امکان‌سنجی آموزش شبکه‌های عصبی مصنوعی با استفاده از مدل‌های گیاهی برای پیش‌بینی عملکرد و طول دوره‌های رشد گندم

نویسندگان

1 دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشگاه بین المللی امام خمینی(ره)

2 عضو هیات علمی گروه علوم و مهندسی آب ، دانشگاه بین المللی امام خمینی(ره)

3 پژوهشگر مرکز علوم گیاهی، دانشگاه کوئینزلند، استرالیا

10.30467/nivar.2019.142730.1102

چکیده

افزایش روزافزون تقاضای محصولات کشاورزی و افزایش فشار بر منابع آب و خاک از یک سو و مشکلات دستیابی به داده‌های میدانی از سوی دیگر، ضرورت استفاده از مدل‌های مناسب برای پیش‌بینی عملکرد محصولات کشاورزی را نمایان می‌سازد. بسیاری از پارامترهای ورودی مدل‌های گیاهی در کشور ما در دسترس نیستند. از طرف دیگر با پدید آمدن تکنیک‌های آماری نوین و شبکه‌های عصبی مصنوعی، مدل‌های پیش‌بینی‌کننده عملکرد محصولات زراعی به سرعت رو به توسعه است. بدین منظور پژوهشی با هدف ارزیابی قابلیت شبکه‌های عصبی مصنوعی برای یادگیری از مدل‌های پیچیده گیاهی و توانایی آنها در پیش‌بینی عملکرد و طول دوره رشد گندم و برخی از پارامترهای مورد نیاز مدل گیاهی AquaCrop انجام گرفت. ارزیابی مدل-های شبکه عصبی مصنوعی نیز با شاخص‌های آماری ضریب تبیین (R2) ، جذر میانگین مربعات خطا نرمال شده (SRMSE) انجام شد. نتایج نشان دادکه مدل شبکه عصبی شماره 9 (طول دورة رشد از گل‌دهی تا برداشت) با R2 و SRMSE به ترتیب برابر با 98/0 و 79/4 % و مدل شبکه عصبی شماره 2 (عملکرد دانه در زمان برداشت) با R2 و SRMSE به ترتیب برابر با 97/0 و 69/9% به ترتیب بهترین دقت را در بین مدل‌های پیش‌بینی دوره‌های مهم رشد و عملکرد دانه گندم داشتند. براساس نتایج این مطالعه ، کارآیی شبکه‌های عصبی مصنوعی برای پیش‌بینی عملکرد و طول دوره‌های مهم فصل رشد گندم با استفاده از متغیرهای اقلیمی مورد تایید قرار گرفت.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Plausibility of Training Artificial Neural Networks with Crop Models to Predict Wheat Phenology and Yield

نویسندگان [English]

  • fateme safari 1
  • hadi ramezani etedali 2
  • abbas kaviani 2
  • bahnam ababaei 3
1 M.Sc. Graduate, Dept. of Water Sciences and Engineering, Imam Khomeini International University, Qazvin
2 Faculty member., Dept. of Water Sciences and Engineering, Imam Khomeini International University, Qazvin
3 3 Research Officer in Crop Modelling, Centre for Crop Science, Queensland Alliance for Agriculture and Food Innovation (QAAFI), the University of Queensland, Australia
چکیده [English]

Increasing the demand for agricultural products and increasing the pressure on water and soil resources, and the problems of access to field data on the other, will require the use of appropriate models to predict the yield of agricultural products. The most of the input parameters of crop models are not available in our country. On the other hand, with the emergence of strong statistical techniques and neural networks, predictive models of crop yields are rapidly developing. For this purpose, the present study was aimed to evaluate the capability of Artificial Neural Networks in learning from complex crop models and their performance in predicting wheat phenology and yield as well as some input parameters of the AquaCrop model. The evaluation of the models was done by statistical indexes, coefficient of determination (R²), normal root mean square error (SRMSE). The results showed that the neural network of model No. 9 (duration of growth period from flowering to harvest) was fitted with R2 and SRMSE, 0.98 and 4.79%, respectively, and the neural network of model No. 2 (Grain DM at maturity) was fitted with R2 and SRMSE, 0.97 and 9.69%, respectively, the best performance among predictive models of duration of growth periods and yield of wheat grain. According to this paper , The efficiency of artificial neural networks has been confirmed to predict yield and duration of growth periods of wheat using climate parameters.

