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
)
