ارزیابی قابلیت مدل های مبتنی بر داده کاوی در پیش بینی عملکرد گندم آبی در کشور

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 245

This Paper With 14 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JSW-35-2_004

تاریخ نمایه سازی: 1 آذر 1400

Abstract:

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.

Authors

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 Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • Ahmadi K., H.R. EbadZadeh F., Hatami R., HoseinPour and AbdShah ...
  • Aslam F., Salman A., and Jan I. ۲۰۱۹. Predicting wheat ...
  • Baghani J. ۲۰۱۸. Determination of wheat water consumption in Iran. ...
  • Doraiswamy P.C., Moulin S., Cook P.W., and Stern V. ۲۰۰۳. ...
  • Franch B., Vermote E.F., Becker-Reshef I., Claverie M., Huang J., ...
  • Han J., Zhang Z., Cao J., Luo Y., Zhang L., ...
  • Iwańska M., Oleksy A., Dacko M., Skowera B., Oleksiak T., ...
  • Kaul M., Hill R.L., and Walthall C. ۲۰۰۵. Artificial neural ...
  • Khoshnevisan B., Rafiee S., Omid M., and Mousazadeh H. ۲۰۱۴. ...
  • Liu J., and Goering C.E. ۱۹۹۹. Neural network for setting ...
  • Maselli F., and Rembold F. ۲۰۰۱. Analysis of GAC NDVI ...
  • Mehnatkesh A., Ayyubi S., Jalalyan A., and Dehgani A.A. ۲۰۱۷. ...
  • Norouzi M., Ayoubi S., Jalalian A., Khademi H., and Dehghani ...
  • Ramesh D., and Vishnu Vardhan B. ۲۰۱۳. Data mining techniques ...
  • Raorane A.A., and Kulkarni R.V. ۲۰۱۳. Review role of data ...
  • Rumelhart D.E., Hinton G.E., and Williams R.J. ۱۹۸۶. Learning internal ...
  • Sepehri S., Abbasi F., and Nakhjavanimoghaddam M.M. ۲۰۱۹. Prediction of ...
  • Toloei Ashlaghi A., Poorebrahimi A., Ebrahimi M., and Ghasemahmad L. ...
  • Wall L., Larocque D., and Leger P.M. ۲۰۰۷. The early ...
  • Wu F.Y., and Yen K.K. ۱۹۹۲. Application of neural network ...
  • Zakidizaji H., Bahrami H., Monjezi N., and Sheikhdavoodi M.J. ۲۰۱۹. ...
  • نمایش کامل مراجع