پيش‌بيني عملكرد سويا در شرايط ديم با استفاده از سيستم استنتاج نروفازي (ANFIS)

Soybean Yield Prediction Using Adaptive Nero-Fuzzy Interface System (ANFIS)

يكي از روش‌هاي پيش‌بيني عملكرد گياهان زراعي ديم استفاده از مشخصات آب و هوايي مي‌باشد. پيش‌بيني عملكرد گياهان زراعي نقش مهمي در سياست‌گذاري‌هاي بخش كشاورزي ايفا مي‌كند. آشكارترين كاربرد آن، تعيين اعتبار لازم جهت خريد گياهان زراعي و قيمت‌گذاري آن براي سال آينده مي‌باشد. تاكنون از مدل‌هاي رياضي شامل آناليز رگرسيون و نيز شبكه‌هاي عصبي مصنوعي جهت پيش‌بيني عملكرد گياهان زراعي ديم استفاده شده است. در اين پژوهش با استفاده از سيستم استنتاج نروفازي (ANFIS) و داده‌هاي هواشناسي 11 سال زراعي (1388 - 1377)، روشي جديد جهت پيش‌بيني عملكرد گياهان زراعي سوياي ديم در منطقه گنبد استان گلستان به‌كار گرفته شده است. مشخصات مورد استفاده به‌عنوان ورودي سيستم استنتاج نروفازي (ANFIS) شامل ميانگين هفتگي بارندگي، درجه حرارت، درصد رطوبت و تعداد ساعات آفتابي و خروجي آن ميزان عملكرد گياهان زراعي بر حسب كيلوگرم در هكتار مي‌باشد. تحليل رگرسيون چند مرحله‌اي پيش رو براي انتخاب مشخصات بهينه جهت پيش‌بيني عملكرد گياهان زراعي با استفاده از نرم‌افزار SPSS 18 و ايجاد، آموزش و آزمون سيستم استنتاج نروفازي (ANFIS) با استفاده از نرم‌افزار Matlab R2011a انجام شد. ANFIS به‌كار گرفته شده در اين پژوهش داراي تابع عضويت از نوع constant در لايه خروجي و تابع عضويت از نوع gaussmf در لايه ورودي مي‌باشد. تعداد توابع عضويت براي هر كدام از ورودي ها 3 تابع و براي لايه خروجي 1 تابع بود. نتايج به‌دست آمده نشان داد كه سيستم استنتاج نروفازي ارائه شده با 21 قانون قادر به پيش‌بيني عملكرد گياهان زراعي سوياي ديم با مقدار RSME برابر با 102/170 مي‌باشد.

Productivity of rainfed crops may be predicted using the climatic parameters. Crop yield prediction has an important role in agricultural policies including determining the crop price. Wellknown prediction methods are regression method and arterial neural networks. In this paper soybean yield is predicted using Adaptive NeroFuzzy Interface System (ANFIS) and 11 years of climatic data (19982009) in GonbadeKavous region of Golestan province, Iran. Mean weekly rainfall, mean weekly temperature, mean weekly relative humidity and mean weekly sun shine hours were ANFIS inputs and its output was soybean grain yield (kg/ha). Stepwise Regression for Feature selection from climatic data was done with the SPSS18 software and ANFIS was created, trained and tested with MATLAB R2011a software. Trained ANFIS has ‘constant’ membership function in output layer and ‘gaussmf’ membership function in input layer. Each input has 3 membership functions and each output has one membership function. Root Mean Square Error (RMSE) criterion was used to evaluate the performance of the ANFIS. The results showed that the proposed ANFIS with 21 rules has a prediction error (RMSE) of 102.170.