عبدالمحمد محنت کش - Agriculture and Natural Resources Research Center of Chaharmahal and Bakhtiari, Agricultural Research Education and Extension Organization (AREEO), Shahrekord, Iran
شمس الله ایوبی - Department of Soil Science, Isfahan University of Technology, Isfahan, Iran
احمد جلالیان - Department of Agronomy, Khorasgan branch, Islamic Azad University, Khorasgan, Iran
امیر احمد دهقانی - Department of Irrigation engenering,Gorgan University of Agriculture and Natural Resources, Gorgan, Iran

با توجه به اهمیت گندم در تغذیه انسان و سطح زیر کشت وسیع این محصول به صورت دیم در ایران، این پژوهش با هدف ارزیابی کارایی مدل­های رگرسیون چند متغیره خطی و شبکه­های عصبی مصنوعی برای پیش­بینی عملکرد دانه و زیست­توده گندم دیم (رقم سرداری)، در یک بررسی دو ساله اجرا شد. در دو منطقه از زاگرس مرکزی، ۲۰۲ نقطه نمونه­برداری تحت کشت گندم دیم و در اجزای مختلف شیب شامل قله شیب، شانه شیب، شیب پشتی، پای شیب و انتهای شیب انتخاب شد. در زمان برداشت گندم، از این نقاط نمونه خاک و نمونه عملکرد گندم جمع­آوری شد. ویژگی­های اولیه و ثانویه پستی و بلندی در هر نقطه، از مدل­های رقومی ارتفاع استخراج و از داده­های هواشناسی دو منطقه استفاده شد. ۵۴ خصوصیت مختلف خاک، پستی و بلندی، بارندگی و مدیریت به عنوان ورودی­های هر مدل و عملکرد دانه و زیست­توده گندم به عنوان خروجی­های هر دو مدل در نظر گرفته شد. ضرایب تبیین مدل­های شبکه عصبی مصنوعی و رگرسیون چند متغیره خطی به ترتیب برای پیش­بینی عملکرد دانه برابر ۸۴ و ۱۵درصد و برای پیش­بینی زیست­توده هوایی برابر ۷۶ و ۶ درصد بود. ریشه دوم میانگین مربعات خطای (RMSE) این مدل­ها نیز به ترتیب در پیش­بینی عملکرد دانه برابر ۰۳۳/۰ و ۰۹۲/۰ و در پیش­بینی زیست­توده برای شبکه عصبی مصنوعی و رگرسیون چند متغیره خطی به ترتیب برابر ۰۳۷/۰ و ۱۰۲/۰ بود. نتایج نشان از توانایی بهتر شبکه ­های عصبی مصنوعی نسبت به رگرسیون چند متغیره خطی در برآورد عملکرد دانه و زیست­توده گندم دیم در مناطق مورد مطالعه داشت.

Artificial Neural Networks, multiple linear regressions, Zagros, Rainfed wheat