami 3
1 Ph.D. Candidate, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Tehran, Iran.
2 Professor, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Tehran, Iran.
3 M.Sc student, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Tehran, Iran.
چکیده [English]

In order to plan and make correct policies in agricultural sector in terms of sustainable application of water resources and ensuring food security and self-sufficiency in the production of strategic products such as wheat, it is necessary to make an accurate prediction of dryland wheat yield. Recently, use of artificial intelligence methods for this purpose has increasingly attracted researchers' attention. In this study, the performance of three ANN algorithms, BR, GD, and LM were evaluated and compared to estimate dryland wheat yield. Meteorological data (2004-2018) from 10 meteorological stations, located in Kermanshah province, were used as input data in the proposed models. After determining the correlations between meteorological parameters and dryland wheat yield, relative humidity (RH) and precipitation (P) variables under three different input data combinations were used in the proposed models. Comparison of the predicted and observed data of dryland wheat yield showed acceptable performance of all three models. The R2 values of training step for the best combination of input data for the ANN algorithms (BR, GD and LM) were 0.85, 0.64 and 0.74, respectively, and the RMSE values were 0.09, 0.16 and 0.18 tons per hectare, respectively. Comparison of the results of different input data combinations showed that the P parameter has the most importance in predicting the yield of dryland Wheat, however, the use of P and RH data simultaneously as the third scenario leads to the highest accuracy. Finally, the BR algorithm by combining the inputs of P and RH with R2 and RMSE values for the test data equal to 0.85 and 0.09 ton/ha respectively, as the optimal model in estimating the drtyland Wheat Yield compared to other algorithms and input combinations were known.

کلیدواژه‌ها [English]

  • Feedforward neural network
  • Intelligent models
  • Learning algorithms
  • Prediction
  • Rainfed Wheat

