نشریه آبیاری و زهکشی ایران

نشریه آبیاری و زهکشی ایران

مدل‌سازی و پیش‌بینی عملکرد گندم دیم براساس متغیرهای هواشناسی با استفاده از روش‌های ترکیبی هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان
امین امیرعشایری 1
وحید رضاوردی نژاد 1
جواد بهمنش 2
فرخ اسدزاده 3
مینا رحیمی 4
1 دانشگاه ارومیه، گروه مهندسی آب
2 استاد گروه مهندسی آب، دانشگاه ارومیه، ارومیه، ایران
3 دانشگاه ارومیه، گروه مهندسی خاک
4 گروه مهندسی آب، دانشگاه ارومیه
چکیده
گندم یک نقش اساسی در امنیت غذایی کشور داشته و تخمین میزان عملکرد آن، کمک موثری در تصمیم‌گیری‌های کلان و منطقه-ای دارد. برای پیش‌بینی عملکرد محصول، روش‌های هوش مصنوعی بعنوان یکی از ابزارهای بسیار مناسب شناخته شده‌اند. لذا در این تحقیق طیف وسیعی از مدل‌های یادگیری ماشین که شامل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF)، رگرسیون بردار پشتیبان (SVR) و اسپیلاین رگرسیون تطبیقی چند متغیره (MARS) در استان آذربایجان‌غربی که یکی از مناطق بسیار مهم در تولید گندم کشور است، مورد ارزیابی قرار گرفتند. براساس متغیرهای مؤثر بر عملکرد گندم دیم شامل مجموع بارش فصل زراعی، شمار روز اولین و آخرین بارش مؤثر ۱۰ میلی‌متری، دما، رطوبت نسبی، تبخیر، میانگین ساعات آفتابی و به همراه مجموع تعداد روزهای یخبندان به عنوان متغیرهای ورودی در نظر گرفته شدند. برای بهینه کردن پارامترهای ورودی مؤثر، از روش آزمون گاما در ترکیب با الگوریتم ژنتیک استفاده شد. با استفاده از آزمون گاما و الگوریتم ژنتیک ۸ متغیر برای ورودی مدل‌ها انتخاب گردید. همچنین برای بهبود دقت پیش‌بینی مدل‌ها از ترکیب آن‌ها با الگوریتم گروهی تجزیه مد تجربی (EEMD) استفاده شد. نتایج تخمین‌ها نشان داد که مدل EEMD-MARS نتایج مناسب‌تری ارائه داد، که معیارهای ارزیابی خطا، شاملRMSE=0/112(ton.ha-1) ،MAE=0/088(ton.ha-1) ،NSE=0/945 و SI=0/101 برای مرحله آزمون بدست آمد. همچنین ۱۴ تابع مختلف برای تخمین عملکرد گندم دیمی در این مدل استخراج گردید. با این حال عملکرد مدل EEMD-SVR با ارزیابی خطاهای RMSE=0/132(ton.ha-1) ،MAE=0/080(ton.ha-1) و NSE=0/923 برای مرحله آزمون عملکرد مناسب‌تری داشت.
کلیدواژه‌ها
الگوریتم گروهی تجزیه مد تجربی
یادگیری ماشین
محصولات دیمی
آزمون گاما

عنوان مقاله English

Modeling and forecasting rainfed wheat yield based on meteorological variables using combined Artificial intelligence methods

نویسندگان English

Amin Amirashayeri 1
Vahid Rezaverdinejad 1
Javad Behmanesh 2
Farrokh Asadzadeh 3
Mina Rahimi 4
1 Urmia University
2 Professor of Water Engineering, Department of Water Engineering, Urmia University. Urmia. Iran
3 Urmia University
4 Urmia University
چکیده English

The wheat has a vital role in the country food security and its yield estimation can be useful in the reginal and macro decisions. To predict the crop yield, artificial intelligence models are known as one of the most suitable tools. Therefore, in the present research a wide range of machine learning models including artificial neural networks (ANN), random forest (RF), support vector regression (SVR) and multivariate adaptive regression spline (MARS) were evaluated in West Azerbaijan where is the most important region in Iran in wheat production. Based on the effective variables on the rainfed wheat yield, including total precipitation during the growing season, number of days prior the first and end rainfall events more than 10mm, relative humidity, evaporation, average sunshine hours and number of frost days were utilized as input variables. The gamma test (GT) method was used in combination with the genetic algorithm (GA) to optimize the number of input variables. Using the gamma test and genetic algorithm, 8 variables were selected as inputs for the models input. Additionally, the models were combined with Ensemble empirical mode decomposition (EEMD) to improve prediction accuracy. The results of this study show The EEMD-MARS model provided the most accurate results, with error evaluation criteria RMSE= 0.112(ton.ha-1), MAE= 0.088(ton.ha-1), NSE= 0.945, and SI= 0.101 for the test stage. Also, in this model, 14 different functions were extracted for estimating rainfed wheat yield. The EEMD-SVR model also had good performance whit comparing other models with error criteria RMSE= 0.132(ton.ha-1), MAE= 0.080(ton.ha-1), NSE= 0.923 in the test stage.

