ارزیابی کارایی الگوریتم تنبل در تخمین عملکرد محصول زعفران بر اساس پارامترهای اقلیمی (مطالعه موردی: بیرجند)

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 523

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SAFRON-8-2_009

تاریخ نمایه سازی: 21 مرداد 1399

چکیده مقاله:

زعفران به عنوان با ارزش­ترین محصول کشاورزی و دارویی جهان جایگاه ویژه­ای در بین محصولات صنعتی و صادراتی ایران دارد. در حال حاضر، ایران بزرگترین تولید کننده و صادرکننده زعفران در جهان است، به طوری که بیش از 7/93 درصد تولید جهانی این محصول گران­بها به ایران اختصاص دارد. اما علیرغم قدمت کشت زعفران و ارزش افزوده این محصول در مقایسه با بسیاری از محصولات زراعی رایج در کشور سهم کمتری از فناوری­های نوین را به خود اختصاص داده و تولید آن عمدتا بر دانش بومی متکی بوده است. پژوهش حاضر با هدف توسعه و ارزیابی کارایی مدل­های KStar و LWL در محاسبه عملکرد محصول گیاه زعفران بر اساس پارامترهای اقلیمی انجام گرفته است. کالیبراسیون و صحت­سنجی مدل­ها با استفاده از آمار عملکرد این محصول و عوامل اقلیمی طی سال­های 2017-1998 صورت پذیرفت. به منظور ارزیابی مدل­ها از شاخص­های آماری ضریب تبیین (R2)، میانگین قدر مطلق خطا (MAE)، ریشه متوسط خطای مربعات (RMSE) و نش- ساتکلیف  (NSE) استفاده شد. از مدل­های پیشنهادی، مدل KStar در سناریوی e با 00/1 = R2، 00/0 =MAE ،  00/0 = RMSEو 00/1 = NSE می­باشند که از دقت مناسبی در تخمین عملکرد گیاه زعفران داشت. این دقت بالای مدل KStar، باعث شده که بتوان به راحتی عملکرد زعفران را در مناطق مختلف زعفران کاری کشور بر اساس داده­های موجود در ایستگاه­های مختلف تخمین زد.

نویسندگان

فهیمه خادم پور

دانشجوی دکتری گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، ایران

عباس خاشعی سیوکی

دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، ایران

محمدعلی بهدانی

استاد گروه زراعت و اصلاح نباتات، دانشکده کشاورزی، دانشگاه بیرجند، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Adams, R.M. 2000. Climate variability and climate change: Implications for ...
  • Akbarpour, A., Kharashadizadeh, O., Shahidi, A., and Ghochanian, E. 2013. ...
  • Ataee, Sh. 2007. Data WEKA Software. University of Science and ...
  • Behdani, M.A. Koocheki, A.R., Nassiri Mahallati, M., and Rezvani Moghaddam, ...
  • Cleary, J.G., and Trigg, L.E. 1995. An: Instance- based learner ...
  • Cravener, T.L., and Roush, W.B. 2001. Prediction of amino acid ...
  • Oftadeh- Fadafen, A., Aminifard, M.H., Behdani, M.A., and Moradinezhad, F. ...
  • KhasheiSiuki, A., Hashemi, S.R., and Ahmadee, M. 2016. Application of ...
  • Mzabri, I., Legsayer, M., Chetouani, M., Aamar, A., and Kouddane, ...
  • Rosenzweig, C., and Parry, M.L. 1994. Potential impacts of climate ...
  • Sadeghi, B. 1993. Effect of Corm Weight on Saffron Flower ...
  • Witten, I.H., and Frank, E. 2000. Data Mining: Practical Machine ...
  • Witten, I.H., and Frank, E. 2005. Data Mining: Practical Machine ...
  • Wu, F.Y., and Yen, K.K. 1992. Application of neural network ...
  • نمایش کامل مراجع