مراجع

احسانی، م. و خالدی، ه. 1381. شناخت و ارتقای بهره وری آب کشاورزی به منظور تأمین امنیت آبی و غذایی. یازدهمین سمینار کمیته ملی آبیاری و زهکشی، تهران، ایران.
آراسته، م.، کابلی، س.ح. و یزدانی، م. 1396. بررسی تأثیرات خشکسالی‌های هواشناسی بر عملکرد دو محصول گندم و جو دیم (مطالعه موردی: استان خراسان رضوی). هواشناسی کشاورزی. 5(1): 25-15.
انصاری، ش.، اسلامیان، س. و پورعبدالله، ن. 1395. اثر پارامترهای هواشناسی بر عملکرد گندم و جو دیم در استان چهار محال و بختیاری، دومین کنگره ملی آبیاری و زهکشی ایران، اصفهان.
بازگیر، س. و کمالی، غ.ع. 1387. پیش­بینی عملکرد گندم دیم با استفاده از شاخص­های هواشناسی کشاورزی در برخی از مناطق غرب کشور. مجله علوم کشاورزی و منابع طبیعی. 15(2): 10-1.
باقری، ع.ر. و سهرابی، ن. 1397. پیش‌بینی عملکرد جو دیم و آبی (Hordeum vulgare L.) با استفاده از رهیافت شبکه عصبی مصنوعی (مطالعه موردی: استان کرمانشاه). بوم شناسی کشاورزی. 10(2): 528-516.
تاتاری، م.، کوچکی، ع.ر. و نصیری­محلاتی، م. 1388. پیش­بینی عملکرد گندم دیم در استان خراسان با استفاده از داده­های بارندگی و خاک با به کارگیری انواع مدل­های رگرسیونی. پژوهش­های زراعی ایران. 7(2): 365-357.
جدی، ح.ر.، عباسپور، ر.ع.، خالصیان، م. و علوی­پناه، س.ک. 1396. پیش‌بینی غلظت آلاینده منوکسیدکربن در کلان‌شهر تهران با استفاده از شبکه‌های عصبی مصنوعی. انجمن متخصصان ایران. 19(5): 25-13.
جعفری، م.م.، اوجاقلو، ح. و کرباسی، م. 1400. مقایسه عملکرد شبکه‌های عصبی مصنوعی و برنامه‌ریزی بیان ژن در برآورد منحنی مشخصه آب در خاک‌های جنگلی. تحقیقات آب و خاک ایران. 52(8): 2109-2093.
حاجی‌آبادی، ف.، حسن‌پور، ف.، یعقوب­زاده، م. و حمامی، ح. 1397. ارزیابی خشک‌سالی در بیرجند با تاکید برشاخص خشک‌سالی پالمر واسنجی شده و عملکرد نسبی محصول گندم دیم. نشریه آبیاری و زهکشی ایران، 12(1): 142-130.
حسینی، ا.، گلابی، م.ر.، معروفی، ص.، خالدیان، ن. و سلطانی، م. 1399. ارزیابی مدل شبکه عصبی توسعه یافته با فیلتر کالمن و برنامه‌ریزی بیان ژن در مدل‌سازی بارش. مهندسی و مدیریت آبخیز. 12(3): 784-771.
حسینی، س.م.ط.، سی­و­سه مرده، ع.، فتحی، پ. و سی­و­سه مرده، م. 1386. کاربرد شبکه­های عصبی مصنوعی و رگرسیون چند متغیره در برآورد عملکرد گندم دیم منطقه قروه استان کردستان. پژوهش کشاورزی. 7(1): 54-41.
حمدی­احمدآباد، ی.، لیاقت، ع.، رسول­زاده، ع. و قادرپور، ر. 1398. بررسی روند سرانه مصرف آب در ایران براساس رژیم غذایی دو دهه گذشته. تحقیقات آب و خاک ایران. 50(1): 87-77.
خاشعی­سیوکی، ع.، کوچک­زاده، م. و قهرمان، ب. 1390. پیش­بینی عملکرد گندم دیم با استفاده از داده­های هواشناسی بوسیله سیستم­های هوشمند در استان خراسان، ایران. مجله بین المللی علوم و فناوری کشاورزی، 13(4): 640-627.
دشتی، ق.، باقری، پ.، پیش­بهار، اسماعیل. و مجنونی، ا. 1397. ارزیابی تاثیر تغییر اقلیم بر تبخیر-تعرق و عملکرد گندم دیم در شهرستان اهر. نشریه آبیاری و زهکشی ایران. 12(2): 423-409.
دهقانی، ر.، یونسی، ح. و ترابی­پوده، ح. 1396. مقایسه عملکرد مدل­های ماشین بردار پشتیبان، برنامه­ریزی بیان ژن و شبکه بیزین در پیش­بینی جریان رودخانه­ها (مطالعه موردی: رودخانه کشکان). مجله پژوهش‌های حفاظت آب و خاک. 24(4): 177-161.
رستملو، م.، اجاقلو، ح. و کرباسی، م. 1397. مقایسه عملکرد سامانه­ی استنتاج فازی-عصبی و برنامه­ریزی بیان ژن به منظور تخمین ضریب یکنواختی پخش آب در سامانه­های آبیاری بارانی کلاسیک. مجله پژوهش آب ایران. 4(31): 94-85.
زارع ابیانه، ح. 1392. بررسی نقش عوامل اقلیمی و خشکسالی بر تغییرپذیری عملکرد چهار محصول دیم در مشهد و بیرجند. نشریه دانش آب و خاک. 23(1): 56-39.