کلیدواژه‌ها [English]

  • Simulation
  • model
  • Climate Parameters
  • Growth periods
  1. خدابنده ن .، 1377 . غلات. انتشارات دانشگاه تهران.
  2. شیردلی ع .، توسلی ا . 1394 . پیش­بینی عملکرد و کارآیی مصرف آب زعفران با استفاده از مدل­های شبکه عصبی مصنوعی برمبنای فاکتورهای اقلیمی و آب، نشریه زراعت و فناوری زعفران، 3(2): 121-131.
  3. آبابایی، ب.، رضاوردی­نژاد، و. 1392. برآورد عملکرد هیدرولیکی سیستم‌های آبیاری تحت فشار با استفاده از مدل‌های شبکة عصبی مصنوعی و رگرسیون ناپارامتری. مجلة آب و خاک، دانشگاه فردوسی مشهد. 27(4): 769-779.
  4. سجادی، ج.، صبوری، ح. 1391. کاربرد شبکه­های عصبی­مصنوعی در پیش­بینی عملکرد محصول کلزا. مجله تولید و فرآوری محصولات زراعی و باغی، سال سوم، شماره دهم.
  5. دلقندی، م.، اندرزیان، ب.، برومند نسب، س.، مساح بوانی، ع.، جواهری، ا. 1393. ارزیابی مدل CERES-Wheat نسخه DSSAT 4.5 در شبیه­سازی رشد، عملکرد و مراحل فنولوژی گندم در شرایط مدیریت­های مختلف تخصیص آب در مزرعه (مطالعه موردی: شهرستان اهواز). نشریه آب و خاک، دانشگاه فردوسی مشهد. 28(1): 82-91.
 

