مقایسه و ارزیابی الگوریتم های LM، BR و GD شبکه عصبی مصنوعی در برآورد عملکرد گندم دیم براساس پارامترهای هواشناسی (مطالعه موردی: استان کرمانشاه)

به منظور برنامه ریزی و سیاست گذاری صحیح در بخش کشاورزی از نقطه نظر استفاده پایدار از منابع آب و تامین امنیت غذایی و خودکفایی در تولید محصولات استراتژیکی همچون گندم، ضروری است پیش بینی دقیقی از عملکرد گندم دیم انجام پذیرد. در سال های اخیر استفاده از روش های هوش مصنوعی برای این منظور مورد توجه محققین قرار گرفته است. در این تحقیق عملکرد سه الگوریتم BR، GD و LM شبکه عصبی مصنوعی در برآورد عملکرد گندم دیم مورد ارزیابی و مقایسه قرار گرفت. داده های هواشناسی مربوط به ۱۰ ایستگاه هواشناسی واقع در استان کرمانشاه (۱۳۹۸-۱۳۸۴) به عنوان داده های ورودی مورد نیاز مدل ها استفاده شد. پس از تعیین هم بستگی ها بین پارامتر های هواشناسی و میزان عملکرد گندم دیم، متغیرهای رطوبت نسبی و بارش تحت سه سناریو شامل ترکیب های مختلف از داده های ورودی انتخاب و مدل های مذکور برای هر کدام اجرا شد. مقایسه مقادیر تخمینی و مشاهداتی عملکرد گندم دیم نشان دهنده عملکرد قابل قبول هر سه مدل بود؛ برای مرحله آزمون مقادیر R۲ برای بهترین ترکیب داده ورودی در سه الگوریتم BR، GD و LM به ترتیب ۸۵/۰، ۶۴/۰ و ۷۴/۰ و مقادیر RMSE نیز به ترتیب ۰۹/۰، ۱۶/۰ و ۱۸/۰ تن بر هکتار بود. مقایسه نتایج ترکیب های مختلف داده ورودی نشان داد که پارامتر بارش دارای بیش ترین اهمیت در تخمین عملکرد گندم دیم می باشد، با این وجود استفاده از داده های بارش و رطوبت نسبی بصورت همزمان تحت سناریوی سوم به عنوان داده های ورودی مدل ها منجر به بیش ترین دقت می گردد. در نهایت شبکه تحت الگوریتم BR با ترکیب ورودی های بارش و رطوبت نسبی با مقادیر R۲ و RMSE برای مرحله آزمون به ترتیب برابر ۸۵/۰ و ۰۹/۰ تن بر هکتار، به عنوان مدل بهینه در تخمین عملکرد گندم دیم نسبت به سایر الگوریتم ها و ترکیبات ورودی شناخته شد.

کلیدواژه ها:

الگوریتم های یادگیری ، پیش بینی ، شبکه عصبی پیشخور ، گندم دیم ، مدل های هوشمند