فهرست نشریات علمی دسترسی آزاد ایران

به منظور برنامه‌ریزی و سیاست‌گذاری صحیح در بخش کشاورزی از نقطه نظر استفاده پایدار از منابع آب و تأمین امنیت غذایی و خودکفایی در تولید محصولات استراتژیکی همچون گندم، ضروری است پیش‌بینی دقیقی از عملکرد گندم دیم انجام پذیرد. در سال‌های اخیر استفاده از روش‌های 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. داده‌های هواشناسی مربوط به 10 ایستگاه هواشناسی واقع در استان کرمانشاه (1398-1384) به عنوان داده‌های ورودی مورد نیاز مدل‌ها استفاده شد. پس از تعیین هم‌بستگی‌ها بین پارامتر‌های هواشناسی و میزان عملکرد گندم دیم، متغیرهای رطوبت نسبی و بارش تحت سه سناریو شامل ترکیب‌های مختلف از داده‌های ورودی انتخاب و مدل‌های مذکور برای هر کدام اجرا شد. مقایسه مقادیر تخمینی و مشاهداتی عملکرد گندم دیم نشان‌دهنده عملکرد قابل قبول هر سه مدل بود؛ برای مرحله آزمون مقادیر R2 برای بهترین ترکیب داده ورودی در سه الگوریتم BR، GD و LM به ترتیب 85/۰، 64/0 و 74/۰ و مقادیر RMSE نیز به ترتیب 09/0، 16/0 و 18/0 تن بر هکتار بود. مقایسه نتایج ترکیب‌های مختلف داده ورودی نشان داد که پارامتر بارش دارای بیش‌ترین اهمیت در تخمین عملکرد گندم دیم می‌باشد، با این وجود استفاده از داده‌های بارش و رطوبت نسبی بصورت همزمان تحت سناریوی سوم به عنوان داده‌های ورودی مدل ها منجر به بیش‌ترین دقت می‌گردد. در نهایت شبکه تحت الگوریتم BR با ترکیب ورودی‌های بارش و رطوبت نسبی با مقادیر R2 و RMSE برای مرحله آزمون به ترتیب برابر 85/0 و 09/0 تن بر هکتار، به عنوان مدل بهینه در تخمین عملکرد گندم دیم نسبت به سایر الگوریتم‌ها و ترکیبات ورودی شناخته شد.