مدل‌سازی‌ متغیرهای‌ موثر ‌بر ‌عملکرد مزارع ‌نیشکر با استفاده از شبکه عصبی بازگشتی عمیق

در این پژوهش، یکی از اهداف اصلی شرکت‌های کشت و صنعت نیشکر خوزستان، یعنی افزایش عملکرد مزارع نیشکر با بهره‌گیری از روش‌های داده‌کاوی، مورد بررسی قرار گرفت. این پژوهش از نوع تحلیلی بوده و شامل داده‌های آبیاری، زهکشی، خاک و گیاه 1201 مزرعه است که در سال‌های زراعی 1393 تا 1396 از شرکت کشت و صنعت امیرکبیر گردآوری شده‌اند. تحلیل‌ها با استفاده از نرم‌افزار پایتون انجام شد. در این پژوهش، چهار الگوریتم شبکه عصبی بازگشتی حافظه طولانی‌ کوتاه مدت (lstm)، شبکه عصبی چندلایه پرسپترون (mlp)، درخت تصمیم و ماشین بردار پشتیبان(svm) مورد استفاده قرار گرفت و دو روش کاهش بعد تحلیل مولفه‌های اصلی (pca) و الگوریتم تحلیل ‌مولفه‌های مستقل (ica) اعمال شد. در روش pca، متغیرهای نهایی شامل واریته محصول، بافت خاک، نسبت سطح سمپاشی، هدایت الکتریکی خاک، زهکشی و کود شیمیایی نیتروژن شناسایی شدند. با وجود این، در روشica، متغیرهای نهایی شامل واریته محصول، هدایت الکتریکی خاک، هدایت الکتریکی آب، سن گیاه، تعداد دفعات آبیاری و بافت خاک بودند. نتایج نشان داد که الگوریتم شبکه عصبی بازگشتی حافظه طولانی‌ کوتاه مدت (lstm) در روش کاهش بعد تحلیل مولفه‌های اصلی (pca) عملکرد بهتری داشت. مقادیر r² برابر با 97%، rmse برابر با 51.79، و rrmse برابر با 0.89 برای این الگوریتم در روش pca به دست آمد که نسبت به روش ica که مقادیر r² برابر با 91%، rmse برابر با 62.75 و rrmse برابر با 0.798 بود، نتایج بهتری ارائه داد. این نشان می‌دهد که روش pca توانایی بهتری در کاهش ابعاد برای این مدل داشته است.

modelling variables affecting the yield of sugarcane fields using deep recurrent neural network

in this research, one of the main goals of khuzestan sugarcane agro-industry companies, i.e., increasing the yield of sugarcane fields by using data mining methods, has been investigated. this research is of analytical type and includes the irrigation, drainage, soil and plant data of 1201 farms which were collected from amirkabir agriculture company in 2013 to 2016 crop years. in this research, four algorithms of long short-term memory (lstm) recurrent neural network, multilayer neural network perceptron (mlp), decision tree and support vector machine (svm) were used, and two-dimension reduction methods, principal component analysis (pca) and algorithm independent component analysis (ica) was applied using python software. in the pca method, the final variables including crop variety, soil texture, spraying area ratio, soil electrical conductivity, drainage and nitrogen fertilizer were identified. while in the ica method, the final variables included product variety, soil electrical conductivity, water electrical conductivity, plant age, the number of times of irrigation and soil texture. the results showed that the lstm recurrent neural network algorithm performed better in the pca dimension reduction method. the values of r² equal to 97%, rmse equal to 51.79, and rrmse equal to 0.89 were obtained for this algorithm in the pca method, compared to the ica method, which had values of r² equal to 91%, rmse equal to 62.75, and rrmse equal to 0.798., which provided better results. this shows that pca had a better ability to reduce the dimensionality for this model.