پيش بيني عملكرد محصول جو ديم با استفاده از سيستمهاي خبره عصبي و عصبي فازي منطقه مورد مطالعه استانهاي خراسان

Predicting rainfed barley crop yield using Artificial neural network and fuzzy neural systems in Khorasan provinces-Iran

در اين تحقيق سعي شده تا عملكرد جو ديم در استان هاي خراسان با پارامترهاي اقليمي و به دو روش سيستم هاي عصبي (Ann) و فازي (Anfis) پيش بيني شود. محاسبات با نرم افزار MATLAB انجام گرفت و سپس ارزيابي عملكرد مدل ها با شاخص هاي آماري ضريب همبستگي ( R2 )، ريشه ميانگين مربعات خطا ( RMSE ) و ميانگين كامل خطاMAE) ) انجام شد. بارندگي و عملكرد سال گذشته نقش موثري در كاهش خطاي پيش بيني و افزايش ضريب تعيين هبستگي در هر دو روش Ann و Anfis داشت. ورودي عملكرد سال گذشته و تبخير و تعرق توانست موجب شود تا روش Anfis در مقايسه با روش Ann پيش بيني عملكردي دقيقتري داشته باشد. بيشترين برتري دقت تخمين عملكرد در Anfis نسبت به ANN با ورودي هاي با ورودي هاي مدل R مشاهده شد كه كه شامل وروديهاي رطوبت ؛ دماي نقطه شبنم و دماي ماكزيمم بود. نتايج در هر دو روش Anfis و Ann براي وروديهاي مدل L كه شامل بارندگي،رطوبت نسبي و عملكرد سال گذشته بود، نشان داد كه اين مدل بالاترين دقت را در بين مدلهاي ورودي كسب نموده است. اما براي وروديهاي مدل E نيز كه شامل تبخير و تعرق ، بارندگي ، رطوبت نسبي و دماي حداقل بود، نتايج حاكي از دقت بيشترAnfis نسبت به روش Ann داشت. وجود پارامتر تشعشع در ورودي ها دقت تخمين عملكرد را در هر دو روش كاهش داد. در مجموع روش Anfis دقت بيشتري را در تخمين عملكرد جو نسبت به Ann نشان داد.

In this research, we try to predict the yield of rainfed barley in Khorasan provinces using climatic parameters and two methods of artificial nervous netwework (Ann) and fuzzy neural system (Anfis). Calculations were performed with MATLAB software and then the statistical indices of correlation coefficient (R2), root mean square error (RMSE) and full mean error (MAE) were used to evaluate the performance of the models. Last year's yield and rainfall had an effective role in reducing prediction error and increasing correlation coefficient in both Ann and Anfis methods. Last year's yield and evapotranspiration made the Anfis method more accurate than the Ann method. The results of both Anfis and Ann methods for model L inputs, which included rainfall, relative humidity and last year's yield, showed that this model achieved the highest accuracy among the input models. However, in the Anfis method for model E inputs, which included evapotranspiration, rainfall, relative humidity and minimum temperature, the results showed that it was more accurate than the Ann method. The greatest difference in accuracy in estimating yield between the two Anfis and Ann methods was observed with R inputs model, which includes moisture inputs, Dew point temperatures and maximum temperatures. The presence of radiation parameters at the inputs reduced the accuracy of yield estimation in both methods. Overall, the Anfis method was more accurate in estimating yield than Ann.