کلیدواژه‌ها English

Ensemble empirical mode decomposition
Machine learning
Dummy products
Gamma test
امیرعشایری، ا.، بهمنش، ج.، رضا وردی نژاد، وحید. و فتح اله زاده، ن. 1399. پیش‌بینی تبخیر‌-تعرق مرجع روزانه با استفاده از روش ترکیبی هوشمند مصنوعی بر پایه الگوریتم پیش‌پردازش‌کننده تجزیه مد تجربی. نشریه آبیاری و زهکشی ایران. 14(4): 1376-1390.‎
بسالت پور، ع ا.، حاج عباسی، م ع. و ایوبی، ش. 1392. استفاده از آزمون گاما برای انتخاب ورودی های بهینه در مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی. مجله پژوهش‌های حفاظت آب و خاک. 20(1): 97-114.‎
جعفری، م م.، لیاقت، ع م. و محتشمی، س. 1402. مقایسه و ارزیابی الگوریتم‌های LM، BR و GD شبکه عصبی مصنوعی در برآورد عملکرد گندم دیم براساس پارامترهای هواشناسی (مطالعه موردی: استان کرمانشاه). نشریه آبیاری و زهکشی ایران. 17(3): 544-529.‎
جلالی، م.، محمدی، غ­ ح.، حسینی صدر، ع. وخوشوقتی،ح. 1396. نقش پراکندگی مکانی و نوسانات زمانی پارامترهای اقلیمی در عملکرد گندم دیم. جغرافیای طبیعی. 9(34): 105-123.‎
سیفی، ا.، میر لطیفی، س.م. و ریاحی، ح. 1389.  توسعه مدل ترکیبی رگرسیون چندگانه-تحلیل مؤلفه ها و عامل هـای اصـلی (MLR-PCA)در پیش بینی تبخیر و تعرق مرجع (مطالعه موردی: ایستگاه کرمان)، نشریه آب و خاک. 24(6): 1196-1186.‎
فرج زاده اصل، م. و زرین، آ. 1381. مـدلسـازی میـزان عملکـرد محصـول گنـدم دیـم با توجه به معیارهای اقلیم‌شناسی کشاورزی در استان آذربایجان غربی. برنامه‌ریزی و آمایش فضا. 6(2): 77-97.‎
قبائی سوق، م.، مساعدی، ا.، حسام،م. و هزارجریبی،ا. 1389. ارزیابی تأثیر پیش پردازش پارامترهای ورودی به شبکه عصبی مصنوعی  (ANNs) با استفاده از روشهای رگرسیون گام به گام و گاما تست به منظور تخمین سریع تر تبخیر و تعرق روزانه. آب و خاک. 24(3): 624-610.‎
گودرزی، م.، صلاحی، ب. و حسینی، س.­ا. 1394. بررسی تغییرات اقلیمی بر تغییرات رواناب سطحی (مطالعه موردی: حوضه آبریز دریاچه ارومیه)، نشریه اکوهیدرولوژی. 2(2): 175-189.‎
میرعربی، ع.، ناصری، ع­ر.، نخعی، م. و علیجانی، ف. 1397. بررسی عملکرد مدل های داده مبنا در شبیه سازی گام‌های مختلف زمانی سطح آب زیرزمینی با استفاده از روش تلفیقی آزمون گاما و الگوریتم ژنتیک. زمین شناسی کاربردی پیشرفته. 8(2): 62-72.‎
Abbas, F., Afzaal, H., Farooque, A.A. and Tang, S. 2020. Crop yield prediction through proximal sensing and machine learning algorithms. Agronomy. 10(7): 1046.
Afrin, S., Khan, A. T., Mahia, M., Ahsan, R., Mishal, M. R., Ahmed, W., and Rahman, R. M. 2018, June. Analysis of soil properties and climatic data to predict crop yields and cluster different agricultural regions of Bangladesh. In 2018 IEEE/ACIS 17th International Conference on Computer and Information Science (ICIS) (pp. 80-85). IEEE.
Ali, M. and Prasad, R. 2019. Significant wave height forecasting via an extreme learning machine model integrated with improved complete ensemble empirical mode decomposition. Renewable and Sustainable Energy Reviews. 104: 281-295.
Amirashayeri, A., Behmanesh, J., Rezaverdinejad, V. and Fathollahzadeh Attar, N. 2023. Evapotranspiration estimation using hybrid and intelligent methods. Soft Computing. 27(14): 9801-9821.
Arshad, S., Kazmi, J. H., Javed, M. G. and Mohammed, S. 2023. Applicability of machine learning techniques in predicting wheat yield based on remote sensing and climate data in Pakistan, South Asia. European Journal of Agronomy. 147: 126837.
Azar, N. A., Kardan, N. and Milan, S. G. 2023. Developing the artificial neural network–evolutionary algorithms hybrid models (ANN–EA) to predict the daily evaporation from dam reservoirs. Engineering with Computers. 39(2): 1375-1393.
Breiman, L. 2001. Random forests. Machine Learning. 45(1): 5-32.
