امکان‌سنجی آموزش شبکه‌های عصبی مصنوعی با استفاده از مدل‌های گیاهی برای پیش‌بینی عملکرد و طول دوره‌های رشد گندم

افزایش روزافزون تقاضای محصولات کشاورزی و افزایش فشار بر منابع آب و خاک از یک سو و مشکلات دستیابی به داده‌های میدانی از سوی دیگر، ضرورت استفاده از مدل‌های مناسب برای پیش‌بینی عملکرد محصولات کشاورزی را نمایان می‌سازد. بسیاری از پارامترهای ورودی مدل‌های گیاهی در کشور ما در دسترس نیستند. از طرف دیگر با پدید آمدن تکنیک‌های آماری نوین و شبکه‌های عصبی مصنوعی، مدل‌های پیش‌بینی‌کننده عملکرد محصولات زراعی به سرعت رو به توسعه است. بدین منظور پژوهشی با هدف ارزیابی قابلیت شبکه‌های عصبی مصنوعی برای یادگیری از مدل‌های پیچیده گیاهی و توانایی آنها در پیش‌بینی عملکرد و طول دوره رشد گندم و برخی از پارامترهای مورد نیاز مدل گیاهی aquacrop انجام گرفت. ارزیابی مدلهای شبکه عصبی مصنوعی نیز با شاخص‌های آماری ضریب تبیین (r2) ، جذر میانگین مربعات خطا نرمال شده (srmse) انجام شد. نتایج نشان دادکه مدل شبکه عصبی شماره 9 (طول دوره رشد از گل‌دهی تا برداشت) با r2 و srmse به ترتیب برابر با 0.98 و 4.79 % و مدل شبکه عصبی شماره 2 (عملکرد دانه در زمان برداشت) با r2 و srmse به ترتیب برابر با 0.97 و 9.69% به ترتیب بهترین دقت را در بین مدل‌های پیش‌بینی دوره‌های مهم رشد و عملکرد دانه گندم داشتند. براساس نتایج این مطالعه ، کارآیی شبکه‌های عصبی مصنوعی برای پیش‌بینی عملکرد و طول دوره‌های مهم فصل رشد گندم با استفاده از متغیرهای اقلیمی مورد تایید قرار گرفت.

Plausibility of Training Artificial Neural Networks with Crop Models to Predict Wheat Phenology and Yield

Increasing the demand for agricultural products and increasing the pressure on water and soil resources, and the problems of access to field data on the other, will require the use of appropriate models to predict the yield of agricultural products. The most of the input parameters of crop models are not available in our country. On the other hand, with the emergence of strong statistical techniques and neural networks, predictive models of crop yields are rapidly developing. For this purpose, the present study was aimed to evaluate the capability of Artificial Neural Networks in learning from complex crop models and their performance in predicting wheat phenology and yield as well as some input parameters of the AquaCrop model. The evaluation of the models was done by statistical indexes, coefficient of determination (R²), normal root mean square error (SRMSE). The results showed that the neural network of model No. 9 (duration of growth period from flowering to harvest) was fitted with R2 and SRMSE, 0.98 and 4.79%, respectively, and the neural network of model No. 2 (Grain DM at maturity) was fitted with R2 and SRMSE, 0.97 and 9.69%, respectively, the best performance among predictive models of duration of growth periods and yield of wheat grain. According to this paper , The efficiency of artificial neural networks has been confirmed to predict yield and duration of growth periods of wheat using climate parameters.