مقايسه مدل هاي رگرسيون چند متغيره خطي و شبكه هاي عصبي مصنوعي براي برآورد عملكرد گندم ديم در مناطقي از زاگرس مركزي

Comparison of multivariate linear regression and artificial neural networks models for estimating of rainfed wheat yield in some central Zagros areas

با توجه به اهميت گندم در تغذيه انسان و سطح زير كشت وسيع اين محصول به صورت ديم در ايران، اين پژوهش با هدف ارزيابي كارايي مد ل­هاي رگرسيون چند متغيره خطي و شبكه­هاي عصبي مصنوعي براي پيش ­بيني عملكرد دانه و زيست ­توده گندم ديم (رقم سرداري)، در يك بررسي دو ساله اجرا شد. در دو منطقه از زاگرس مركزي، 202 نقطه نمونه­ برداري تحت كشت گندم ديم و در اجزاي مختلف شيب شامل قله شيب، شانه شيب، شيب پشتي، پاي شيب و انتهاي شيب انتخاب شد. در زمان برداشت گندم، از اين نقاط نمونه خاك و نمونه عملكرد گندم جمع­ آوري شد. ويژگي­ هاي اوليه و ثانويه پستي و بلندي در هر نقطه، از مدل ­هاي رقومي ارتفاع استخراج و از داده­هاي هواشناسي دو منطقه استفاده شد. 54 خصوصيت مختلف خاك، پستي و بلندي، بارندگي و مديريت به عنوان ورودي ­هاي هر مدل و عملكرد دانه و زيست ­توده گندم به عنوان خروجي­ هاي هر دو مدل در نظر گرفته شد. ضرايب تبيين مدل ­هاي شبكه عصبي مصنوعي و رگرسيون چند متغيره خطي به ترتيب براي پيش­ بيني عملكرد دانه برابر 84 و 15درصد و براي پيش­بيني زيست ­توده هوايي برابر 76 و 6 درصد بود. ريشه دوم ميانگين مربعات خطاي (RMSE) اين مدل­ ها نيز به ترتيب در پيش­ بيني عملكرد دانه برابر 0/033 و 0/092 و در پيش­ بيني زيست ­توده براي شبكه عصبي مصنوعي و رگرسيون چند متغيره خطي به ترتيب برابر 0/037 و 0/102 بود. نتايج نشان از توانايي بهتر شبكه ­هاي عصبي مصنوعي نسبت به رگرسيون چند متغيره خطي در برآورد عملكرد دانه و زيست­ توده گندم ديم در مناطق مورد مطالعه داشت.

Given the importance of wheat in human nutrition and its cultivation in large-area under rainfed in Iran, this study was aimed to evaluate the efficiency of artificial neural networks and linear multiple regression models to predict biomass and grain yields of wheat (cv. Sardari), in two-year study. In two stations (Koohrang and Ardal), 202 sampling points were selectedin the various hillslopes includes summit, shoulder, back slope, foot slope and toe slope. Atthe harvesting stage, the soil and plant samples were collected. Primary and secondary terrain attributes were extracted from digital elevation models, and meteorological data were used in two regions. Topography, 54 different soil characteristics, rainfall and management as the inputs as well as biomass and grain yields were considered as the outputs of both models. Artificial neural networks and multiple linear regression models, respectively, accounted for 84% and 15% of variations (R2) in grain yield prediction, and 76% and 6% in prediction of biomass yield. The root mean square error (RMSE) of the models also were equal to 0.033 and 0.092 to predict grain yield, and 0.037 and 0.102 to predict the biomass based on artificial neural network and multiple linear regression models, respectively. The results showed a better ability of artificial neural networks in comparison with multiple linear regression to estimate grain and biomass yields of wheat in the target areas.