ارزیابی دقت روش شبکه عصبی در برآورد سرمای دیررس بهاره در مناطق پسته‌کاری شهر کرمان

سرمای دیررس بهاره تاثیر قابل‌توجهی بر اندام های آسیب پذیر گیاهان می گذارد. این رویداد در آسیا، آمریکای شمالی و اروپا بیش از سایر مخاطرات مرتبط با آب‌وهوا باعث زیان اقتصادی به کشاورزی شده است. همچنین این پدیده باعث کاهش عملکرد محصول در ایران شده است. آخرین آمار منتشر شده از سوی سازمان خواربار و کشاورزی ملل متحد (فائو) نشان می‌دهد که ایران یکی از بزرگ‌ترین تولیدکنندگان محصول پسته در جهان می باشد. استان کرمان سهم زیادی از سطح زیر کشت محصول پسته را به خود اختصاص داده است. خسارت سرمازدگی بهاره در پسته باعث کاهش عملکرد محصول در چند سال اخیر شده است. یک اصل مهم در مطالعه سرمازدگی، برآورد این پدیده است. در این تحقیق از روش شبکه عصبی مصنوعی مدل ffbp برای برآورد سرمای دیررس بهاره در محصول پسته شهرستان کرمان استفاده شد. بدین‌منظور داده‌های روزانه ایستگاه سینوپتیک شهر کرمان از سازمان هواشناسی کشور در بازه زمانی 2000-2020 اخذ شد. این داده ها شامل میانگین، بیشینه و کمینه دما، رطوبت نسبی، سرعت باد، فشار بخار اشباع و ساعات آفتابی می باشد. پنج ترکیب مختلف از این متغیرها به‌عنوان ورودی در روش شبکه عصبی برای مدل‌سازی دماهای کمینه در نظر گرفته شد. در نهایت ترکیب 8 متغیره ای از بین مدل ها انتخاب گردید و شبیه‌سازی مقادیر دمای کمینه و محاسبه ویژگی های سرمای دیررس بهاره با آن انجام شد. عملکرد این روش با استفاده از شاخص‌های آماری ضریب تعیین، ریشه میانگین مربعات خطا، میانگین خطای انحراف و ضریب نش ساتکلیف ارزیابی شد. بررسی نتایج مدل سازی نشان داد با کاهش تعداد متغیرها دقت مدل ها کاهش می یابد. مدل m1 با کمترین مقدار rmse و بیشترین مقدار r2 در بین سایر مدل ها عملکرد بهتری داشت. پس از شبیه سازی با روش شبکه عصبی مقادیر شاخص‌های 963/0r2= و صفر=mbe حاصل شد که نشان‌دهنده ارتباط قوی با داده‌های واقعی بود. علاوه بر آن، مقدار شاخص های 027/0= rmse و 966/0nse= کارایی بالای مدل را در برآورد نشان داد. بررسی میانگین دمای سالانه نشان داد نوسانات دما در بازه زمانی 10-31 مارس در مقایسه با ماه های آوریل و می زیاد می باشد. کاهش محسوس میانگین دمای سالانه در سال های 2000، 2006 و 2020 در این بازه نسبت به دیگر سال ها بیشتر بود. در ماه آوریل نیز سال های 2001، 2005، 2006، 2009، 2016 و 2019 کاهش دمای محسوسی داشتند. در ماه می باتوجه به میانگین دمای کمینه بین 10 تا 14 درجه سلسیوس احتمال سرمازدگی کمتری نسبت به ماه مارس و آوریل وجود داشت. نتایج نشان داد تعداد روزهای یخبندان بهاره مشاهداتی و برآوردی حاصل از روش شبکه عصبی انطباق خوبی با یکدیگر داشتند. این روش در برآورد تعداد روزهای بحرانی (دماهای کمینه  کمتر و مساوی 2 درجه سلسیوس) نیز دقت قابل قبولی داشت. همچنین سال های 2000، 2004، 2005، 2012، 2015، 2019 و 2020 بیشترین تعداد روزهای یخبندان بهاره و سال های 2006، 2016 و 2019 بیشترین تعداد روزهای بحرانی را در دو دهه ی اخیر دارا بودند. با بررسی نتایج می توان گفت روش شبکه عصبی مصنوعی در برآورد دمای کمینه و ویژگی های مرتبط با سرمای دیررس بهاره از دقت بالایی برخوردار است.

