مرتضی ریوندی - گروه علوم باغبانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
عظیم قاسم نژاد - گروه باغبانی دانشگاه منابع طبیعی و کشاورزی گرگان
خلیل قربانی - گروه مهندسی آب، دانشگاه غلوم کشاورزی و منابع طبیعی گرگان
خدایار همتی - گروه علوم باغبانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
عباس ابهری - گروه کشاورزی دانشگاه پیام نور سبزوار

رشد مهیج علوم وفنون مختلف و پیچیده­تر شدن تصمیم­گیری­ها در دهه­های اخیر، سر فصل­های تازه­ای را برای بشریت رقم زده تا با استفاده از سیستم­های اطلاعاتی و هوش مصنوعی، با دقت و سرعت بیشتری کارهای خود را انجام داده و برای پیش بینی و محاسبات وقت گیر علمی و فنی خود راه کاری ارائه دهد. این تحقیق به منظور ارزیابی برآیند پیش بینی دو مدل رگرسیون گام به گام و مدل درخت تصمیم M۵ تحت تاثیر خصوصیات مختلف آب و خاک بر عملکرد گل و کلاله زعفران در سال۱۳۹۷ در مزارع زعفران­کاری سبزوار (واقع در طول جغرافیایی "۵۷.۴۳" عرض جغرافیایی "۳۶.۱۲") و در آزمایشگاه دانشکده تولیدگیاهی دانشگاه منابع طبیعی و کشاورزی گرگان انجام شد. در فروردین ماه پس از پایان فصل رشد زعفران از ۶۹ مزرعه زعفران­کاری شده نمونه خاک از عمق صفر تا ۳۰ سانتی­متری و ۱۲ نمونه آب آبیاری این مزارع تهیه و جمع آوری شده و جهت انجام آزمایشات خاک و اندازه گیری خصوصیات فیزیک و شیمیایی نمونه های خاک، ۱۳ پارامتر از جمله pH، اسیدیته، درصد اجزاء خاک، عناصر خاک و .... همچنین برخی از پارامترهای آب، ۴ پارامتر، مانند اسیدیته، بی کربنات و ....، به آزمایشگاه منتقل شد. گل ها در زمان ظهور گل از سطح مناطق مشخص شده مزارع جمع آوری شده و اندازه گیری های مورد نظر انجام شد. نتایج نشان داد با توجه به صرف وقت و هزینه­ های بالای آزمایشات آب و خاک، مدل درخت تصمیم M۵، از دقت و سرعت بیشتری و هزینه کمتری نسبت به مدل رگرسیون، برخوردار است. بطوری که در برآیند پیش بینی مدل رگرسیونی گام به گام، در ایده آل­ترین حالت و ورود تمامی پارامترهای اندازه گیری شده، وزن کلاله خشک و وزن گل به ترتیب با همبستگی­های ۷۰ و ۷۴ درصد و مقدار خطا برابر ۰.۲۳=RMSE و ۱۶.۳۸=RMSE پیش­بینی شد. در حالی که مدل درخت تصمیم M۵ با وارد کردن پارامترهای کمتری از توانمندی بالایی در جهت پیش­بینی وزن گل و وزن کلاله خشک برخوردار بود. به طوری که وزن کلاله خشک و وزن گل را با ۹۰ درصد همبستگی و مقدار خطای برابر با ۰.۱۲=RMSE و ۹.۴=RMSE در انتهای مدل­سازی، برای منطقه مورد مطالعه برآورد کرد. بنابراین، روش درخت تصمیم M۵ در ارزیابی و پیش بینی عوامل مختلف بر عملکرد زعفران توصیه می­شود.    

مدل سازی, هوش مصنوعی, عملکرد زعفران, عناصر خاک