ارزيابي كارآيي مدل‌هاي شبكه عصبي مصنوعي در محاسبه عملكرد و بهره‌وري آب گندم بر اساس عامل‌هاي اقليمي و آب - كود نيتروژن مصرفي

Assessing the efficiency of artificial neural network Models to predict wheat yield and water productivity based on climatic data and seasonal water-nitrogen variables

مديريت آب و كود نيتروژن در تعامل با عامل‌هاي اقليمي تاثير زيادي بر عملكرد و بهره‌وري آب گندم دارد. تحقيق حاضر با هدف توسعه و ارزيابي كارآيي مدل شبكه عصبي مصنوعي در محاسبه عملكرد و بهره‌وري آب گندم بر اساس عامل‌هاي اقليمي و آب - كود نيتروژن مصرفي انجام گرفت. كاليبراسيون و صحّت‌سنجي مدل‌ها با استفاده از نتايج يك آزمايش مزرعه‌اي سه ساله صورت پذيرفت. به منظور ارزيابي مدل‌ها از شاخص‌هاي آماري ضريب تبيين، مجذور ميانگين مربعات، ميانگين خطاي اريب و خطاي استاندارد استفاده شد. نتايج تحقيق نشان داد كه مدل‌هاي شبكه عصبي مصنوعي از دقت بيشتري در تخمين عملكرد و بهره‌وري آب گندم برخوردار هستند. مقايسه نتايج مدل‌هاي شبكه عصبي و رگرسيون غيرخطي نشان داد كه مدل‌هاي شبكه عصبي دقت بيشتري دارند. تحليل حساسيت مدل‌ها نشان داد كه عملكرد و بهره‌وري آب گندم بيشترين حساسيت را به عامل مقدار آب مصرفي و پس از آن به كود نيتروژن مصرفي فصلي دارد. مقدار بيشينه و كمينه بهره‌وري آب گندم به‌ ترتيب به ازاي 272 و 490 ميلي‌متر آب مصرفي فصلي و معادل 55/1 و 81/0 كيلوگرم بر متر مكعب محاسبه شد. كاربرد ساختارهاي شبكه عصبي انتخابي مي‌تواند زمينه ارتقاي بهره‌وري آب اين گياه استراتژيك را در شرايط مختلف اقليمي منطقه مورد مطالعه زمينه‌سازي كند و امكان بهره‌برداري منطقي و اقتصادي از منابع آب و كود نيتروژن و برنامه‌ريزي براي استفاده تلفيقي بهينه از اين دو نهاده مهم را ممكن كند.

Wheat yield and water productivity are affected by water and nitrogen fertilizer management and climatic data. The aim of the present study was to assess the efficiency of artificial neural networks (ANNs) models in predicting winter wheat yields and water productivity using climatic data and seasonal water-nitrogen variables. The calibration and verification of the proposed models were accomplished using data from field experiments carried out in three years. The models were evaluated using several statistical error and goodness-of-fit measures, including the coefficient of determination, root mean square error (RMSE), mean bias error (MBA), and standard error (STE). The applied ANNs models had desirable accuracy in estimating crop yields and water productivity. ANN models consistently produced more accurate predictions than multiple linear regression models. The sensitivity analysis indicated that the productivity of wheat water has the highest level of sensitivity to the seasonal water use. The data generated here suggested that maximum and minimum wheat water productivity would be achieved with about 272 and 490 mm seasonal water use, which were determined 1.55 and 0.81 kg m-3, respectively. The applied ANNs can provide the background for promoting the water productivity for this strategic crop in different weather condition, and give us the possibility of the logical and economical use of water sources and nitrogen and also programming the combined usage of both resources in the study area.