تعیین متغیر‌های اقلیمی موثر بر عملکرد پسته با استفاده از الگوریتم c&r درخت تصمیم

در دهه‌های اخیر، نوسانات اقلیمی در طی فصل رشد درخت پسته، کاهش مشهودی در عملکرد کمی و کیفی این گیاه راهبردی در مناطق عمده تولید آن در ایران ایجاد کرده است. تحقیق حاضر با هدف مشخص‌کردن مهمترین عوامل اقلیمی موثر بر عملکرد پسته با استفاده از مدل درخت تصمیم (c&r tree) انجام شد. مدل‌ با استفاده از عوامل اقلیمی ایستگاه رفسنجان شامل سرعت باد، تعداد روزهای یخبندان، مجموع بارندگی، مجموع تبخیر، میانگین رطوبت هوا، جمع ساعات آفتابی، متوسط دما، میانگین کمینه دما و میانگین بیشینه دما (به عنوان متغیرهای ورودی) و عملکرد پسته (به عنوان متغیر هدف) طی سال‌‌های 1398-1380 اجرا شد. به منظور ارزیابی مدل، شاخص‌های آماری ضریب تبیین، جذر میانگین مربعات خطا، جذر میانگین مربعات خطای نسبی و اریبی استفاده شدند. درخت تصمیم برای میانگین 6 ماه پیش از برداشت و 6 ماه پس از برداشت (با تاثیر بر محصول سال بعد) به صورت جداگانه اجرا گردید و ضریب تبیین (r2) به ترتیب 0.88 و 0.86 بدست آمد که نشانگر مهارت قابل قبول رهیافت در تخمین عملکرد پسته می‌باشد. آمارهrmse برای 6 ماه پیش و پس از برداشت محصول به ترتیب 521 و 558 (kg ha1) تعیین شد. بر اساس نتایج حاصل از کاربرد درخت تصمیم، از میان متغیر‌های مستقل مورد استفاده در مدلسازی در نیمه اول سال مهمترین متغیرهای اقلیمی به ترتیب رطوبت نسبی و تعداد ساعات آفتابی و در نیمه دوم سال به ترتیب سرعت وزش باد، دمای کمینه، میزان بارندگی و رطوبت نسبی هستند.

Determination of effective weather variables on pistachio yield using C&R decision tree algorithm

In recent decades, climate variation during the pistachio growing have significantly reduced the quantity nd quslity of yield of this strategic crop of Iran. The purpose of this study is to determine the most important climatic factors affecting pistachio crop yield using C&R decision tree model in Rafsanjan region south of Iran. during the period of 13801399. Modeling was performed using climatic variables including wind speed, number of frost days,rainfall,total evaporation,mean relative humidity, sunshine hours, mean temperature, mean of Tmax and Tmin as input variables and pistachio yield as the target variable. Correlation coefficient, root mean square error, relative error and bias metrics were used to evaluate the model. The decision tree model was run separately for 6 months before and sfter harvest. The obtained correlation coefficients were of 0.88 and 0.86, respectively, which is acceptable for prediction of yield. The RMSE values for pre and postharvest periods were 521 and 558 Kg ha1, respectively. According to the results of the decision tree, during the preharvest period, the most significant attributes were the relative humidity and the number of sunny hours, respectively and the for the second half of the year the wind speed, minimum temperature, rainfall and relative humidity were the most affecting variables, respectively.