فهرست نشریات علمی دسترسی آزاد ایران

گندم یک نقش اساسی در امنیت غذایی کشور داشته و تخمین میزان عملکرد آن، کمک موثری در تصمیم‌گیری‌های کلان و منطقه-ای دارد. برای پیش‌بینی عملکرد محصول، روش‌های هوش مصنوعی بعنوان یکی از ابزارهای بسیار مناسب شناخته شده‌اند. لذا در این تحقیق طیف وسیعی از مدل‌های یادگیری ماشین که شامل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF)، رگرسیون بردار پشتیبان (SVR) و اسپیلاین رگرسیون تطبیقی چند متغیره (MARS) در استان آذربایجان‌غربی که یکی از مناطق بسیار مهم در تولید گندم کشور است، مورد ارزیابی قرار گرفتند. براساس متغیرهای مؤثر بر عملکرد گندم دیم شامل مجموع بارش فصل زراعی، شمار روز اولین و آخرین بارش مؤثر ۱۰ میلی‌متری، 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 مؤثر، از روش آزمون گاما در ترکیب با الگوریتم ژنتیک استفاده شد. با استفاده از آزمون گاما و الگوریتم ژنتیک ۸ متغیر برای ورودی مدل‌ها انتخاب گردید. همچنین برای بهبود دقت پیش‌بینی مدل‌ها از ترکیب آن‌ها با الگوریتم گروهی تجزیه مد تجربی (EEMD) استفاده شد. نتایج تخمین‌ها نشان داد که مدل EEMD-MARS نتایج مناسب‌تری ارائه داد، که معیارهای ارزیابی خطا، شاملRMSE=0/112(ton.ha-1) ،MAE=0/088(ton.ha-1) ،NSE=0/945 و SI=0/101 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=0/132(ton.ha-1) ،MAE=0/080(ton.ha-1) و NSE=0/923 برای مرحله آزمون عملکرد مناسب‌تری داشت.