تحليل دقت و عدم قطعيت مدل شبكه‌ عصبي مصنوعي در پيش‌بيني عملكرد زعفران در خراسان جنوبي مبتني بر داده‌هاي اقليمي

Accuracy and uncertainty analysis of artificial neural network in predicting saffron yield in the south Khorasan province based on meteorological data

با توجه به حساسيت عملكرد زعفران و تأثيرپذيري آن از پارامترهاي اقليمي و خاصيت غيرخطي توابع عملكرد گياهي، در اين تحقيق پيش­بيني و تحليل عدم­ قطعيت مدل شبكه عصبي مصنوعي در تخمين عملكرد زعفران انجام شد. بردار ورودي مدل از بين 37 مؤلفه مختلف، بر اساس استراتژي همبستگي و تحليل تورم واريانس بهينه‌سازي شد و مدل با معماري 1-2-4-11 با تابع فعال‌سازي سيگموئيد در مراحل سه­گانه آموزش و آزمايش و ارزيابي عملكرد برتري را نشان داد. مقادير پارامترهاي MAE و RMSE مدل شبكه عصبي مصنوعي در مرحله يادگيري برابر 3/0 و 5/0 و در مرحله آزمايش به­ترتيب 7/0 و 1 حاصل شد. نتايج تحليل عدم قطعيت مونت­كارلو بر مبناي 1000 نمونه­گيري بدون جايگذاري، بر اساس فاكتورهاي d-factor, 95% PPU, R2 بيانگر پهناي باند اطمينان مطلوب پيش­بيني­ها بود و الگو­هاي عمومي و كلي تغييرات عملكرد زعفران را به‌خوبي پيش­بيني نمود. متوسط ضريب R2 مدل در مرحله آموزش و آزمايش بر اساس 1000 شبيه­سازي مونت‌كارلو به­ترتيب 92/0 و 58/0 بود كه براي مدل­هاي عملكرد گياهي مبتني بر داده­هاي اقليمي داراي معني­داري در سطح 1% است. با اين­حال در شرايط حدي و مرزي، احتمال بروز وقايعي خارج از باند پيش­بيني 95 درصد وجود داشته و لزوم توجه به شرايط مديريت تغذيه، كود، خاك و آب مزارع در مدل­هاي هوشمند پيش­بيني عملكرد را نشان مي­دهد. بر اساس نتايج پژوهش حاضر برنامه­ريزان به­جاي مواجهه با يك رقم به‌عنوان پيش­بيني، تركيب اين رقم و باند اطمينان را در اختيار داشته و مي­توانند تصميمات واقع­بينانه­تري اتخاذ نمايند.

Because of saffron yield sensitivity and the effects of climate on its performance, and also due to the nonlinear nature of crop yield functions, the Artificial Neural Network (ANN) model is employed in this study for prediction and uncertainty analysis of saffron yield in the South Khorasan province based on 20 years of data. The input vector of the ANN model was optimized from 37 parameters through correlation and variance inflation. The optimum architecture of the model was derived as 1-2-4-11 with a sigmoidal activation function based on the results at three stages of training, testing and verification. The root mean square error (RMSE) and mean absolute error (MAE) were equal to 0.3 and 0.5 in the training step and 0.7 and 1 in the test step, respectively. These results indicate that the ANN is a suitable model for predicting saffron yield. Uncertainty analysis based on R2, d-factor and 95%PPU showed that despite use of inadequate data, model prediction showed acceptable prediction bounds and predicted a satisfactorily saffron yield trend. The R2 values were equal to 0.92 and 0.58 in the training and test steps, respectively, which are statistically significant at the P