بخشی از مقاله
چکیده
پیشبینی عملکرد محصولات کشاورزی نقش مهمی در سیاستگذاریهای بخش کشاورزی ایفا میکند. آشکارترین کاربرد پیشبینی عملکرد، در برنامهریزیهای اقتصادی میباشد. تحقیق حاضر با هدف توسعه و ارزیابی کارآیی مدل شبکه عصبی مصنوعی در تخمین عملکرد پتانسیل برنج بر اساس ویژگیهای خاکی در منطقه آستانه استان گیلان انجام گرفته است. در این پژوهش تولید پتانسیل زمین بر اساس تولید پتانسیل به دست آمده از روش پیشنهادی فائو محاسبه شد.
صحت سنجی مدلها با استفاده از معیارهای میانگین خطای مطلق - MAE - ، ریشه میانگین مربعات خطا - RMSE - و ضریب تبیین - R2 - انجام شد. شبکه عصبی پیشنهادی با ضریب تبیین 0/87، میانگین خطای مطلق 0/36 و ریشه میانگین مربعات خطا 0/41 از دقت مناسبی در تخمین عملکرد محصول برنج برخوردار بود. این نتایج نشاندهنده توانایی بالای شبکه عصبی آموزشدیده در پیشبینی عملکرد محصول برنج است.
تحلیل حساسیت مدلها نشان داد که عملکرد محصول، بیشترین حساسیت را به واکنش خاک، قابلیت هدایت الکتریکی و درصد ماده آلی خاک دارد. به طور کلی، کاربرد شبکه عصبی انتخابی در این مقاله می تواند زمینه ارتقای تخمین عملکرد محصول برنج را در منطقه مورد مطالعه فراهم نماید.
مقدمه
اصولاً عملکرد گیاه تابعی از عوامل محیطی است و هیچ عاملی به تنهایی نمیتواند نقش موثری بر رشد آن داشته باشد. یکی از این عوامل خصوصیات فیزیکی و شیمیایی خاک میباشد. از اینرو محاسبه مقدار عملکرد گیاه و شاخصهای وابسته به آن از روابط غیرخطی پیچیدهای تبعیت میکند؛ که مدلسازی آن نیز دشواری خاصی دارد. با توجه به اهمیت مدلسازی عملکرد و تعیین عوامل مؤثر بر رشد، امروزه مدلهای شبیهسازی گیاهی به عنوان ابزاری چندمنظوره در تحقیقات و مدیریت زراعی مطرح هستند. انواع مختلفی از مدلهای پیشبینی عملکرد وجود دارد. یکی از روشهای مدلسازی که در سالهای اخیر مورد توجه بسیاری از محققین در علوم مختلف واقع شده است، مدلسازی به روش شبکه عصبی مصنوعی میباشد.
شبکه عصبی، شبیهسازی از دستگاه عصبی انسان است و در واقع تقلیدی از مغز و شبکه اعصاب انسان میباشد. در این شبکه سعی بر این است که ساختاری تهیه شود که همانند مغز، قدرت یادگیری، تعمیمدهی و تصمیمگیری داشته باشد. در این گونه ساختارها هدف این است که با معرفی عملکرد یک سیستم دینامیکی، مدل را آموزش داده، چگونگی عملکرد سیستم را در حافظه مدل ذخیره و از آن برای مواردی که قبلا با آن مواجه نشده است، استفاده شود. به دلیل توانایی این شبکهها در مدلسازی فرآیندهای بسیار پیچیده که تعداد عوامل تأثیرگذار در آنها زیاد است، امکان استفاده از آنها در علوم کشاورزی بسیار فراهم میباشد
صفا و همکاران - Safa et al., 2015 - بیان کردند که شبکههای عصبی مصنوعی با ورودیهای شرایط مزرعه و نهادههای کشاورزی شامل سطح زیر کشت، دور آبیاری، میزان مصرف کود ازت و قارچکشها قادر به تخمین عملکرد گندم در منطقه کانتربوری نیوزلند میباشد. کول و همکاران - Kaul et al., 2005 - از قابلیت شبکههای عصبی مصنوعی برای پیشبینی عملکرد ذرت و سویا در منطقه مریلند استفاده نموده و بیان کردند که مدل شبکه عصبی مصنوعی در مقایسه با مدلهای رگرسیونی دارای دقت بالاتری میباشد.
آنها از پارامترهای میزان بارندگی و خصوصیات خاک به عنوان ورودیهای مدل استفاده کردند و دریافتند که بارندگی در ماههای ژوئن تا اوت دارای اهمیت بیشتری میباشد و به همین دلیل بهتر است که آمار بارندگی در این ماهها به صورت هفتگی به مدل معرفی گردد.
آلوارز - Alvarez, - 2009 شبکههای عصبی مصنوعی را جهت تعیین عملکرد گندم در منطقه پامپاس آرژانتین بهکار برد. ایشان نسبت بارندگی به تبخیر -تعرق - R/CPET - را به عنوان مهمترین فاکتور آب و هوایی مؤثر بر بازده این محصول معرفی نمود. نوروزی و همکاران - Norouzi et al., 2010 - از شبکههای عصبی مصنوعی به منظور پیشبینی عملکرد گندم دیم در مناطق نیمه خشک و کوهستانی غرب ایران استفاده نمودند و بیان داشتند که شاخص انتقال رسوب، مهمترین عامل توپوگرافی بر میزان عملکرد این گیاه بوده است و میزان پروتئین موجود در دانهها تحت تأثیر میزان نیتروژن کل خاک میباشد.
