مقایسه مدل های رگرسیون چند متغیره خطی و شبکه های عصبی مصنوعی برای برآورد عملکرد گندم دیم در مناطقی از زاگرس مرکزی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 بخش تحقیقات خاک و آب، مرکز تحقیقات کشاورزی و منابع طبیعی چهارمحال و بختیاری ، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد، ایران

2 گروه خاک‌شناسی دانشگاه صنعتی اصفهان، اصفهان، ایران

3 گروه خاکشناسی دانشگاه آزاد واحد خوراسگان، خوراسگان، ایران

4 گروه مهندسی آبیاری، دانشگاه کشاورزی و منابع طبیعی گرگان، گرگان، ایران

چکیده

با توجه به اهمیت گندم در تغذیه انسان و سطح زیر کشت وسیع این محصول به صورت دیم در ایران، این پژوهش با هدف ارزیابی کارایی مدل­های رگرسیون چند متغیره خطی و شبکه­های عصبی مصنوعی برای پیش­بینی عملکرد دانه و زیست­توده گندم دیم (رقم سرداری)، در یک بررسی دو ساله اجرا شد. در دو منطقه از زاگرس مرکزی، 202 نقطه نمونه­برداری تحت کشت گندم دیم و در اجزای مختلف شیب شامل قله شیب، شانه شیب، شیب پشتی، پای شیب و انتهای شیب انتخاب شد. در زمان برداشت گندم، از این نقاط نمونه خاک و نمونه عملکرد گندم جمع­آوری شد. ویژگی­های اولیه و ثانویه پستی و بلندی در هر نقطه، از مدل­های رقومی ارتفاع استخراج و از داده­های هواشناسی دو منطقه استفاده شد. 54 خصوصیت مختلف خاک، پستی و بلندی، بارندگی و مدیریت به عنوان ورودی­های هر مدل و عملکرد دانه و زیست­توده گندم به عنوان خروجی­های هر دو مدل در نظر گرفته شد. ضرایب تبیین مدل­های شبکه عصبی مصنوعی و رگرسیون چند متغیره خطی به ترتیب برای پیش­بینی عملکرد دانه برابر 84 و 15درصد و برای پیش­بینی زیست­توده هوایی برابر 76 و 6 درصد بود. ریشه دوم میانگین مربعات خطای (RMSE) این مدل­ها نیز به ترتیب در پیش­بینی عملکرد دانه برابر 033/0 و 092/0 و در پیش­بینی زیست­توده برای شبکه عصبی مصنوعی و رگرسیون چند متغیره خطی به ترتیب برابر 037/0 و 102/0 بود. نتایج نشان از توانایی بهتر شبکه ­های عصبی مصنوعی نسبت به رگرسیون چند متغیره خطی در برآورد عملکرد دانه و زیست­توده گندم دیم در مناطق مورد مطالعه داشت.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparison of multivariate linear regression and artificial neural networks models for estimating of rainfed wheat yield in some central Zagros areas

نویسندگان [English]

  • Abdolmohammad Mehnatkesh 1
  • S. Ayyubi 2
  • A. Jalalyan 3
  • A.A. A.A. Dehgani 4
1 Agriculture and Natural Resources Research Center of Chaharmahal and Bakhtiari, Agricultural Research Education and Extension Organization (AREEO), Shahrekord, Iran
2 Department of Soil Science, Isfahan University of Technology, Isfahan, Iran
3 Department of Agronomy, Khorasgan branch, Islamic Azad University, Khorasgan, Iran
4 Department of Irrigation engenering,Gorgan University of Agriculture and Natural Resources, Gorgan, Iran
چکیده [English]

Given the importance of wheat in human nutrition and its cultivation in large-area under rainfed in Iran, this study was aimed to evaluate the efficiency of artificial neural networks and linear multiple regression models to predict biomass and grain yields of wheat (cv. Sardari), in two-year study. In two stations (Koohrang and Ardal), 202 sampling points were selectedin the various hillslopes includes summit, shoulder, back slope, foot slope and toe slope. Atthe harvesting stage, the soil and plant samples were collected. Primary and secondary terrain attributes were extracted from digital elevation models, and meteorological data were used in two regions. Topography, 54 different soil characteristics, rainfall and management as the inputs as well as biomass and grain yields were considered as the outputs of both models. Artificial neural networks and multiple linear regression models, respectively, accounted for 84% and 15% of variations (R2) in grain yield prediction, and 76% and 6% in prediction of biomass yield. The root mean square error (RMSE) of the models also were equal to 0.033 and 0.092 to predict grain yield, and 0.037 and 0.102 to predict the biomass based on artificial neural network and multiple linear regression models, respectively. The results showed a better ability of artificial neural networks in comparison with multiple linear regression to estimate grain and biomass yields of wheat in the target areas.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • multiple linear regressions
  • Zagros
  • Rainfed wheat