کاربرد شبکه های عصبی مصنوعی در پیش بینی عملکرد محصول کلزا

پیش بینی عملکرد محصولات کشاورزی نقش مهمی در سیاست گذاری های بخش کشاورزی ایفا می کند. آشکارترین کاربرد پیش بینی عملکرد، تعیین اعتبار لازم توسط دولت جهت خرید محصول و قیمت گذاری آن برای سال آینده می باشد. تحقیقات مربوط به پیش بینی عملکرد محصولات کشاورزی بیشتر بر پایه استفاده از تحلیل رگرسیونی استوار بوده است. در این پژوهش عملکرد محصول کلزای دیم در منطقه گنبد استان گلستان توسط شبکه های عصبی مصنوعی با استفاده از داده های هواشناسی ۱۱ سال زراعی (۱۳۸۸-۱۳۷۷) پیش بینی شد. ورودی های شبکه های عصبی میانگین بارندگی هفتگی، میانگین درجه حرارت هفتگی، میانگین رطوبت نسبی هفتگی و میانگین تعداد ساعات آفتابی هفتگی و خروجی آنها میزان عملکرد محصول بر حسب کیلوگرم در هکتار می باشد. از شبکه عصبی پرسپترون چند لایه (MLP) با الگوریتم آموزش پس انتشار لونبرگ- مارکواردت(Levenberg-Marquardt) (LM) برای پیش بینی عملکرد استفاده شد و معیارهای ریشه میانگین مربع خطا (RMSE)(Root Mean Square Error) و مجذور ضریب هم بستگی (R۲)(Correlation Coefficient) جهت ارزیابی کارآیی شبکه استفاده شده به کارگرفته شدند. نتایج به دست آمده نشان داد که شبکه عصبی مصنوعی با ساختار ۱-۲۰-۱۳ دارای کمترین مقدار RMSE برابر با ۲۳۵/۱۰۱ و بیشترین مقدارR۲ برابر با ۹۹۷/۰ در میان ساختارهای مختلف شبکه عصبی به کارگرفته شده می باشد. این نتایج نشان دهنده توانایی بالای شبکه عصبی آموزش دیده در پیش بینی عملکرد محصول کلزاست.

کلیدواژه ها:

Canola ، Artificial neural networks ، Yield. ، کلزا ، شبکه عصبی مصنوعی ، عملکرد