بررسي پتانسيل اراضي استان كرمانشاه جهت كشت گندم ديم با استفاده از شبكه عصبي مصنوعي

Investigation of the land potential of Kermanshah province for rainfed wheat cultivation using artificial neural network

با افزايش روزافزون جمعيت و نياز به مواد غذايي، گندم به عنوان محصولي با بيشترين سطح زير كشت و توليد سالانه در مقياس جهاني از اهميت ويژه اي برخوردار بوده است لذا شناسايي و معرفي مناطق مساعد كشت آن در هر منطقه ضروري است. استان كرمانشاه به عنوان محدوده مورد مطالعه يكي از مناطق حاصلخيزي است كه بيشترين كشت گندم را در بين محصولات زراعي دارد. بدين منظور در اين مطالعه از شبكه عصبي پرسپترون چندلايه (MLP) با الگوريتم آموزش لونبرگ- ماركوات جهت شناسايي و معرفي مناطق مساعد كشت گنديم ديم استفاده شد. لايه هاي ورودي شبكه شامل 12 لايه؛ كاربري اراضي، ميانگين بارندگي سالانه، ميانگين بارندگي فصل پاييز، ميانگين بارندگي فصل بهار، ميانگين دماي سالانه، ميانگين دماي فصل بهار، ميانگين دماي فصل پاييز، شيب، جهت شيب، ارتفاع از سطح دريا، رطوبت نسبي، درجه- روز است. لايه هاي مربوط به بارندگي و دما به ترتيب با استفاده از داده هاي ايستگاه هاي باران سنجي و سينوپتيك و عمل درون يابي در محيط ArcGIS تهيه شدند. لايه هاي وابسته به ارتفاع نيز با استفاده از DEM با قدرت تفكيك 30×30 متر IRS استخراج شدند. ابتدا به منظور تعيين فضاي جست وجو الگوريتم شبكه عصبي، مناطق غير قابل كشت تعيين و از كل لايههاي ورودي حذف گرديد. 210 مكان مناسب كشت به عنوان نقاط آموزشي شبكه تهيه شد. در نهايت كلاس مناطق غير قابل كشت كه 15% و نتايج حاصل از مدل شامل پنج كلاس بسيار مساعد، مساعد، نسبتاً مساعد، نامساعد و بسيار نامساعد كه به ترتيب 5/4، 14/8، 24، 22/5 و 18/3 درصد از كل مساحت استان را به خود اختصاص داده اند، تعيين شد. همچنين ضريب رگرسيون كلي 91 درصدي شبكه كه حاصل شركت كليه داده در شبكه است، بيانگر كاراي بالاي شبكه عصبي پرسپترون چندلايه در اين پهنه بندي است.

With increasing population growth and the need for food، wheat as the crop with the largest cultivated area and annual production on a global scale has been especially important. Therefore، identifying and recommending suitable areas for cultivation in each area is essential. Kermanshah province as the study area is one of the areas that most wheat crops are from among. Therefore، in this study Multilayer Perceptron Neural Network (MLP) with Levenberg-Marquardt algorithm was used to identify the potential of rainfed wheat cultivation. The input layer network consists of 12 layers: land use، average annual rainfall، average rainfall in the autumn، the average spring rainfall، the average annual temperature، average temperatures in spring، average temperatures in autumn، slope، aspect، elevation، humidity the relative and degree of days. The rainfall and temperature layers were prepared using the data from the stations of adventurous and synoptic and the interpolation operation in the ArcGIS environment، respectively. The altitude-related layer was extracted using with a DEM 30×30 meter IRS. To determine the search space of the neural network algorithm، the uncultivated areas are determined and removed from the entire input layers. 210 points of The right place to cultivate were prepared as network training points. Finally، the class of uncultivated areas which 15% and The results of the model consists of five classes: very suitable، suitable، somewhat suitable، poor or very poor، respectively، 5.4، 14.8، 24، 22.5 and 18.3 percent of the total area of the province is allocated. Regression analysis of all data on the network is 91% of the network of the company، effective for the MLP neural network is in these zoning.