ارزيابي مدل شبكه عصبي مصنوعي در پيشبيني عملكرد زعفران با استفاده از شاخص خشكسالي استاندارد شده در استانهاي خراسان جنوبي و خراسان رضوي

Assessment of expert system in prediction of saffron yield in Southern Khorasan and Khorasan Razavi Provinces

زعفران به عنوان با ارزش‌ترين محصول كشاورزي و دارويي جهان، جايگاه ويژه‌اي در بين محصولات صنعتي و صادراتي ايران در توليد و اشتغال دارد. در حال حاضر توجه به توليد زعفران در كشور به دلايل مختلف رو بـه افـزايش اسـت كـه از مهـمتـرين دلايـل آن مي‌توان به جنبه‌‌هاي اقتصادي، جنبه‌‌هاي نوين دارويي، نياز كم به آب و بالا بودن كارآيي و بهره‌وري آب در اين گياه اشاره نمود. پديده طبيعي خشكسالي كشاورزي در سال‌‌هاي اخير خسارات زيادي در زمينه عملكرد زغفران به كشور وارد ساخته است كه بايد تلاش كرد با استفاده از مديريت منطقي، حتي الامكان خسارات ناشي از آن را كاهش داد. پايش خشكسالي و تاثير آن بر عملكرد زعفران يكي از روش‌هاي موثر در كاهش اثرات اين پديده‌ي غير قابل كنترل مي‌باشد. همينطور پيش‌بيني عملكرد اين محصول مي‌تواند در مسايل اجتماعي- اقتصادي و توليد و اشتغال بسيار موثر باشد. شبكه‌هاي عصبي مصنوعي (ANN) به عنوان ابزاري قوي در محاسبه معادلات پيچيده و تحليل عددي با مناسبترين تقريب، از جديدترين ابزار پيش‌بيني عملكرد محصولات كشاورزي مي‌باشد. اين پژوهش به منظور سنجش توانايي تكنولوژي شبكه عصبي مصنوعي در پيش‌بيني عملكرد زعفران براساس شاخص‌ خشكسالي SPI مي‌باشد. داده‌هاي هواشناسي مورد استفاده شامل داده‌هاي 23 ساله بارش ماهانه و ميانگين دماي ماهانه چهار ايستگاه‌ سينوپتيك استان خراسان رضوي و چهار ايستگاه سينوپتيك خراسان جنوبي مي‌باشد. نتايج به دست آمده از اين پژوهش كارايي مدل چند لايه پرسپترن (MLP) شبكه عصبي، براي پيش‌بيني عملكرد محصول را نشان داد. در اين مدل از داده‌هاي ماهانه SPI و ميانگين ماهانه دما به عنوان متغيرهاي مستقل در پيش‌بيني عملكرد زعفران استفاده شد.

Khorasan Province is one of the most important provinces of Iran, especially as regards agricultural product. The prediction of crop yield with available data has important effects on socio-economic and political decisions at the regional scale. Recently, the application of Artificial Neural Network (ANN) has been developed as a powerful tool which enables to solve accurately the most complicated equations and to perform appropriate numerical analysis. This study shows the ability of Artificial Neural Network (ANN) technology for the prediction of saffron (Corcus sativus) yield, based on the available daily weather and yearly agricultural data. Standardized Precipitation Index, temperature Average for twenty three years at synoptic stations were the weather data used. The potential of ANN and Multi-Layered Preceptron (MLP) methods were examined to predict saffron yield. The MLP models of Artificial Neural Networks and regression, using temperature average and Standardized Precipitation Index, as independent variables in predicting the crop yield the most efficiency was achieved.