بررسي اثرات زيست محيطي و مصرف انرژي در توليد چغندرقند و پيش بيني عملكرد محصول با استفاده از مدل هاي ANN و ANFIS در استان چهارمحال و بختياري

Evaluation of environmental impacts and energy use of sugar beet production and predicting the Yield using ANN and ANFIS in Chaharmahal and Bakhtiari province of Iran

سيستم‌‌هاي توليد كشاورزي در جهان به دليل اتكاي بيشتر به كود‌هاي شيميايي، آفت‌كش‌ها و بذور تركيبي به شدت تغيير كرده است. در نتيجه، تغييرات قابل توجه الگوي مصرف انرژي در بخش كشاورزي بيشتر به سوخت‌‌هاي فسيلي وابسته خواهد بود. امروزه علاوه بر ارزيابي انرژي در بخش كشاورزي، افزايش انتشار گاز‌هاي ‌گلخانه‌اي در بخش كشاورزي منجر به افزايش قابل توجه تغييرات آب و هوايي و گرمايش جهاني شده است. هدف از اين مطالعه تعيين ميزان مصرف انرژي ورودي، انرژي خروجي و انتشار گاز‌هاي ‌گلخانه‌اي واحد‌هاي توليدكننده چغندر قند در استان چهارمحال و بختياري مي‌باشد. علاوه بر اين در اين مطالعه عملكرد محصول با استفاده از مدل‌هاي مختلف هوش مصنوعي نظير شبكه‌‌هاي عصبي مصنوعي و انفيس پيش‌بيني و مدل‌سازي شد. اطلاعات مورد نياز نيز از طريق تكميل پرسشنامه و مصاحبه حضوري از ميان صاحبان مزارع و مسيولين بخش كشاورزي جمع‌آوري شد. به منظور محاسبات ضروري براي ارزيابي اثرات زيست محيطي از نرم افزار سيماپرو استفاده شد. ميزان كل انرژي مصرفي براي توليد چغندر قند، 464/37640 مگاژول در هكتار به‌دست‌آمد. مقدار كلي انتشار گاز‌هاي گلخانه‌اي، 859/1556 كيلوگرم معادل CO2 بر هكتار برآورد شد كه بيشترين سهم از كل گاز‌هاي منتشرشده، مختص به كود ازت بود. مقايسه مدل‌‌هاي مختلف برآورد عملكرد نشان داد كه از بين روش‌‌هاي هوش مصنوعي به كار برده شده در اين تحقيق شبكه‌‌هاي عصبي مصنوعي نتايج بهتر و دقيق‌تري داشت. ضريب همبستگي براي پيش‌بيني عملكرد چغندر قند با بهره‌گيري از شبكه‌‌هاي عصبي مصنوعي برابر بود با 1 درحالي‌كه مقدار حاصل‌شده از انفيس برابر با 9991/0 بود. بنابراين هر دو مدل، شبكه عصبي مصنوعي و انفيس به‌خوبي عملكرد محصول چغندر قند پيش‌بيني مي‌كنند. هرچند مدل شبكه عصبي مصنوعي ضريب خطاي كمتر در مقايسه با مدل انفيس و برابر با 00003/0 داشت. چنين استنباط مي‌شود كه براي كشت و زرع بهينه چغندر قند و استفاده به اندازه از منابع انرژي، اعمال مديريت مناسب و آگاهي بخشي كشاورزان از نياز‌هاي مزرعه و محصول ضروري است. در نتيجه افزايش كارايي نهاده‌ها موجب مصرف كمتر انرژي‌‌هاي ورودي به مزرعه و افزايش راندمان انرژي خواهد شد.

Agricultural production systems seriously changed in the world because of more dependent on chemical fertilizers and pesticides and hybrid seeds. As a result, Significant changes in the energy consumption in agriculture will be more focused on fossil fuels. Today, in addition to energy evaluation in agriculture, increasing greenhouse gas emission lead to growing considerable interest to climate change and global warming phenomena. The aim of this study was to determine the energy indices and greenhouse gas emissions from sugar beet production units in Chaharmahal and Bakhtiari province. In addition, in this study crop yield was predicted and modeled using artificial intelligence methods, such as artificial neural networks (ANN) and adaptive neuro-fuzzy inference system (ANFIS). Required data was collected through questionnaires and face-to-face interviews with farm owners and agricultural authorities. Simapro software was utilized to evaluate the environmental impacts. The Energy Ratio (ER), Energy Productivity (EP), Specific Energy (SE) and Net Energy Gain (NEG) were 20.99, 1.24 kg/MJ, 0.8 MJ/kg and 75244.93 MJ/ha, respectively. The total energy consumption and output energy (yield) for the production of sugar beet was obtained 37640.464 and 790090 MJ/ha respectively. The total amount of greenhouse gases emissions was estimated 1556.859 kg CO2 equivalent per hectare, that the largest share of total GHG emissions was owned to nitrogen fertilizers (40.22%), fuel (31.66%) and electricity (21.76%), respectively. Both ANN and ANFIS models significantly predict sugar beet product performance, but ANN have better and more accurate results. The correlation coefficient for prediction of sugar beet yield using ANN was 1, while the value of ANFIS was 0.9991. However, the ANN model had a lower error coefficient of 0.00003 compared to the ANNIS model. It is understood that by substituting optimal amounts of inputs for agricultural production, the negative effects on the environment (GHG emissions) will be reduced