تعيين مهمترين عوامل موثر بر عملكرد باغات زيتون شمال ايران

يكي از روش­هاي نوين در ارزيابي اراضي نسبت به كاربري­هاي مختلف، مدل­سازي يا شبيه­سازي كاربري مورد نظر است. با توجه به اهميت عوامل موثر بر عملكرد باغات زيتون كشور، اين ارزيابي در شمال ايران در بيش از 80 باغ زيتون شهرستان رودبار استان گيلان كه مهمترين باغات زيتون كشور واقع شده است با استفاده از مدل شبكه عصبي مصنوعي انجام شد. عملكرد محصول باغات زيتون تحت تاثير عوامل مختلف خاكي، آبي، توپوگرافي و اقليمي مي­باشند، كه در مجموع بيست و هشت عامل موثر بر عملكرد زيتون انتخاب و به عنوان متغيرهاي ورودي مدل انتخاب شدند. اين متغيرها عبارت بودند از خصوصيات خاك شامل EC، ميزان مواد خنثي شونده (TNV)، درصد كربن آلي، فسفر قابل جذب، پتاسيم قابل جذب، درصد رس و درصد سيلت، خصوصيات آب آبياري شامل EC و ميزان آب آبياري، خصوصيات توپوگرافي شامل ارتفاع و شيب، غلظت عناصر غذايي در برگ شامل نيتروژن، فسفر، پتاسيم، آهن و روي، عوامل اقليمي شامل ساعات آفتابي، ميزان تبخير، ميزان متوسط دما به عنوان متغيرهاي ورودي و عملكرد محصول به عنوان خروجي مدل­­هاي شبكه عصبي مصنوعي در نظر گرفته شد. نمونه­­هاي خاك، آب و برگ از باغات به طور همزمان در مرداد ماه جمع آوري شده و عوامل توپوگرافي از طريق ميان­يابي در محيط GIS و با استفاده از نرم­افزار ArcGisبدست آمد و اطلاعات مربوط به عوامل اقليمي نيز از ايستگاه‌هاي هواشناسي منطقه و روش ميان­يابي بدست آمد. پس از تعيين بهترين ساختار شبكه عصبي با ميزان R آزمون 80 درصد، به كمك آناليز حساسيت به روش Hill، عكس­العمل مدل به هر يك از متغيرهاي ورودي بررسي و مهمترين فاكتورهاي تأثيرگذار بر عملكرد محصول زيتون به دست آمد. بر اساس نتايج آناليز حساسيت، مهم­ترين پارامترهاي مؤثر در عملكرد محصول زيتون، به ترتيب نيتروژن برگ، فسفر خاك، تبخير زمستان، تبخير تابستان، ميانگين دماي پاييز، ساعات آفتابي تابستان، ميزان پتاسيم برگ، شوري خاك، شوري آب و شيب مي­باشند. كه به طور خلاصه مي­توان به الويت تامين عناصر غذايي ماكرو المنت مانند نيتروژن و فسفر و تامين رطوبت مورد نياز با توجه به تبخير منطقه حتي در فصل زمستان براي باغداران تاكيد نمود.

In order to land classification for agricultural and natural resources, the most important criterion and factor is the production or yield of the lands. The best way to evaluate a method is to interact between the yield and potential of the product with the land specification involved in the production. One of the new methods in the land evaluation for different uses is the modeling or simulation of the intended use. Artificial neural networks are one of the new tools that are used today to simulate yield and determine the effective factors in the production of agricultural crops. New land evaluation methods include different modeling techniques, which these new methods, including simulations, are used in land valuation methods to test the ability of models for determining the relationship mentioned. An artificial neural network is one of the techniques that can do nonlinear analysis. It is important to recognize the most important input parameters to the predictive models of olive yield, which are also considered to be effective variables in production. Through the process of sensitivity analysis, valuable information about the sensitivity of the model to its input variables can be provided to the designer and model architect. In north of Iran, in the southern areas of Gilan Province, the most important olive gardens of the country are located in the southern part of the country. Different soil and water, topographical and climatic factors affect the yield of olive orchards.