تحلیل دقت و عدم قطعیت مدل شبکه عصبی مصنوعی در پیش بینی عملکرد زعفران در خراسان جنوبی مبتنی بر داده های اقلیمی

با توجه به حساسیت عملکرد زعفران و تاثیرپذیری آن از پارامترهای اقلیمی و خاصیت غیرخطی توابع عملکرد گیاهی، در این تحقیق پیش بینی و تحلیل عدم قطعیت مدل شبکه عصبی مصنوعی در تخمین عملکرد زعفران انجام شد. بردار ورودی مدل از بین 37 مولفه مختلف، بر اساس استراتژی همبستگی و تحلیل تورم واریانس بهینه سازی شد و مدل با معماری 11-4-2-1 با تابع فعالسازی سیگمویید در مراحل سه گانه آموزش و آزمایش و ارزیابی عملکرد برتری را نشان داد. مقادیر پارامترهای MAE و RMSE مدل شبکه عصبی مصنوعی در مرحله یادگیری برابر 0/3 و 0/5 و در مرحله آزمایش بهترتیب 0/7 و 1 حاصل شد. نتایج تحلیل عدم قطعیت مونت کارلو بر مبنای 1000 نمونه گیری بدون جای گذاری، بر اساس فاکتورهای d-factor, 95% PPU, R2 بیانگر پهنای باند اطمینان مطلوب پیش بینی ها بود و الگوهای عمومی و کلی تغییرات عملکرد زعفران را به خوبی پیشبینی نمود. متوسط ضریب R2 مدل در مرحله آموزش و آزمایش بر اساس 1000 شبیهسازی مونت کارلو به ترتیب 0/92 و 0/58 بود که برای مدلهای عملکرد گیاهی مبتنی بر دادههای اقلیمی دارای معنی داری در سطح %1 است. با اینحال در شرایط حدی و مرزی، احتمال بروز وقایعی خارج از باند پیشبینی 95 درصد وجود داشته و لزوم توجه به شرایط مدیریت تغذیه، کود، خاک و آب مزارع در مدلهای هوشمند پیشبینی عملکرد را نشان میدهد. بر اساس نتایج پژوهش حاضر برنامه ریزان به جای مواجهه با یک رقم به عنوان پیشبینی، ترکیب این رقم و باند اطمینان را در اختیار داشته و میتوانند تصمیمات واقع بینانه تری اتخاذ نمایند.

کلیدواژه ها:

پارامترهای اقلیمی ، تحلیل عدم قطعیت ، شبکه عصبی مصنوعی ، شبیه سازی مونت کارلو ، عملکرد زعفران