forecasting wheat production in iran using time series technique and artificial neural network

With the increase of the world population, the worries and concerns for food supply increase too. wheat, as one of the most important agricultural products, which is widely consumed all over the world, has a very important role in people’s nutrition, particularly among iranians, the diet of whom is highly dependent on bread. product forecasting is critical for any country so that decisions about storage, import or export, etc. can be planned. in this paper, several univariate time series models and the artificial neural network (ann) model are used to forecast wheat production in iran. annual wheat production, total annual precipitation, total applied fertilizer, population, and wheat cultivated area data were used in the period between 1961-1962 to 2018-2019. with the minimum values of 1.45894, 1.00329, 1.0448, and 1.09742 obtained for rmse, aic, hqc, and sibc criteria, respectively, autoregressive integrated moving average (arima) (1,1,1) was selected as the best univariate model. in testing the ann models, total annual precipitation, total applied fertilizer, population, and wheat cultivated, area as input variables, and wheat production, as output variable, were used. among several nn models, the multilayer perceptron neural network (mlp-nn) model with five hidden layers had the lowest mse= 0.153 and was chosen in this study. comparison between the ann model and the arima (1,1,1) model showed that rmse= 0.391, mse= 0.153, and mape= 0.4231 in the ann model were much lower than that of the arima (1,1,1) model. the results showed the power of ann models to predict wheat production using efficient parameters, as compared to the arima model.

پیش بینی تولید گندم در ایران با استفاده از تکنیک سری زمانی و شبکه عصبی مصنوعی

با افزایش جمعیت جهان، نگرانی­ها برای تامین غذا نیز افزایش می­یابد. گندم، به عنوان یکی از مهمترین محصولات کشاورزی که به طور گسترده در سراسر جهان مصرف می­شود، نقش بسیار مهمی در تغذیه مردم دارد، به ویژه در رژیم غذایی ایرانیان که به نان بستگی زیادی دارد. پیش بینی محصول برای هر کشوری امری حیاتی است، لذا بر این اساس، تصمیم گیری در مورد ذخیره سازی، واردات یا صادرات و غیره می­تواند برنامه ریزی شود. در این مقاله، مدل­های مختلف سری زمانی تک متغیره و مدل شبکه عصبی مصنوعی برای پیش بینی تولید گندم در ایران استفاده شده است. داده­های تولید سالیانه گندم، مجموع بارندگی سالیانه، مجموع کود مصرفی، جمعیت و زمین زیرکشت گندم از سال 62-1961 تا 19-2018 مورد استفاده قرار گرفته است. با مینیمم مقادیر 45894/1، 00329/1، 0448/1 و 09742/1 به ترتیب برای معیارهای rmse، aic، hqc و sbic، مدل arima (1,1,1) به عنوان بهترین مدل تک متغیره انتخاب گردید. در پیاده­سازی مدل­های شبکه عصبی مصنوعی (ann)، مجموع بارندگی سالیانه، مجموع کود مصرفی، جمعیت و زمین زیرکشت گندم به عنوان متغیرهای ورودی و تولید گندم به عنوان متغیر خروجی مورد استفاده قرار گرفت. مدل شبکه عصبی پرسپترون چندلایه (mlp-nn) با پنج لایه پنهان که دارای کمترین مقدار mse=0.153 در میان چندین مدل شبکه عصبی در این مطالعه بود انتخاب گردید. مقایسه میان مدل ann و مدل arima (1,1,1) نشان داد که در مدل ann، مقادیر rmse=0.391، mse=0.153 و mape=0.4231 بسیار کمتر از مدل arima (1,1,1) می­باشد. نتایج نشان دهنده قدرت مدل­های ann در پیش بینی تولید گندم با استفاده از پارامترهای کارامد در مقایسه با مدل arima می­باشد.