زارع­ابیانه، ح. 1391. ارزیابی روش­های شبکه­ی عصبی مصنوعی و زمین آمار در برآورد توزیع مکانی عملکرد گندم دیم و آبی (مطالعه­ی موردی: خراسان رضوی). پژوهش­های جغرافیای طبیعی. 44(4): 42-23.
سبحانی، ن. و عرب اسدی، ز. 1393. پیش­بینی عملکرد گندم دیم با استفاده از سیتم شبکه عصبی (استان خراسان شمالی). همایش ملی الکترونیکی دستاوردهای نوین در علوم مهندسی و پایه، اردبیل.
صادق زاده اهری، د. 1380. بررسی عملکرد ارقام گندم با عادت­های رشدی متفاوت در دو تاریخ کاشت به منظور تعیین عادت رشدی مناسب برای مناطق سردسیر دیم. مجله نهال و بذر. 17(1): 43-32.
صالح­نیا، ن.، فلاحی، م.ع.، انصاری، ح. و داوری، ک. 1386. بررسی تعرفه­های آب شرب شهری و تاثیر آن بر الگوی مصرف آب مشترکان، مطالعه موردی: شهر نیشابور. آب و فاضلاب. 18(3): 59-50.
صفری، ف.، رمضانی­اعتدالی، ه.، کاویانی، ع. و آبابایی، ب. 1396. پیش­بینی عملکرد و مراحل مختلف رشد گیاه گندم با استفاده از شبکه عصبی مصنوعی. چهاردهمین همایش ملی آبیاری و کاهش تبخیر، کرمان.
صفری، ف.، رمضانی­اعتدالی، ه.، کاویانی، ع. و آبابایی، ب. 1398. امکان‌سنجی آموزش شبکه‌های عصبی مصنوعی با استفاده از مدل‌های گیاهی برای پیش‌بینی عملکرد و طول دوره‌های رشد گندم. نیوار. 43: 112-101.
عباسی، ع.، خلیلی، ک.، بهمنش، ج. و شیرزاد، ا. 1399. مقایسه روش­های شبکه­های عصبی مصنوعی، شبکه بیزین و برنامه­ریزی بیان ژن در پیش­بینی خشکسالی (مطالعه موردی: ایستگاه سینوپتیک مراغه). پژوهشنامه مدیریت حوزه آبخیز. 11(21 ): 71-59.
عریضی، ح.ر. و گل­پرور، م. 1388. سبک رهبری و رضایت شغلی: مقایسه رگرسیون گام به گام با رگرسیون ریج. فصلنامه روان شناسی ایرانی. 26(6): 27-3.
عینی، ح.، صادقی، س. و حسین‌زاده، س.ر. 1391. پهنه‌بندی پتانسیل‌های توپوکلیمایی کشت گندم دیم در استان کرمانشاه. جغرافیا و توسعه ناحیه­ای. 10(2): 45-21.
قوامسعیدی نوقابی، س.، یعقوب‌زاده، م.، شهیدی، ع.، حمامی، ح. و کلانکی، م. 1399. ارزیابی مدل DSSATv4.7 در شبیه‌سازی مراحل فنولوژیکی و عملکرد گندم رقم آنفارم 4 تحت سطوح مختلف آبیاری. نشریه آبیاری و زهکشی ایران. 14(2): 558-548.
کوچکی، ع. و کمالی، غ. 1388. تغییر اقلیم و تولید گندم دیم در ایران. نشریه پژوهش­های زراعی ایران. 8(3): 520-508.
محنت­کش، ع.، ایوبی، ش.، جلالیان، ا. و دهقانی، ا.ا. 1395. مقایسه مدل­های رگرسیون چند متغیره خطی و شبکه­های عصبی مصنوعی برای برآورد عملکرد گندم دیم در مناطقی از زاگرس مرکزی. زراعت دیم ایران. 5(2): 133-119.
مونس­خواه، و. و مجنونی هریس، ا. 1396. تأثیر آبیاری تکمیلی گندم دیم بر شاخص رضایت‌مندی نیاز آبی در اقلیم نیمه‌خشک دشت تبریز. نشریه آبیاری و زهکشی ایران. 11(6): 1151-1143.
نخجوانی مقدم، م.م.، قهرمان، ب.، داوری، ک.، علیزاده، ا.، دهقانی­سانیج، ح. و توکلی، ع.ر. 1395. شبیه‌سازی عملکرد گندم در شرایط دیم کامل و آبیاری تکمیلی و ارائه سناریوهای برتر مدیریتی در بالادست حوضه آبریز کرخه. نشریه آبیاری و زهکشی ایران. 10(4): 478-466.
نصیری محلاتی، م. وکوچکی، ع.ر. 1384. اثر تغییر اقلیم برشاخص­های اگروکلیماتیک مناطق کشت گندم دیم در ایران. مجله پژوهش­های زراعی ایران. 3(2): 303-291.
هلالی، ج.، قهرمان، ن. و خلیلی، ع. 1395. مقایسه مقادیر درجه روز رشد (GDD) گندم با استفاده از داده­های ساعتی و روزانه دما در دو نمونه اقلیمی ایران. پژوهش­های کاربردی زراعی. 29(1): 18-8.
یاراحمدی، د. و نصیری، ب. 1383. به کارگیری مدل تلفیقی پانل در ارتباط با میزان عملکرد گندم دیم و پارامترهای  اقلیمی: استان لرستان. مدرس علوم انسانی. 8(4): 190-175.
یزدان­پناه، ح. 1389. تعیین میزان اثر عناصر اقلیمی بر عملکرد گندم دیم در استان آذربایجان شرقی با استفاده از شبکه­های عصبی هوشمند. فصلنامه جغرافیا و توسعه. 8(20): 144-133.
Abdollahpour, S., Kosari-Moghaddam, A. and Bannayan, M. 2020. Prediction of wheat moisture content at harvest time through ANN and SVR modeling techniques. Information Processing in Agriculture. 7(4): 500-510.
Angus, J.F., Herwaarden, A., Howe, G.N. and Van, H.A. 1991. Productivity and break crop effects of winter-growing oilseeds. Animal Production Science. 31(5): 669-677.
Asseng, S., Foster, I. and Turner, N. 2011. The impact of temperature variability on wheat yields. Global Change Biology. 17: 997-1012.
Baier, W. and Robertson, G.W. 1967. Estimating yield components of wheat from calculated soil moisture. Canadian Journal of Plant Science. 47(6): 617-630.
Bannayan, M., Najafi, F., Azizi, M., Tabrizi, L. and Rastgoo, M. 2008. Yield and seed quality of plant goovata and Nigella sativa under different irrigation treatments. Industrial Crops and Products. 27: 11-16.
Drummond, S.T., Sudduth, K.A., Joshi, A., Birrell, S.J. and Kitchen, N.R. 2003. Statistical and neural methods for site–specific yield prediction. Transactions of the ASAE. 46: 5.
Faghih, H., Behmanesh, J., Rezaie, H. and Khalili, K. 2021. Climate and rainfed wheat yield. Theoretical and Applied Climatology, 144: 13–24.
FAO. 2015. Food and Agriculture Organization of the United Nations. FAO. http://faostat3.fao.org
Fraisis, C., Staub, C.G., Gelcer, E., Dourte, D., Montone, V., Kohmann, M., Hawkins, G., Payero, J., Knox, P., Zierden, D. and Krantz, Sh. 2016. The AgroClimate Workbook: A Guide for Climate and Agriculture in the Southeastern U.S., University of Florida. 31-35.
Green, T.R., Salas, J.D., Martinez, A. and Erskine, R.H. 2007. Relating crop yield to topographic attributes using spatial analysis neural networks and regression. Geoderma. 139: 23-37.
He, Y., Wei, Y., Depauw, R., Qian, B., Lemke, R., Singh, A., Cuthbert, R., Mcconkey, B. and Wang, H. 2013. Spring Wheat Yield in the Semiarid Canadian Prairies: Effects of Precipitation Timing and Soil Texture over Recent 30 Years. Field Crops Research. 149: 329-337.
Jafari, M.M., Ojaghlou, H., Zare, M. and Schumann, G.J. 2021. Application of aNovelHybridWavelet-ANFIS/Fuzzy C-Means Clustering Model to Predict Groundwater Fluctuations. Atmosphere. 12(1): 1-15.
Karimzadeh Soureshjani, H. 2021. Relationship between weather conditions and climate indices with rainfed crop yield. International Journal of Plant Production, 15: 541–551.
Kheir, A.M., El Baroudy, A., Aiad, M.A., Zoghdan, M.G., El-Aziz, M.A.A., Ali, M.G. and Fullen, M.A. 2019. Impacts of rising temperature, carbon dioxide concentration and sea level on wheat production in North Nile delta. Science of the Total Environment. 651: 3161-3173.
Landau, S., Mitchell, R.A.C., Barnett, V., Colls, J.J., Craigon, J. and Payne, R.W. 2000. A parsimonious, multiple-regression model of wheat yield response to environment. Agricultural and Forest Meteorology. 101: 151–166.
