مدل سازی و پیش بینی عملکرد گندم دیم براساس متغیرهای هواشناسی با استفاده از روش های ترکیبی هوش مصنوعی

گندم یک نقش اساسی در امنیت غذایی کشور داشته و تخمین میزان عملکرد آن، کمک موثری در تصمیم گیری های کلان و منطقه-ای دارد. برای پیش بینی عملکرد محصول، روش های هوش مصنوعی بعنوان یکی از ابزارهای بسیار مناسب شناخته شده اند. لذا در این تحقیق طیف وسیعی از مدل های یادگیری ماشین که شامل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF)، رگرسیون بردار پشتیبان (SVR) و اسپیلاین رگرسیون تطبیقی چند متغیره (MARS) در استان آذربایجان غربی که یکی از مناطق بسیار مهم در تولید گندم کشور است، مورد ارزیابی قرار گرفتند. براساس متغیرهای موثر بر عملکرد گندم دیم شامل مجموع بارش فصل زراعی، شمار روز اولین و آخرین بارش موثر ۱۰ میلی متری، 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 موثر، از روش آزمون گاما در ترکیب با الگوریتم ژنتیک استفاده شد. با استفاده از آزمون گاما و الگوریتم ژنتیک ۸ متغیر برای ورودی مدل ها انتخاب گردید. همچنین برای بهبود دقت پیش بینی مدل ها از ترکیب آن ها با الگوریتم گروهی تجزیه مد تجربی (EEMD) استفاده شد. نتایج تخمین ها نشان داد که مدل EEMD-MARS نتایج مناسب تری ارائه داد، که معیارهای ارزیابی خطا، شاملRMSE=۰/۱۱۲(ton.ha-۱) ،MAE=۰/۰۸۸(ton.ha-۱) ،NSE=۰/۹۴۵ و SI=۰/۱۰۱ 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=۰/۱۳۲(ton.ha-۱) ،MAE=۰/۰۸۰(ton.ha-۱) و NSE=۰/۹۲۳ برای مرحله آزمون عملکرد مناسب تری داشت.

کلیدواژه ها:

الگوریتم گروهی تجزیه مد تجربی ، یادگیری ماشین ، محصولات دیمی ، آزمون گاما