فهرست نشریات علمی دسترسی آزاد ایران

گندم به عنوان یک محصول استراتژیک نقش اساسی در امنیت غذایی کشور دارد. این تحقیق با هدف مقایسه الگوریتم‌های مختلف برای افزایش دقت  مدل­سازی عملکرد گندم دیم با استفاده از شبکه عصبی مصنوعی در مقیاس مزرعه­ای انجام شد. برای این منظور، ترکیب دو مجموعه داده شامل شاخص‌های سنجش ‌از دور و داده‌های اقلیمی برای 61 مزرعه، به ‌عنوان ورودی مدل‌ها، مورد استفاده قرار گرفت. مزارع شهرستان‌های اشنویه، نقده و پیرانشهر که در جنوب استان آذربایجان غربی واقع‌شده‌اند، به ‌عنوان محدوده‌ی مطالعاتی در نظر گرفته شدند. از شبکه عصبی مصنوعی (ANN) به عنوان مدل پایه و از دو الگوریتم فرا ابتکاری جستجوی خزندگان (RSA) و کرم شب­تاب (FFA) برای بهبود افزایش دقت آموزش شبکه عصبی مصنوعی استفاده شد. داده­های ورودی شامل شاخص­های تفاضلی نرمال شده گیاهی (NDVI) و شاخص گیاهی درصدی مادون قرمز (IPVI) همراه با پنج پارامتر اقلیمی شامل بارش، میانگین حداکثر دما، میانگین حداقل دما، میانگین متوسط دما و میانگین رطوبت نسبی می‌باشند. نتایج نشان داد که عملکرد مدل‌های هیبریدی توسعه داده­ شده در شبیه­سازی عملکرد گندم دیم نسبت به مدل مجزای ANN بهتر بود. عملکرد ANN-FFA با ضریب تبیین 758/0 و میانگین جذر مربعات خطا 189/0 تن بر هکتار در مرحله آزمون عملکرد مناسب­تری نسبت به مدل ANN-RSA با مقادیر به ترتیب ۷۴۸/۰ و ۱۹۰/۰ تن بر هکتار دارد. هر دو الگوریتم، شاخص خطای شبیه­سازی عملکرد گندم دیم را به میزان متوسط ۰۴۲/۰ تن بر هکتار کاهش دادند. در نتیجه مدل هیبریدی ANN-FFA موجب بهبود دقت شبیه‌سازی عملکرد گندم دیمی گردید که برای به جامعیت شناخت آن نیازمند استفاده و ارزیابی آن در سایر محدوده‌های مشابه است.