پیش بینی عملکرد گندم دیم با استفاده از رگرسیون چند متغیره و شبکه عصبی مصنوعی (مطالعه موردی: استان گلستان )

پیش بینی به موقع و دقیق پیش از برداشت محصولات زراعی هم¬چون گندم، می تواند در برنامه ریزی از جمله در قیمت گذاری، صادرات، واردات، انبارداری و تامین به موقع محصولات زراعی مفید باشد. از آنجائی¬که عملکرد گندم دیم علاوه بر خصوصیات ژنتیکی رقم، تابع رویدادهای اقلیمی می باشد لذا هدف از این تحقیق، تعیین مدلی است تا بتواند عملکرد گندم دیم را پیش از برداشت با استفاده از پارامترهای اقلیمی پیش بینی کند. در این بررسی برای تهیه مدل¬های پیش بینی عملکرد گندم از روش رگرسیونی چند متغیره خطی و شبکه عصبی مصنوعی استفاده شد که تحلیل¬های شبکه عصبی مصنوعی و رگرسیون چند متغیره خطی به ترتیب با نرم افزارهای12spss clementine و 17 spss انجام شد. نتایج بررسی نشان می¬دهد که در روش رگرسیونی در کلیه شهر¬های مورد بررسی، اضافه شدن تعداد پارامترها با ضریب هبستگی به مدل باعث افزایش دقت مدل می شود. در این تحقیق بهترین مدل رگرسیونی درکلاله با ده پارامتر بدست آمد که این مدل در سطح 1% معنی دار و ریشه میانگین مربعات خطا آن برابر 14 کیلوگرم در هکتار می¬باشد و ضریب تعیین مدل برابر یک است. روش های مختلف شبکه عصبی در پیش بینی عملکرد گندم دیم در مقایسه با روش¬های رگرسیونی از ریشه میانگین مربعات خطا بسیار کوچکی برخوردار و از بین روش¬های مورد بررسی شبکه عصبی، روش rbfn از ریشه میانگین مربعات خطا کمتری برخوردار است و از بین پارامترهای هواشناسی مورد بررسی، مجموع تعداد روزهای بارندگی دوره¬ی رشد، مجموع میزان بارندگی دوره¬ی رشد، بارندگی فروردین، شاخص خشکسالی موثر فروردین و میانگین بیشینه دمای هوا فروردین به ترتیب از مهم ترین عناصر اقلیمی تاثیرگذار در عملکرد گندم در روش شبکه عصبی در گلستان می¬باشند.