كاربرد سيستم استنتاج تطبيقي عصبي - فازي براي پيش بيني عملكرد گندم بر اساس داده هاي انرژي

Application of ANFIS to predict the wheat yield based on energy inputs

با توجه به اهداف كشاورزي پايدار، تعيين روابط بين انرژي هاي ورودي و خروجي مي تواند مرحله مهمي در دستيابي به اين اهداف باشد چرا كه مي تواند منجر به ارائه الگوي صحيح مصرف انرژي براي افزايش بهره وري انرژي شود. سيستم استنتاج تطبيقي عصبي- فازي ANFIS براي پيشبيني عملكرد دانه گندم آبي بر اساس ورودي هاي انرژي در شهر آبيك استان قزوين استفاده شد. با توجه به تعداد زياد وروديها ( 8 ورودي) براي سيستم، از دو ANFIS مختلف با سه و پنج ورودي استفاده شد. ورودي هاي ANFIS1 شامل انرژيهاي سوخت ديزل، كود و الكتريسيته و براي 2 ANFIS شامل انرژي هاي نيروي كارگري، ماشينها، سم، آب براي آبياري و بذر بودند. جهت ارزيابي و اعتبار سنجي مدل 70 درصد داده ها براي آموزش مدل و 30 درصد داده هاي آموزش نديده براي آزمون مدل استفاده شدند. مقادير ميانگين مربعات خطا و ضريب تعيين براي 1 ANFIS به ترتيب 0/013 و 0/996 و براي 2 ANFIS و 0/018 و 0/992 بودند. نتايج همچنين نشان داد كه تأثير مقدار ورودي هاي انرژي سوخت ديزل، كود و الكتريسيته كه سهم بيشتري در انرژي مصرفي كل داشته اند، در پيش بيني نهايي عملكرد محصول بيشتر از ديگر ورودي هاي انرژي بوده است. در نهايت، مقادير پيش بيني شده اين دو ANFIS به عنوان ورودي براي ANFIS سوم استفاده شد. مقادير ميانگين مربعات خطا و ضريب تعيين در مرحله آموزش مدل 3 ANFIS به ترتيب 4- 10 × 1/6 و 0/996 و براي مرحله آزمون 0/004 و 0/931 بدست آمد. بنابراين نتيجه نهايي نشان داد كه ANFIS ميتواند عملكرد دانه گندم را بر اساس ورودي هاي انرژي به خوبي پيش بيني كند.

With regard to sustainable agriculture aims, determining the relationship between energy inputs and outputs can be an effective step to get these aims. It can lead to present correct energy consumption pattern and to increase energy productivity. An Adaptive neuro-fuzzy inference system (ANFIS) was used to predict the grain yield of irrigated wheat in Abyek county of Qazvin province, Iran. With regard to more number of inputs (8 inputs) for ANFIS, we used two different ANFIS with three and five inputs. The inputs for ANFIS 1 were: diesel fuel, fertilizer and electricity energies and for ANFIS 2 were: human labor, machinery, chemicals water for irrigation, and seed energies. The 70 and 30 percent of data were used to train and test the model. The RMSE and R2 values were: 0.013 and 0.996 for ANFIS 1 and 0.018 and 0.992 for ANFIS 2, respectively. The results showed that the effects of the energy inputs of diesel fuel, fertilizer and electricity that had the major share of total consumed energy were more than the other energy inputs in prediction of crop yield. Finally, the predicted values of these two ANFISs were used as inputs to the third ANFIS. The RMSE and R2 values of ANFIS 3 for training step were 1.6×10-4 and 0.996 and for testing step were 0.004 and 0.931, respectively. Thus the total result showed that the ANFIS could predict the grain yield of wheat based on energy inputs with good accuracy