evaluation of accuracy of neural network method for late spring frost estimating in pistachio growing areas of kermann

introductionspring frost is considered an important threat to agricultural products in high and middle latitudes. the damage caused by late spring frosts (lsfs) significantly impacts vulnerable plant organs. this event has caused more economic losses to agriculture than any other climatic hazard in asia, north america, and europe. also, these phenomena have contributed to low crop yields in iran. the latest statistics released by the food and agriculture organization of the united nations (fao) show that iran is one of the largest producers of agricultural products and the world’s second-biggest producer of pistachios. kerman province is one of the significant areas of pistachio production. this province has a large share of the pistachio word area plantation. spring frost damage to pistachio crops has led to low yields in recent years. a key aspect of studying frost is the ability to accurately estimate its occurrence. in this study, artificial neural network methods have been used to estimate late spring frost in the pistachio crop of kerman city. materials and methodsin this study, the efficiency of this method was investigated in the estimation of minimum temperature. for this purpose, the daily data of the synoptic station of kerman city were obtained from iran meteorological organization from 2000 to 2020. meteorological data including mean, maximum, and minimum temperatures, relative humidity, wind speed, saturated vapor pressure, and sunshine hours were used. five different combinations of these variables was considered as input variables in artificial neural network method for minimum temperatures modeling. after entering data into network and modeling with each combination, rmse and r2 values were calculated. finally, the combination of 8 variables including average and maximum temperature, the minimum temperature the previous day and two days prior, relative humidity, wind speed, saturated vapor pressure, and sunny hours were selected as the most suitable combination of variables. subsequently, a simulation of minimum temperature values was conducted using 10% of the data. the performance of the methods was evaluated using statistical indices of coefficient of determination (r2), mean square of error (rmse), mean bias error (mbe), and coefficient of nash–sutcliffe (nse). results and discussionthe accuracy of an analytical method is the degree of agreement between the test results generated by the method and the true value. upon examining the models, the m1 model was identified as the best due to its lowest rmse and higher r². ann model results were evaluated using various performance measure indicators. the simulated outcome of the model indicated a strong association with actual data, where the correlation coefficient was above 0.95, and the mbe index was zero. also, the rmse value was positive and close to zero, and the nse value was above 0.75. therefore artificial neural network method had high accuracy. in this study, mean annual minimum temperature was estimated using artificial neural network models (from march 10 to may 20). comparison between the observed and calculated data showed that these data were in good agreement. also, the results showed that temperature fluctuations were high between march 10 and march 31. from 2011 to 2017, an almost uniform temperature trend has been observed between march 10 and march 31. however, the years 2000, 2006, and 2020 showed a noticeable decrease in temperature. from 2018 to 2020, this trend of temperature reduction continued. in april, the temperature values were between 7 and 10 degrees celsius. the years 2001, 2005, 2006, 2009, 2016, and 2019 had a noticeable decrease in temperature. in may, the mean minimum temperature was between 10 and 14 degrees celsius. therefore, the probability of frost occurrence in early-flowering cultivars was higher in late march than in april and may. the years 2000, 2004, 2005, 2012, 2015, 2019 and 2020 had the highest number of frost days in the last two decades. conclusionthe results showed that the artificial neural network method had a high performance in estimating the minimum temperature. the values of the statistical indicators were r2=0.963, rmse=0.027oc, mbe= 0 and nse=0.966 respectively. in addition, the ann method performed well in estimating the number of critical frost days for pistachio crops. the results showed that, although reducing the amount of input data in models decreases their output precision, data-driven methods can still be useful tools for minimum temperature estimation.