مدل‌سازی و پیش‌بینی عملکرد گندم دیم براساس متغیرهای هواشناسی با استفاده از روش‌های ترکیبی هوش مصنوعی

گندم یک نقش اساسی در امنیت غذایی کشور داشته و تخمین میزان عملکرد آن، کمک موثری در تصمیم‌گیری‌های کلان و منطقه ای دارد. برای پیش‌بینی عملکرد محصول، روش‌های هوش مصنوعی بعنوان یکی از ابزارهای بسیار مناسب شناخته شده‌اند. لذا در این تحقیق طیف وسیعی از مدل‌های یادگیری ماشین که شامل شبکه عصبی مصنوعی (ann)، جنگل تصادفی (rf)، رگرسیون بردار پشتیبان (svr) و اسپیلاین رگرسیون تطبیقی چند متغیره (mars) در استان آذربایجان‌غربی که یکی از مناطق بسیار مهم در تولید گندم کشور است، مورد ارزیابی قرار گرفتند. براساس متغیرهای موثر بر عملکرد گندم دیم شامل مجموع بارش فصل زراعی، شمار روز اولین و آخرین بارش موثر 10 میلی‌متری، دما، رطوبت نسبی، تبخیر، میانگین ساعات آفتابی و به همراه مجموع تعداد روزهای یخبندان به عنوان متغیرهای ورودی در نظر گرفته شدند. برای بهینه کردن پارامترهای ورودی موثر، از روش آزمون گاما در ترکیب با الگوریتم ژنتیک استفاده شد. با استفاده از آزمون گاما و الگوریتم ژنتیک 8 متغیر برای ورودی مدل‌ها انتخاب گردید. همچنین برای بهبود دقت پیش‌بینی مدل‌ها از ترکیب آن‌ها با الگوریتم گروهی تجزیه مد تجربی (eemd) استفاده شد. نتایج تخمین‌ها نشان داد که مدل eemd mars نتایج مناسب‌تری ارائه داد، که معیارهای ارزیابی خطا، شاملrmse=0/112(ton.ha 1) ،mae=0/088(ton.ha 1) ،nse=0/945 و si=0/101 برای مرحله آزمون بدست آمد. همچنین 14 تابع مختلف برای تخمین عملکرد گندم دیمی در این مدل استخراج گردید. با این حال عملکرد مدل eemd svr با ارزیابی خطاهای rmse=0/132(ton.ha 1) ،mae=0/080(ton.ha 1) و nse=0/923 برای مرحله آزمون عملکرد مناسب‌تری داشت.

modeling and forecasting rainfed wheat yield based on meteorological variables using combined artificial intelligence methods

the wheat has a vital role in the country food security and its yield estimation can be useful in the reginal and macro decisions. to predict the crop yield, artificial intelligence models are known as one of the most suitable tools. therefore, in the present research a wide range of machine learning models including artificial neural networks (ann), random forest (rf), support vector regression (svr) and multivariate adaptive regression spline (mars) were evaluated in west azerbaijan where is the most important region in iran in wheat production. based on the effective variables on the rainfed wheat yield, including total precipitation during the growing season, number of days prior the first and end rainfall events more than 10mm, relative humidity, evaporation, average sunshine hours and number of frost days were utilized as input variables. the gamma test (gt) method was used in combination with the genetic algorithm (ga) to optimize the number of input variables. using the gamma test and genetic algorithm, 8 variables were selected as inputs for the models input. additionally, the models were combined with ensemble empirical mode decomposition (eemd) to improve prediction accuracy. the results of this study show the eemd mars model provided the most accurate results, with error evaluation criteria rmse= 0.112(ton.ha 1), mae= 0.088(ton.ha 1), nse= 0.945, and si= 0.101 for the test stage. also, in this model, 14 different functions were extracted for estimating rainfed wheat yield. the eemd svr model also had good performance whit comparing other models with error criteria rmse= 0.132(ton.ha 1), mae= 0.080(ton.ha 1), nse= 0.923 in the test stage.