ارزیابی قابلیت مدل های مبتنی بر داده کاوی در پیش بینی عملکرد گندم آبی در کشور
محل انتشار: فصلنامه آب و خاک، دوره: 35، شماره: 2
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 261
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JSW-35-2_004
تاریخ نمایه سازی: 1 آذر 1400
چکیده مقاله:
گندم و نان به عنوان اصلی ترین غذای مردم در کشور از اهمیت ویژه ای برخوردارند. گندم نه تنها یک کالای مهم تجاری در دنیا محسوب می شود، بلکه به عنوان سلاحی برتر در مناسبات سیاسی و جهانی روز به روز بر اهمیت استراتژیک آن افزوده می شود. از این رو تحلیل و پیش بینی وضعیت تولید این محصول همواره مورد توجه بوده است. در این تحقیق کارایی سه مدل شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره و مدل درختی به منظور پیش بینی عملکرد گندم آبی در مناطق عمده تولید در سطح کشور، بر اساس اطلاعات میدانی ثبت شده ۲۴۱ مزرعه، ارزیابی شد. نتایج تحقیق نشان داد ضریب تبیین مدل شبکه عصبی مصنوعی و مدل رگرسیون خطی چند متغیره به ترتیب برابر ۶۷۲/۰ و ۵۷۷/۰ بود که با اعمال گروه بندی دادهها به روش درختی ضریب تبیین مدل پیش بینی به ۷۶۲/۰ افزایش یافت. نتایج خروجی مدل درختی نشان داد مناطق عمده تولید گندم در سطح کشور از نظر حجم آب مصرفی، به ۴ گروه مستقل قابل تفکیک است. نهایتا میتوان نتیجه گرفت مدل درختی با اعمال گروه بندی هدفمند در داده های ورودی، می تواند به عنوان یک ابزار قدرتمند در تخمین عملکرد گندم آبی در قطبهای عمده تولید گندم در سطح کشور مورد استفاده قرار گیرد.
کلیدواژه ها:
نویسندگان
افشین یوسف گمرکچی
بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قزوین، سازمان تحقیقات، آموزش و ترویج کشاورزی، قزوین، ایران
جواد باغانی
موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
فریبرز عباسی
موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :