کاربرد روشهای داده‌کاوی در تخمین عملکرد کیوی در باغات مجهز به آبیاری تحت فشار در استان گیلان

کیوی یکی از محصولات کشاورزی ایران است که به صورت عمده در بازار جهانی صادر می‌شود. روش‌های داده‌کاوی به خوبی قادراند تا در زمینه مدلسازی عملکرد محصول اطلاعات لازم را در اختیار تولیدکنندگان قرار دهد. این تحقیق به بررسی کارآیی روش‌های داده‌کاوی شبکه عصبی مصنوعی پیشرو،k -نزدیک‌ترین همسایگی، برنامه‌ریزی ژنتیک و رگرسیون خطی چند متغیره در برآورد عملکرد کیوی در استان گیلان با استفاده از خصوصیات آب و خاک پرداخته است. 74 سری داده از اندازه‌گیری میدانی اطلاعات آب و خاک و عملکرد محصول کیوی باغ‌های مجهز به سیستم آبیاری تحت فشار در سال 1400- 1401 به دست آمد. داده‌های آب و خاک شامل حداکثر تبخیر و تعرق روزانه، هدایت الکتریکی خاک و شاخص واکنش خاک، درصد رس، درصد سیلت، درصد ماده آلی خاک، هدایت الکتریکی آب و شاخص واکنش آب و حجم آبیاری به عنوان ورودی‌های مدل و میزان عملکرد محصول، خروجی مدل انتخاب گردید. نتایج نشان داد که مدل شبکه عصبی مصنوعی پیشرو به دلیل آماره‌های ضریب تبیین بیشتر (0.96) و جذر میانگین مربعات خطا کمتر (0.019) عملکرد بهتری نسبت به سه مدل دیگر دارد. همچنین برنامه‌ریزی ژنتیک دارای ضریب همبستگی (0.89)، جذر میانگین مربعات خطا (0.033) و روشk -نزدیک‌ترین همسایگی دارای ضریب همبستگی (0.88)، جذر میانگین مربعات خطا (0.059) و روش رگرسیون خطی چند متغیره دارای ضریب همبستگی (0.58) و جذر میانگین مربعات خطا (0.093) بوده که حاکی از دقت بالاتر روش برنامه‌ریزی ژنتیک است. بنابراین، مدل شبکه عصبی مصنوعی پیشرو می‌تواند به عنوان یک ابزار قدرتمند در تخمین عملکرد کیوی عمل نماید.

application of data mining methods in estimation of hazelnut yield in orchards equipped with pressurized irrigation in gilan province

kiwi is one of the iran's agricultural products, which is mainly exported to the world market. data mining methods are well able to provide manufacturers with the necessary information in the field of product performance modeling. this research has investigated the efficiency of data mining methods of advanced feedforward backdrop neural network, k-nearest neighbor, genetic programming and multivariate linear regression in estimating kiwi yield in gilan province using water and soil characteristics. 74 data series were obtained from the field measurement of water and soil information and yield of kiwi fruit in orchards equipped with pressure irrigation system in 2021-2022. water and soil data including maximum daily evaporation and transpiration, soil electrical conductivity and soil reaction index, clay percentage, silt percentage, soil organic matter percentage, water electrical conductivity and water reaction index, and irrigation volume as model inputs and crop yield, model output selected. the results showed that the leading artificial neural network model has a better performance than the other three models due to the higher explanation coefficient statistics (0.96) and lower root mean square error (0.019). also, genetic programming has correlation coefficient (0.89), root mean square error (0.033) and k-nearest neighbor method has correlation coefficient (0.88) root mean square error (0.059) and multivariate linear regression method has coefficient the correlation was (0.58) and the root mean square error (0.093) which indicates the higher accuracy of the genetic programming method. therefore, the advanced artificial neural network model can act as a powerful tool in the estimation of kiwi performance.