امکان سنجی آموزش شبکه های عصبی مصنوعی با استفاده از مدل های گیاهی برای پیش بینی عملکرد و طول دوره های رشد گندم

افزایش روزافزون تقاضای محصولات کشاورزی و افزایش فشار بر منابع آب و خاک از یک سو و مشکلات دستیابی به داده های میدانی از سوی دیگر، ضرورت استفاده از مدل های مناسب برای پیش بینی عملکرد محصولات کشاورزی را نمایان می سازد. بسیاری از پارامترهای ورودی مدل های گیاهی در کشور ما در دسترس نیستند. از طرف دیگر با پدید آمدن تکنیک های آماری نوین و شبکه های عصبی مصنوعی، مدل های پیش بینی کننده عملکرد محصولات زراعی به سرعت رو به توسعه است. بدین منظور پژوهشی با هدف ارزیابی قابلیت شبکه های عصبی مصنوعی برای یادگیری از مدل های پیچیده گیاهی و توانایی آنها در پیش بینی 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 شاخص های آماری ضریب تبیین (R2) ، جذر میانگین مربعات خطا نرمال شده (SRMSE) انجام شد. نتایج نشان دادکه مدل شبکه عصبی شماره 9 (طول دوره رشد از گل دهی 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 مدل های پیش بینی دوره های مهم رشد و عملکرد دانه گندم داشتند. براساس نتایج این مطالعه ، کارآیی شبکه های عصبی مصنوعی برای پیش بینی عملکرد و طول دوره های مهم فصل رشد گندم با استفاده از متغیرهای اقلیمی مورد تایید قرار گرفت.