تحلیل دقت و عدم قطعیت مدل شبکه عصبی مصنوعی در پیشبینی عملکرد زعفران در خراسان جنوبی مبتنی بر دادههای اقلیمی |
|
مقاله 5، دوره 5، شماره 3 - شماره پیاپی 17، پاییز 1396، صفحه 255-271 |
|
نوع مقاله: مقاله علمی پژوهشی |
|
شناسه دیجیتال (DOI): 10.22048/jsat.2017.31901.1100 |
|
نویسندگان |
|
حسین ریاحی
|
|
1استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ولیعصر (عج) رفسنجان |
|
2دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند |
|
چکیده |
|
با توجه به حساسیت عملکرد زعفران و تأثیرپذیری آن از پارامترهای اقلیمی و خاصیت غیرخطی توابع عملکرد گیاهی، در این تحقیق پیشبینی و تحلیل عدم قطعیت مدل شبکه عصبی مصنوعی در تخمین عملکرد زعفران انجام شد. بردار ورودی مدل از بین 37 مؤلفه مختلف، بر اساس استراتژی همبستگی و تحلیل تورم واریانس بهینهسازی شد و مدل با معماری 1-2-4-11 با تابع فعالسازی سیگموئید در مراحل سهگانه آموزش و آزمایش و ارزیابی عملکرد برتری را نشان داد. مقادیر پارامترهای MAE و RMSE مدل شبکه عصبی مصنوعی در مرحله یادگیری برابر 3/0 و 5/0 و در مرحله آزمایش بهترتیب 7/0 و 1 حاصل شد. نتایج تحلیل عدم قطعیت مونتکارلو بر مبنای 1000 نمونهگیری بدون جایگذاری، بر اساس فاکتورهای d-factor, 95% PPU, R2 بیانگر پهنای باند اطمینان مطلوب پیشبینیها بود و الگوهای عمومی و کلی تغییرات عملکرد زعفران را بهخوبی پیشبینی نمود. متوسط ضریب R2 مدل در مرحله آموزش و آزمایش بر اساس 1000 شبیهسازی مونتکارلو بهترتیب 92/0 و 58/0 بود که برای مدلهای عملکرد گیاهی مبتنی بر دادههای اقلیمی دارای معنیداری در سطح 1% است. با اینحال در شرایط حدی و مرزی، احتمال بروز وقایعی خارج از باند پیشبینی 95 درصد وجود داشته و لزوم توجه به شرایط مدیریت تغذیه، کود، خاک و آب مزارع در مدلهای هوشمند پیشبینی عملکرد را نشان میدهد. بر اساس نتایج پژوهش حاضر برنامهریزان بهجای مواجهه با یک رقم بهعنوان پیشبینی، ترکیب این رقم و باند اطمینان را در اختیار داشته و میتوانند تصمیمات واقعبینانهتری اتخاذ نمایند. |
|
کلیدواژهها |
|
پارامترهای اقلیمی؛ تحلیل عدم قطعیت؛ شبکه عصبی مصنوعی؛ شبیهسازی مونتکارلو؛ عملکرد زعفران |
|
عنوان مقاله [English] |
|
Accuracy and uncertainty analysis of artificial neural network in predicting saffron yield in the south Khorasan province based on meteorological data |
|
نویسندگان [English] |
|
Hossien Riahi Modavar1؛ Abbas Khashei-Siuki2؛ Akram Seifi1 |
|
1Assistant Professor of Water Engineering, Vali-e-asr Uiversity of Rafsanjan, Iran |
|
2Associated Professor of Water engineering,Dpt. University of Birjand, Iran |
|
چکیده [English] |
|
Because of saffron yield sensitivity and the effects of climate on its performance, and also due to the nonlinear nature of crop yield functions, the Artificial Neural Network (ANN) model is employed in this study for prediction and uncertainty analysis of saffron yield in the South Khorasan province based on 20 years of data. The input vector of the ANN model was optimized from 37 parameters through correlation and variance inflation. The optimum architecture of the model was derived as 1-2-4-11 with a sigmoidal activation function based on the results at three stages of training, testing and verification. The root mean square error (RMSE) and mean absolute error (MAE) were equal to 0.3 and 0.5 in the training step and 0.7 and 1 in the test step, respectively. These results indicate that the ANN is a suitable model for predicting saffron yield. Uncertainty analysis based on R2, d-factor and 95%PPU showed that despite use of inadequate data, model prediction showed acceptable prediction bounds and predicted a satisfactorily saffron yield trend. The R2 values were equal to 0.92 and 0.58 in the training and test steps, respectively, which are statistically significant at the P |
|
کلیدواژهها [English] |
|
Artificial Neural Network, Climatological Data, Saffron Yield, Uncertainty analysis |