TY - JOUR ID - 87879 TI - امکان‌سنجی آموزش شبکه‌های عصبی مصنوعی با استفاده از مدل‌های گیاهی برای پیش‌بینی عملکرد و طول دوره‌های رشد گندم JO - نیوار JA - NIVAR LA - fa SN - 1735-0565 AU - صفری, فاطمه AU - رمضانی اعتدالی, هادی AU - کاویانی, عباس AU - آبابایی, بهنام AD - دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشگاه بین المللی امام خمینی(ره) AD - عضو هیات علمی گروه علوم و مهندسی آب ، دانشگاه بین المللی امام خمینی(ره) AD - پژوهشگر مرکز علوم گیاهی، دانشگاه کوئینزلند، استرالیا Y1 - 2019 PY - 2019 VL - 43 IS - 104-105 SP - 101 EP - 112 KW - شبیه سازی KW - مدل گیاهی KW - متغیرهای اقلیمی KW - دوره‌های رشد DO - 10.30467/nivar.2019.142730.1102 N2 - 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. UR - https://nivar.irimo.ir/article_87879.html L1 - https://nivar.irimo.ir/article_87879_835b4eaba9c3b9fde5e2ba9ebd317a20.pdf ER -