تهيه نقشه عملكرد محصول كلزاي پاييزه با استفاده از شبكه عصبي پرسپترون مطالعه موردي: شهرستان سبزوار

preparation of autumn Brassica napus yield map by using preceptron neural network case study : Sabzevar township

كلزا به عنوان يكي از دانه هاي روغني از جمله محصولات استراتژيك كشاورزي در كشور ايران محسوب مي‌شود، اين امر موجب افزايش سطح زير كشت اين گياه شده است. آگاهي از اين موضوع كه گياه كلزا در كدام نواحي از بيشترين بازده به طور طبيعي برخوردار است، در برنامه ريزي و شناسايي نواحي مساعد كشت بسيار مفيد است. در اين پژوهش با به‌كارگيري دستگاه موقعيت ياب جغرافيايي (GPS) از 24 مزرعه كشت كلزا نمونه برداري و عملكرد واقعي آن محاسبه گرديد. مقادير متغيرهاي مستقل شامل شيب زمين، EC و pH آب، ميانگين حداقل و حداكثر مطلق دما، ميانگين دما در دوره گل دهي، تبخير و تعرق پتانسيل، درجه روز رشد، ميانگين دما و رطوبت نسبي براي مزارع انتخابي استخراج گرديد. سپس از روش شبكه عصبي پرسپترون با آموزش پيش‏خور به منظور برآورد توان محيطي عملكرد كلزا استفاده شد و در محيط سامانه اطلاعات جغرافيايي نقشه برآورد عملكرد محصول كلزا تهيه گرديد. نتايج آزمون T-test نشان دهنده عدم وجود تفاوت بين مقادير واقعي و پيش بيني در سطح معناداري 05/0 است. ضريب همبستگي پيرسن برابر 98/0، ريشه ميانگين مجذور خطا و متوسط قدر مطلق خطا به ترتيب برابر 243 و 101 كيلوگرم در هكتار محاسبه شده است.

Brassica napus as an oilseed is a strategic agriculture product in Iran. Knowing the best area for cultivation, helps plan and explore suitable cultivation areas efficiently. At this research, we study 24-Brassica napus farm samples to calculate the actual yields by using GPS set. The independent data are variables introduced such as mean temperature, growing degree-day, mean absolute minimum temperature, mean absolute maximum temperature , mean temperature in sowing time, mean potential evapotranspiration, slope , EC of groundwater, pH of groundwater, and mean relative humidity. We analyzed the consequences of environmental potential on autumn Brassica napus yield using Perceptron neural network by multi-layers structure with 3 hidden layers and feed backward algorithm entered to database and Brassica napus cultivation suitability map was prepared in geographic information system environment. Results show that T-test between actual and prediction values do not have significant difference in 0.05 level. We calculated Pearson correlation coefficient at 0.98, RMSE and MAE. Thus 243 and 101 Kg/h indicate the ability of neural network methods for agricultural product yield predictions.