تحلیل دقت و عدم قطعیت مدل شبکه عصبی مصنوعی در پیش بینی عملکرد زعفران در خراسان جنوبی مبتنی بر داده های اقلیمی

با توجه به حساسیت عملکرد زعفران و تاثیرپذیری آن از پارامترهای اقلیمی و خاصیت غیرخطی توابع عملکرد گیاهی، در این تحقیق پیش بینی و تحلیل عدم قطعیت مدل شبکه عصبی مصنوعی در تخمین عملکرد زعفران انجام شد. بردار ورودی مدل از بین 37 مولفه مختلف، بر اساس استراتژی همبستگی و تحلیل تورم واریانس بهینه سازی شد و مدل با معماری 1-2-4-11 با تابع فعال سازی سیگموئید در مراحل سه گانه 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 به ترتیب 7/0 و 1 حاصل شد. نتایج تحلیل عدم قطعیت مونت کارلو بر مبنای 1000 نمونه گیری بدون جایگذاری، بر اساس فاکتورهای d-factor، 95% PPU، R2 بیانگر پهنای باند اطمینان مطلوب پیش بینی ها بود و الگو های عمومی و کلی تغییرات عملکرد زعفران را به خوبی پیش بینی نمود. متوسط ضریب R2 مدل در مرحله آموزش و آزمایش بر اساس 1000 شبیه سازی مونت کارلو به ترتیب 92/0 و 58/0 بود که برای مدل های عملکرد گیاهی مبتنی بر داده های اقلیمی دارای معنی داری در سطح 1% است. با این حال در شرایط حدی و مرزی، احتمال بروز وقایعی خارج از باند پیش بینی 95 درصد وجود داشته و لزوم توجه به شرایط مدیریت تغذیه، کود، خاک و آب مزارع در مدل های هوشمند پیش بینی عملکرد را نشان می دهد. بر اساس نتایج پژوهش حاضر برنامه ریزان به جای مواجهه با یک رقم به عنوان پیش بینی، ترکیب این رقم و باند اطمینان را در اختیار داشته و می توانند تصمیمات واق�� بینانه تری اتخاذ نمایند.