پیش‌بینی عملکرد سویا در شرایط دیم با استفاده از سیستم استنتاج نروفازی (anfis)

یکی از روش‌های پیش‌بینی عملکرد گیاهان زراعی دیم استفاده از مشخصات آب و هوایی می‌باشد. پیش‌بینی عملکرد گیاهان زراعی نقش مهمی در سیاست‌گذاری‌های بخش کشاورزی ایفا می‌کند. آشکارترین کاربرد آن، تعیین اعتبار لازم جهت خرید گیاهان زراعی و قیمت‌گذاری آن برای سال آینده می‌باشد. تاکنون از مدل‌های ریاضی شامل آنالیز رگرسیون و نیز شبکه‌های عصبی مصنوعی جهت پیش‌بینی عملکرد گیاهان زراعی دیم استفاده شده است. در این پژوهش با استفاده از سیستم استنتاج نروفازی (anfis) و داده‌های هواشناسی 11 سال زراعی (1388 - 1377)، روشی جدید جهت پیش‌بینی عملکرد گیاهان زراعی سویای دیم در منطقه گنبد استان گلستان به‌کار گرفته شده است. مشخصات مورد استفاده به‌عنوان ورودی سیستم استنتاج نروفازی (anfis) شامل میانگین هفتگی بارندگی، درجه حرارت، درصد رطوبت و تعداد ساعات آفتابی و خروجی آن میزان عملکرد گیاهان زراعی بر حسب کیلوگرم در هکتار می‌باشد. تحلیل رگرسیون چند مرحله‌ای پیش رو برای انتخاب مشخصات بهینه جهت پیش‌بینی عملکرد گیاهان زراعی با استفاده از نرم‌افزار spss 18 و ایجاد، آموزش و آزمون سیستم استنتاج نروفازی (anfis) با استفاده از نرم‌افزار matlab r2011a انجام شد. anfis به‌کار گرفته شده در این پژوهش دارای تابع عضویت از نوع constant در لایه خروجی و تابع عضویت از نوع gaussmf در لایه ورودی می‌باشد. تعداد توابع عضویت برای هر کدام از ورودی ها 3 تابع و برای لایه خروجی 1 تابع بود. نتایج به‌دست آمده نشان داد که سیستم استنتاج نروفازی ارائه شده با 21 قانون قادر به پیش‌بینی عملکرد گیاهان زراعی سویای دیم با مقدار rsme برابر با 102/170 می‌باشد.

Soybean Yield Prediction Using Adaptive Nero-Fuzzy Interface System (ANFIS)

Productivity of rainfed crops may be predicted using the climatic parameters. Crop yield prediction has an important role in agricultural policies including determining the crop price. Wellknown prediction methods are regression method and arterial neural networks. In this paper soybean yield is predicted using Adaptive NeroFuzzy Interface System (ANFIS) and 11 years of climatic data (19982009) in GonbadeKavous region of Golestan province, Iran. Mean weekly rainfall, mean weekly temperature, mean weekly relative humidity and mean weekly sun shine hours were ANFIS inputs and its output was soybean grain yield (kg/ha). Stepwise Regression for Feature selection from climatic data was done with the SPSS18 software and ANFIS was created, trained and tested with MATLAB R2011a software. Trained ANFIS has ‘constant’ membership function in output layer and ‘gaussmf’ membership function in input layer. Each input has 3 membership functions and each output has one membership function. Root Mean Square Error (RMSE) criterion was used to evaluate the performance of the ANFIS. The results showed that the proposed ANFIS with 21 rules has a prediction error (RMSE) of 102.170.