Lavine, B.K. and Blank, T.R. 2009. Feed-Forward Neural Networks. Comprehensive Chemometrics. 571–586.
Lobell, D. 2005. Analysis of wheat yield and climatic trend in Mexico. Field Crops Research. 94: 250-256.
Mansourian, S., Izadi Darbandi, E., Rashed Mohassel, M.H., Rastgoo, M. and Kanouni, H. 2017. Comparison of artificial neural networks and logistic regression as potential methods for predicting weed populations on dryland chickpea and winter wheat fields of Kurdistan province, Iran. Crop Protection. 93: 43-51.
Mehdipour, V., Memarianfard, M. and Homayounfar, F. 2017. Application of gene expression programming to water dissolved oxygen concentration prediction. International Journal of Human Capital in Urban Management. 2(1): 1-10.
Nazari, B., Liaghat, A., Akbari, M.R. and Keshavarz, M. 2018. Irrigation water management in Iran: Implications for water use efficiency improvement. Agricultural water management. 208: 7-18.
Neil Bird, D., Benabdallah, S., Gouda, N., Hummel, F., Köberl, J., La Jeunesse, I., Meyer, S., Neil Prettenthaler, F., Soddu, A. and Woess-Gallasch, S. 2016. Modelling climate impacts on and adaptation strategies for agriculture in Sardinia and Tunisia using aquacrop and Value-at-Risk. Science of the Total Environment.
Norouzi, M., Ayoubi, S., Jalalian, A., Khademi, H. and Dehghani, A.A. 2010. Predicting rainfed wheat quality by artificial neural network using terrain and soil characteristics. Acta Agriculturae Scandinavica, Section B-Soil and Plant Science. 60(4): 341-352.
Okut, H. 2016. Bayesian Regularized Neural Networks for Small n Big p Data. Artificial Neural Networks - Models and Applications.
Patterson, W. 1996. Artificial Neural Network: Theory and Applications, second edition, Prentice Hall Press.
Puig-Arnavat, M. and Bruno, J.C. 2015. Artificial Neural Networks for Thermochemical Conversion of Biomass. Recent Advances in Thermo-Chemical Conversion of Biomass. 133–156.
Qian, N. 1999. On the momentum term in gradient descent learning algorithms. Neural Networks. 12(1): 145–151.
Seckler, D., Baker, R. and Amarasinghe, U.A. 1999. Water scarcity in the twenty-first century. International Journal of Water Resources Development. 15(1-2): 29–42.
Shepherd, G.M. 1990. The synaptic organization of the brain, third edition, Oxford university press.
Shiri, J., Sadraddini, A.A., Nazemi, A.H., Kisi, O., Landeras, G., Fakheri Fard, A. and Marti, P. 2014. Generalizability of gene expression programming-based approaches for estimating daily reference evapotranspiration in coastal stations of Iran. Journal of Hydrology. 508: 1–11.
Taki, M., Rohani, A., Soheili-Fard, F. and Abdeshahi, A. 2018. Assessment of energy consumption and modeling of output energy for wheat production by neural network (MLP and RBF) and Gaussian process regression (GPR) models. Journal of Cleaner Production. 172: 3028-3041.
Wu, F.Y. and Yen, K.K. 1992. Applications of neural network in regression analysis. Computers and Industrial Engineering. 23: 93-95
نشریه آبیاری و زهکشی ایران
دوره 17، شماره 3 - شماره پیاپی 99
مرداد و شهریور 1402
صفحه 529-544

فایل ها

هم رسانی

ارجاع به این مقاله

آمار