Dastorani, M., Mirzavand, M., Dastorani, M. T. and Sadatinejad, S. J. 2016. Comparative study among different time series models applied to monthly rainfall forecasting in semi-arid climate condition. Natural Hazards. 81(3): 1811-1827.
Deo, R. C., Downs, N., Parisi, A. V., Adamowski, J. F., and Quilty, J. M. 2017. Very short-term reactive forecasting of the solar ultraviolet index using an extreme learning machine integrated with the solar zenith angle. Environmental research. 155: 141-166.
Durrant, P. J. 2001. WinGamma: A non-linear data analysis and modelling tool with applications to flood prediction. Unpublished PhD thesis, Department of Computer Science, Cardiff University, Wales, UK.
Fijani, E., Barzegar, R., Deo, R., Tziritis, E. and Konstantinos, S. 2019. Design and implementation of a hybrid model based on two-layer decomposition method coupled with extreme learning machines to support real-time environmental monitoring of water quality parameters. Science of the total environment. 648: 839-853.
   Friedman, J. H. 1991. Multivariate adaptive regression splines. The annals of statistics. 19(1): 1-67.
Gandhi, N., Petkar, O., and Armstrong, L. J. 2016, July. Rice crop yield prediction using artificial neural networks. In 2016 IEEE Technological Innovations in ICT for Agriculture and Rural Development (TIAR). (pp. 105-110). IEEE.
Ghaemi, A., Rezaie-Balf, M., Adamowski, J., Kisi, O. and Quilty, J. 2019. On the applicability of maximum overlap discrete wavelet transform integrated with MARS and M5 model tree for monthly pan evaporation prediction. Agricultural and Forest Meteorology. 278, 107647.
Grinberg, N. F., Orhobor, O. I. and King, R. D. 2020. An evaluation of machine-learning for predicting phenotype: studies in yeast, rice, and wheat. Machine Learning. 109(2): 251-277.
Huang, N. E., Wu, M. L., Qu, W., Long, S. R. and Shen, S. S. 2003. Applications of Hilbert–Huang transform to non‐stationary financial time series analysis. Applied stochastic models in business and industry. 19(3): 245-268.
Huang, N.E., Shen, Z., Long, S.R., Wu, M.C., Shih, H.H., Zheng, Q., Yen, N.C., Tung, C.C. and Liu, H.H. 1998. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: mathematical, physical and engineering sciences. 454(1971): 903-995.
Huang, Y., Yang, L., Liu, S. and Wang, G. 2019. Multi-Step Wind Speed Forecasting Based On Ensemble Empirical Mode Decomposition, Long Short Term Memory Network and Error Correction Strategy. Energies. 12(10): 1822.
Jamnani, M.R., Kayhomayoon, Z., Azar, N.A., Milan, S.G., Marghmaleki, S.N. and Berndtsson, R. 2024. Large discrepancy between future demand and supply of agricultural water in northwestern Iran; evidence from WEAP-MODFLOW-machine learning under the CMIP6 scenario. Computers and Electronics in Agriculture. 216:108505.
Kayhomayoon, Z., Ghordoyee-Milan, S., Jaafari, A., Arya-Azar, N., Melesse, A.M. and Moghaddam, H.K. 2022. How does a combination of numerical modeling, clustering, artificial intelligence, and evolutionary algorithms perform to predict regional groundwater levels?. Computers and Electronics in Agriculture. 203:107482.
Kemp, S. E., Wilson, I. D., and Ware, J. A. 2004. A tutorial on the gamma test. International Journal of Simulation: Systems, Science and Technology. 6(1-2): 67-75.
Khaki, S., Wang, L., and Archontoulis, S. V. 2020. A CNN-RNN framework for crop yield prediction. Frontiers in Plant Science. 10:1750.
Khouban, L., Ghaiyoomi, A.A., Teshnehlab, M., Ashlaghi, A.T., Abbaspour, M. and Nassiri, P. 2015. COMBINATION OF ARTIFICIAL NEURAL NETWORKS AND GENETIC ALGORITHM-GAMMA TEST METHOD IN PREDICTION OF ROAD TRAFFIC NOISE. Environmental Engineering & Management Journal (EEMJ). 14(4).