باقری و همکاران - 1391 - به منظور پیشبینی عملکرد ذرت علوفهای، از شبکههای عصبی مصنوعی بهره جستند و نشان دادند درجه حرارت روز رشد و میزان آب آبیاری از مهمترین پارامترهای مؤثر در پیشبینی عملکرد ذرت علوفهای میباشد. کیچن و همکاران - Kitchen et al., 2003 - و صفا و همکاران - Safa et al., 2003 - اظهار داشتهاند که شبکههای عصبی پیشخور، کاربردیترین نوع شبکههای عصبی مصنوعی میباشند و این نوع شبکههای عصبی قادرند هر تابعی را با دقت دلخواه تقریب بزنند. با توجه به اهمیت شناخت و بررسی توان تولید اراضی با نگرش بازده پایدار و مناسب بر حسب توانایی و استعداد کیفی و کمی اراضی، در پژوهش حاضر تلاش شده است که امکان مدلسازی فرایند پیچیده پیشبینی عملکرد برنج در منطقه آستانه استان گیلان با استفاده از شبکههای عصبی مصنوعی بررسی شود.
روش تحقیق
منطقه مورد مطالعه در مرکز استان گیلان، در حاشیه سپیدرود و در 35 کیلومتری رشت بین طولهای جغرافیایی 49 درجه و 56 دقیقه تا 49 درجه و 57 دقیقه و عرض جغرافیایی 37 درجه و 14 دقیقه تا 37 درجه و16 دقیقه قرارگرفته است. غالب اراضی منطقه مورد مطالعه با توجه به نقشههای موجود و بازدید صحرایی، در واحد فیزیوگرافی دشتهای آبرفتی رودخانهای در مجاورت رودخانه سپیدرود قرار دارد. متوسط بارندگی سالیانه 1312mm، میانگین دمای سالانه 17/7 درجه سانتیگراد و میانگین رطوبت نسبی %71/41 میباشد. طبق نقشه رژیم رطوبتی و حرارتی خاکهای ایران رژیم حرارتی خاکهای منطقه ترمیک و رژیم رطوبتی یودیک میباشد
برای محاسبه پتانسیل تولید از مدل فائو استفاده گردید. در این مدل با استفاده از پتانسیل ژنتیکی محصول و ویژگیهای گیاهی آن، با استفاده از دادههای اقلیمی مانند تابش خورشید و درجه حرارت، مقدار کل تولید خالص زیست توده برآورد شد. در نهایت میزان پتانسیل تولید محصولات، با استفاده از شاخص اراضی محاسبه شده - روش ریشه دوم - و مقدار زیست توده محصول برداشت شده بدست آمد
برای این منظور، موقعیت 60 نقطه مطالعاتی به طور تصادفی در مزارعی با عملکرد مختلف برنج بر روی نقشه ی توپوگرافی با مقیاس 1:250000 تعیین شدند. در مرحله بعد با مراجعه به صحرا در زمان برداشت محصول، توسط سامانه موقعیتیاب جهانی - GPS - محل هر یک از نقاط مطالعاتی مشخص شدند. سپس از عمق صفر تا 30 سانتیمتری خاک آنها نمونهبرداری گردید و نمونههای مذکور برای انجام تجزیههای فیزیکی و شیمیایی به آزمایشگاه منتقل شدند.
شبکههای عصبی مصنوعی شامل مجموعهای از نرونهای به هم متصل میباشند - شکل - 1 که به هر مجموعه از این نرونها یک لایه گفته میشود. در نهایت برای ایجاد این لایهها، نرونها به وسیله توابع فعالسازی - محرک - به یکدیگر متصل میشوند. یک شبکه عصبی به طور معمول، از سه لایه ورودی، پنهان و خروجی تشکیل شده است. لایه ورودی، فقط اطلاعات را دریافت میکند و تعداد نرونهای آن بر اساس طبیعت مسئله تعیین میشود. لایه خروجی نیز همانند متغییر وابسته عمل کرده و تعداد نرونهای آن به تعداد متغییر وابسته بستگی دارد؛ اما بر خلاف لایه ورودی و لایه خروجی، لایه پنهان هیچ مفهومی را نشان نمیدهد وصرفاً یک نتیجه میانی در روند محاسبه ارزش خروجی است
در این مطالعه ویژگیهای خاک شامل: درصد ماده آلی، درصد حجمی سنگریزه، درصد رس، شن، EC و pH به عنوان ورودیهای شبکه در نظر گرفته شدند و خروجی شبکه، میزان پتانسیل عملکرد محصول را تعیین میکند. برای تعیین تعداد نرونهای لایه میانی و همچنین تعداد لایههای میانی از روش آزمون و خطا استفاده شد.
