ارزیابی کارآیی مدل‌های شبکه عصبی مصنوعی در محاسبه عملکرد و بهره‌وری آب گندم بر اساس عامل‌های اقلیمی و آب - کود نیتروژن مصرفی

نوع مقاله : مقاله پژوهشی

نویسندگان

چکیده

مدیریت آب و کود نیتروژن در تعامل با عامل‌های اقلیمی تأثیر زیادی بر عملکرد و بهره‌وری آب گندم دارد. تحقیق حاضر با هدف توسعه و ارزیابی کارآیی مدل شبکه عصبی مصنوعی در محاسبه عملکرد و بهره‌وری آب گندم بر اساس عامل‌های اقلیمی و آب - کود نیتروژن مصرفی انجام گرفت. کالیبراسیون و صحّت‌سنجی مدل‌ها با استفاده از نتایج یک آزمایش مزرعه‌ای سه ساله صورت پذیرفت. به منظور ارزیابی مدل‌ها از شاخص‌های آماری ضریب تبیین،‏ مجذور میانگین مربعات،‏ میانگین خطای اریب و خطای استاندارد استفاده شد. نتایج تحقیق نشان داد که مدل‌های شبکه عصبی مصنوعی از دقت بیشتری در تخمین عملکرد و بهره‌وری آب گندم برخوردار هستند. مقایسه نتایج مدل‌های شبکه عصبی و رگرسیون غیرخطی نشان داد که مدل‌های شبکه عصبی دقت بیشتری دارند. تحلیل حساسیت مدل‌ها نشان داد که عملکرد و بهره‌وری آب گندم بیشترین حساسیت را به عامل مقدار آب مصرفی و پس از آن به کود نیتروژن مصرفی فصلی دارد. مقدار بیشینه و کمینه بهره‌وری آب گندم به‌ ترتیب به ازای 272 و 490 میلی‌متر آب مصرفی فصلی و معادل 55‎/1 و 81‎/0 کیلوگرم بر متر مکعب محاسبه شد. کاربرد ساختارهای شبکه عصبی انتخابی می‌تواند زمینه ارتقای بهره‌وری آب این گیاه استراتژیک را در شرایط مختلف اقلیمی منطقه مورد مطالعه زمینه‌سازی کند و امکان بهره‌برداری منطقی و اقتصادی از منابع آب و کود نیتروژن و برنامه‌ریزی برای استفاده تلفیقی بهینه از این دو نهاده مهم را ممکن کند.

کلیدواژه‌ها


عنوان مقاله [English]

Assessing the efficiency of artificial neural network Models to predict wheat yield and water productivity based on climatic data and seasonal water-nitrogen variables

نویسندگان [English]

  • Dr A Montazar
  • Dr B. Azadegan
  • M. Shahraky
چکیده [English]

Wheat yield and water productivity are affected by water and nitrogen fertilizer management and climatic data. The aim of the present study was to assess the efficiency of artificial neural networks (ANNs) models in predicting winter wheat yields and water productivity using climatic data and seasonal water-nitrogen variables. The calibration and verification of the proposed models were accomplished using data from field experiments carried out in three years. The models were evaluated using several statistical error and goodness-of-fit measures, including the coefficient of determination, root mean square error (RMSE), mean bias error (MBA), and standard error (STE). The applied ANNs models had desirable accuracy in estimating crop yields and water productivity. ANN models consistently produced more accurate predictions than multiple linear regression models. The sensitivity analysis indicated that the productivity of wheat water has the highest level of sensitivity to the seasonal water use. The data generated here suggested that maximum and minimum wheat water productivity would be achieved with about 272 and 490 mm seasonal water use, which were determined 1.55 and 0.81 kg m-3, respectively. The applied ANNs can provide the background for promoting the water productivity for this strategic crop in different weather condition, and give us the possibility of the logical and economical use of water sources and nitrogen and also programming the combined usage of both resources in the study area.

کلیدواژه‌ها [English]

  • Nitrogen
  • Wheat and yield
  • Weather data
  • Artificial neural networks
  • Water productivity