  1. Ababaei, B., Sohrabi, T., Mirzaei, F. 2012. Assessment of radial basis and generalized regression neural networks in daily reservoir inflow simulation. Elixir Comp. Sci. & Engg. 42(2012) 6074-6077.
  2. Ababaei, B., Derery, J., Martre, P. 2016. Recent changes in spatiotemporal patterns of pan-European wheat yield gap and environmental stresses. Native Trait, Limagrain Europe. Clermont-Ferrand, France.
  3. Aboukarima, A.M., Elsoury, H.A., and Menyawi, M. 2015. Artificial Neural Network Model for the Prediction of the cotton Crop Leaf Area. International Journal of Plant & Soil Science. 8(4): 1-13.
  4. Alvarez, A. 2009. Predicting average regional yield and production of wheat in the Argentine Pampas by an artificial neural network approach. Eur J. Agron. 30: 70-77.
  5. Alizadeh, H. A., Nazari, B., Parsinejad, M., Ramezani-Eetedali, H. and Janbaz, H. R. 2010. Evaluation of AquaCrop model on wheat deficit irrigation in Karaj area. Iranian J. Irrig. Drain. 2(4): 273-283. (in Farsi)
  6. Andarzian, B., Bannayan, M., Steduto, P., Mazraeh, H., Barati, M.E. and Rahnama, A. 2011. Validation and Testing of the AquaCrop Model under Full and Deficit Irrigation Wheat Production in Iran. Agricultural Water Management.100: 1-8.
  7.  Drummond, S.T., Sudduth, K.A., Joshi, A., Birrell, S.J., and Kitchen, N.R. 2003. Statistical and neural methods for site-specific yield prediction. Transactions of the ASAE, 46: 1. 5-14. 
  8. Hosaini, M. T., A. Siosemarde, P. Fathi and M. Siosemarde. 2007. Application of artificial neural network (ANN) and multiple regressions for estimating assessing the performance of dry farming wheat yield in Ghorveh region, Kurdistan province. Agricultural Research 7(1) :41-54 (in Farsi)
  9. Jain, A.K., Mao, J., and Mohiuddin, K.M. 1996. Artificial Neural Networks: a tutorial computer. IEEE, Pp: 31-44.
  10. Kaul, M., Hill, R.L., and Walthall, C. 2005. Artificial neural networks for corn and soybean yield prediction. Agric Sys. 85: 1-18.
  11. Khanal, R. R. 2005. Phyllochron and leaf development in field grown rice genotypes under varying thermal environments of a high altitude cropping system. MSc. Thesis. Univ. of Zu Bonn. Germany.
  12. Kim, M., and Gilley, J. E. 2008. Artificial neural network estimation of soil erosion and nutrient concentrations in runoff from land application areas.
  13. Landeras, G., Ortiz-Barredo, A., and López, J.J. 2009. Forecasting weekly evapotranspiration with ARIMA and artificial neural network models. Irrigation and Drainage Engineering, ASCE. 135: 323-334.
  14. Merdun, H., Çınar, Ö., Meral, R., and Apan, M. 2006. Comparison of artificial neural network and regression pedotransfer functions for prediction of soil water retention and saturated hydraulic conductivity. Soil. Till Res. 90: 108-116.
  15. Mubiru, J. 2008. Predicting total solar irradiation values using artificial neural networks. Renewable Energy. 33: 2329-2332.
  16. Mukerji, A., Chatterjee, C., and Raghuwanshi, N.S. 2009. Flood forecasting using ANN, Neuro-Fuzzy, and Neuro-GA models. Hydrol Eng. ASCE. 14: 647-652.
  17.  Norouzi, M., Ayoubi, S., Jalalian, A., Khademi, H., and Dehghani, A.A. 2010. Predicting rainfed wheat quality and quantity by artificial neural network using terrain and soil characteristics. Acta Agric Scandinavica, Section B-Plant Soil Sci. 60: 341-352.
  18. Pandey, A., Mishra, A. 2017. Application of Artificial Neural Networks in Yield Prediction of Potato Crop. Russian Agricultural Sciences.43(3): 266-272.
  19. Piri, J., Amin, S., Moghaddamnia, A., Keshavarz, A., Han, D., and Remesan, R. 2009. Daily pan evaporation modeling in a hot and dry climate. Hydrol Eng, ASCE. 14: 803-811.
  20. Ramezani-Etedali, H., Nazari, B., Tavakoli, A. R. and Parsinejad, M. 2009. Evaluation of CROPWAT model in deficit irrigation management of wheat and barley in Karaj. J. Water Soil. 23(1): 119-129.(in Farsi).
  21. Singh A.K., Tripathy R., andChopra U.K. 2008. Evaluation of CERES-Wheat and CropSyst models for water-nitrogen interactions in wheat crop .Agricultural Water Management. 95: 776-786.
  22. Smith, B.A., Hoogenboom, G., and McClendon, R.W. 2009. Artificial neural Networks for automated year-round temperature prediction. Comp. ElectronAgric. 68: 52-61.
  23. Suchithra, M.S., Pai, Maya.L. 2018. Impact of Deep Neural Network on Predicting Application Rate of Fertilizers (Focus on Coconut Trees of Kerala Northen Coastal Plain Agro Ecological Unit). International Journal of Pure and Applied Mathematics. 119(10): 451-466.
  24. Tavassoli, A. 2014. Quantifying yield gap of wheat in water and nitrogen limit conditions in Shirvan region: model and field experiment. Ph.D thesis in the Agronomy, University of Zabol. (In Persian with English Summary).
  25.  Yin, Xinyou., P. C. Struik, J. Tang, Ch. Qi and T. Liu. 2005. Model analysis of flowering phenology in recombinant inbred lines of barley. J. Exp. Bot. 56(413): 959-965.
 


مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 01 خرداد 1398
  • تاریخ دریافت: 08 مرداد 1397
  • تاریخ پذیرش: 01 خرداد 1398