TY - JOUR T1 - Application of Artificial Neural Networks in Canola Crop Yield Prediction TT - کاربرد شبکه‌های عصبی مصنوعی در پیش‌بینی عملکرد محصول کلزا JF - JCPP JO - JCPP VL - 3 IS - 10 UR - http://jcpp.iut.ac.ir/article-1-2012-fa.html Y1 - 2014 SP - 157 EP - 164 KW - Canola KW - Artificial neural networks KW - Yield. N2 - پیش‌بینی عملکرد محصولات کشاورزی نقش مهمی در سیاست‌گذاری‌های بخش کشاورزی ایفا می‌کند. آشکارترین کاربرد پیش‌بینی عملکرد، تعیین اعتبار لازم توسط دولت جهت خرید محصول و قیمت‌گذاری آن برای سال آینده می‌باشد. تحقیقات مربوط به پیش‌بینی عملکرد محصولات کشاورزی بیشتر بر پایه استفاده از تحلیل رگرسیونی استوار بوده است. در این پژوهش عملکرد محصول کلزای دیم در منطقه گنبد استان گلستان توسط شبکه‌های عصبی مصنوعی با استفاده از داده‌های هواشناسی 11 سال زراعی (1388-1377) پیش‌بینی شد. ورودی‌های شبکه‌های عصبی میانگین بارندگی هفتگی، میانگین درجه حرارت هفتگی، میانگین رطوبت نسبی هفتگی و میانگین تعداد ساعات آفتابی هفتگی و خروجی آنها میزان عملکرد محصول بر حسب کیلوگرم در هکتار می‌باشد. از شبکه عصبی پرسپترون چند لایه (MLP) با الگوریتم آموزش پس‌انتشار لونبرگ- مارکواردت(Levenberg-Marquardt) (LM) برای پیش‌بینی عملکرد استفاده شد و معیارهای ریشه میانگین مربع خطا (RMSE)(Root Mean Square Error) و مجذور ضریب هم‌بستگی (R2)(Correlation Coefficient) جهت ارزیابی کارآیی شبکه استفاده شده به‌کارگرفته شدند. نتایج به‌دست آمده نشان داد که شبکه عصبی مصنوعی با ساختار 1-20-13 دارای کمترین مقدار RMSE برابر با 235/101 و بیشترین مقدارR2 برابر با 997/0 در میان ساختارهای مختلف شبکه عصبی به‌کارگرفته‌شده می‌باشد. این نتایج نشان‌دهنده توانایی بالای شبکه عصبی آموزش‌دیده در پیش‌بینی عملکرد محصول کلزاست. M3 ER -