>
Fa   |   Ar   |   En
   application of artificial neural networks for multi-criteria yield prediction of winter wheat  
   
نویسنده niedbala g. ,kozlowski j. r.
منبع journal of agricultural science and technology - 2019 - دوره : 21 - شماره : 1 - صفحه:51 -61
چکیده    Three independent models were constructed for the prediction of yields of winter wheat. the models were designed to enable the prediction of yield at three dates: 15th april, 31st may, and 30th june. the models were built using artificial neural networks with mlp (multilayer perceptron) topology, based on meteorological data (air temperature and precipitation) and information on applications of mineral fertilizer. data were collected in the 2008 -2015 from 301 crop fields in the wielkopolska region of poland. the evaluation of the quality of predictions made using the neural models was verified by determination of prediction errors using the rae, rms, mae and mape measures. an important feature of the constructed predictive models is the ability to make a forecast in the current agricultural year based on uptodate weather and fertilization information. the lowest mape error values were obtained for the neural model ww30_06 (30th june) based on an mlp network with the structure 19:1915131:1, the error was 8.85%. sensitivity analysis revealed which factors had the greatest impact on winter wheat yield. the highest rank (1) was obtained by all networks for the same independent variable, namely, the mean air temperature in the period from 1st september to 31st december of the previous year (t912_ly).
کلیدواژه mlp network ,neural model ,predictive models ,winter wheat ,yield forecast.
آدرس poznan university of life sciences, institute of biosystems engineering, faculty of agronomy and bioengineering, poland, poznan university of life sciences, institute of biosystems engineering, faculty of agronomy and bioengineering, poland
 
   کار برد شبکه های عصبی مصنوعی برای پیش بینی عملکرد چند معیاری گندم زمستانه  
   
Authors
Abstract    در این پژوهش ، سه مدل مستقل برای پیش بینی عملکردهای گندم زمستانه ساخته شد. این مدل ها به گونه ای طراحی شده بود که پیش بینی عملکرد را در سه تاریخ 15 آوریل، 31 ماه مه، و 30 ژوئن ممکن می ساخت.در ساختن این مدل ها از شبکه مصنوعی با توپولوژی MLP(multilayer perceptron) بر پایه آمار هواشناسی (درجه حرارت هوا و بارندگی) واطلاعات مربوط به مصرف کودهای معدنی استفاده شد . داده ها در سال های 20152008 از 301 مزرعه در منطقه Wielkopolska لهستان برداشت شد. کیفیت پیش بینی ها ی به دست آمده از شبکه عصبی مصنوعی با تعیین خطاهای پیش بینی با استفاده از سنجه های RAE، RMS، MAEو MAPE ارزیابی شد. در مورد این مدل های پیش بینی، یک جنبه مهم این است که می توان بر مبنای آمار به روز هواشناسی و اطلاعات مصرف کود، عملکرد را در سال زراعی جاری پیشگویی کرد. در این پژوهش، کمترین مقدار خطای MAPE در شبکه عصبی مدل WW30_06 (30 June) و بر مبنای شبکه MLP با ساختار 19:1915131:1 برابر 85/8% بود. تحلیل حساسیت داده ها آشکار ساخت که کدام عوامل بیشترین تاثیر را روی عملکرد گندم زمستانه داشت. بالاترین رتبه (1) در تمام شبکه ها به طور یکسان به متغییر مستقل با نام میانگین درجه حرارت هوا از 1 سپتامبر تا 31 دسامبر سال قبل(T912_LY) تعلق داشت.
Keywords
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved