fa کاربرد شبکه‌های عصبی مصنوعی در پیش‌بینی عملکرد محصول کلزا عمومى General پژوهشي Research 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. Crop yield prediction has an important role in agricultural policies such as specification of the crop price. Crop yield prediction researches have been based on regression analysis. In this research canola yield was predicted using Artificial Neural Networks (ANN) using 11 crop year climate data (1998-2009) in Gonbad-e-Kavoos region of Golestan province. ANN inputs were mean weekly rainfall, mean weekly temperature, mean weekly relative humidity and mean weekly sun shine hours and ANN output was canola yield (kg/ha). Multi-Layer Perceptron networks (MLP) with Levenberg-Marquardt backpropagation learning algorithm was used for crop yield prediction and Root Mean Square Error (RMSE) and square of the Correlation Coefficient (R2) criterions were used to evaluate the performance of the ANN. The obtained results show that the 13-20-1 network has the lowest RMSE equal to 101.235 and maximum value of R2 equal to 0.997 and is suitable for predicting canola yield with climate factors. کلزا، شبکه عصبی مصنوعی، عملکرد Canola, Artificial neural networks, Yield. 157 164 http://jcpp.iut.ac.ir/browse.php?a_code=A-10-1-111&slc_lang=fa&sid=1 S. J. Sajadi سید جواد سجادی javad.sajadi@ghec.ac.ir Yes College of Agric. and Natur. Resour., Gonbad Kavoos Univ., Golestan, Iran. دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، گلستان H. Sabouri حسین صبوری No College of Agric. and Natur. Resour., Gonbad Kavoos Univ., Golestan, Iran. دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، گلستان