Kim, N., Ha, K. J., Park, N. W., Cho, J., Hong, S. and Lee, Y. W. 2019. A comparison between major artificial intelligence models for crop yield prediction: Case study of the midwestern United States, 2006–2015. ISPRS International Journal of Geo-Information. 8(5):240.
Koncar, N. 1997. Optimisation methodologies for direct inverse neurocontrol (Doctoral dissertation, University of London).
Kumar, D., Kumar, Y., Gulati, A. and Kukreja, V. 2022, October. Wheat crop yield prediction using machine learning. In 2022 International Conference on Data Analytics for Business and Industry (ICDABI). 433-437. IEEE.
Meraj, G., Kanga, S., Ambadkar, A., Kumar, P., Singh, S.K., Farooq, M., Johnson, B.A., Rai, A. and Sahu, N. 2022. Assessing the yield of wheat using satellite remote sensing-based machine learning algorithms and simulation modeling. Remote Sensing. 14(13):3005.
Murakami, K., Shimoda, S., Kominami, Y., Nemoto, M. and Inoue, S. 2021. Prediction of municipality-level winter wheat yield based on meteorological data using machine learning in Hokkaido, apan PloS One.16 (10):1-19.
Oshiro, T. M., Perez, P. S. and Baranauskas, J. A. 2012. How many trees in a random forest? In Machine Learning and Data Mining in Pattern Recognition: 8th International Conference, MLDM 2012, Berlin, Germany, July 13-20, 2012. Proceedings 8 (pp. 154-168). Springer Berlin Heidelberg.
Rehman, N. and Mandic, D. P. 2010. Multivariate empirical mode decomposition. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences. 466(2117):1291-1302.
Remesan.R. and Mathew, J. 2015. Hydrological Data-Driven Models (A Case Study Approach), Springer International Publishing Switzerland, 249P.
Rezaie-Balf, M., Kisi, O. and Chua, L. H. 2019. Application of ensemble empirical mode decomposition based on machine learning methodologies in forecasting monthly pan evaporation. Hydrology Research. 50(2):498-516.
Rezaie-Balf, M., Naganna, S.R., Kisi, O. and El-Shafie, A. 2019. Enhancing streamflow forecasting using the augmenting ensemble procedure coupled machine learning models: case study of Aswan High Dam. Hydrological Sciences Journal. 64(13):1629-1646.
Rigatti, S. J. 2017. Random forest. Journal of Insurance Medicine. 47(1):31-39.
Sinwar, D., Dhaka, V. S., Sharma, M. K. and Rani, G. 2020. AI-based yield prediction and smart irrigation. Internet of Things and Analytics for Agriculture. 2:155-180.
Sunil, G. L., Nagaveni, V., and Shruthi, U. 2022, July. A review on prediction of crop yield using machine learning techniques. In 2022 IEEE region 10 symposium (TENSYMP) (pp. 1-5). IEEE.
Taheri, M., Emadzadeh, M., Gholizadeh, M., Tajrishi, M., Ahmadi, M. and Moradi, M. 2019. Investigating the temporal and spatial variations of water consumption in Urmia Lake River Basin considering the climate and anthropogenic effects on the agriculture in the basin. Agricultural water management. 213:782-791.
Vapnik, V. 1998. Statistical learning theory. John Wiley & Sons google schola. 2:831-842.
Wu, Z. and Huang, N. E. 2009. Ensemble empirical mode decomposition: a noise-assisted data analysis method. Advances in adaptive data analysis. 1(01):1-41.
Yao, X. 1999. Evolving artificial neural networks. Proceedings of the IEEE. 87(9):1423-1447.
Yeh, J. R., Shieh, J. S. and Huang, N. E. 2010. Complementary ensemble empirical mode decomposition: A novel noise enhanced data analysis method. Advances in adaptive data analysis. 2(02):135-156.
نشریه آبیاری و زهکشی ایران
دوره 19، شماره 2 - شماره پیاپی 111
خرداد و تیر 1404
صفحه 243-261