ارزیابی کارایی الگوریتم تنبل در تخمین عملکرد زعفران بر اساس پارامترهای اقلیمی

زعفران به عنوان دقیق‌ترین محصول کشاورزی و دارویی در جهان، جایگاه خاصی در محصولات صنعتی و صادراتی ایران دارد. در حال حاضر، ایران بزرگترین تولیدکننده و صادرکننده زعفران در جهان است و حدود 93.7٪ از تولید این کالای با ارزش به ایران اختصاص دارد. با وجود قدمت کشت زعفران و ارزش افزوده این محصول در مقایسه با سایر محصولات کنونی در ایران، سهم کمتری از فناوری‌های جدید به زعفران اختصاص یافته و تولید آن عمدتاً بر اساس دانش بومی است. در این مقاله، مدل‌های متعددی برای ارزیابی و توسعه عملکرد KStar و LWL به منظور تخمین بازده تولید زعفران بر اساس پارامترهای اقلیمی به کار گرفته شده است.

کالیبراسیون و ارزیابی مدل‌ها از آمار بازده محصول و عوامل اقلیمی بین سال‌های 1988-2017 بدست آمده است. به منظور ارزیابی مدل‌های به کار رفته، معیارهای آماری زیر استفاده شده است:ضریب تعیین (R2)، خطای مطلق میانگین (MAE)، ریشه میانگین مربعات خطا (RMSE) و نش-سوتکلیف (NSE). از میان مدل‌های پیشنهادی، مدل KStar در سناریوی الکترونیکی با R2 برابر با 1.00، MAE و RMSE برابر با 0.00 و NSE برابر با 1.00 قرار دارد، که دقت خوبی در تخمین عملکرد تولید زعفران دارد. این دقت مدل KStar این امکان را فراهم کرده است که عملکرد زعفران در مناطق مختلف کشور با توجه به داده‌های موجود در ایستگاه‌های مختلف به راحتی تخمین زده شود.

Saffron as the most precise agricultural and pharmaceutical product of the world has a specific place in industrial and export products of Iran. Nowadays, Iran is the largest producer and exporter of saffron in world and up to 93.7% of production of this valuable commodity belongs to Iran. Despite the antiquity of saffron cultivation and added value of this product compared to other current crops of Iran, fewer shares of new technologies are dedicated to saffron and its production is mainly based on indigenous knowledge. In this paper, multiple models are employed to evaluate and develop the performance of KStar and LWL in order to get an estimate on production yield of saffron based on climate parameters.

The calibration and evaluation of models are obtained from the statistics of crop yield and climate factors between years 1988-2017. In order to evaluate the employed models, the following statistical criteria were used: Coefficient of Determination (R2), Mean Absolute Error (MAE), Root Mean Square Error (RMSE) and Nash-Sutcliffe (NSE). From among the proposed models, the KStar model is in the e-scenario with an R2 of 1.00, MAE and RMSE of 0.00 and NSE of 1.00, which has good accuracy in estimating production yield of the saffron plant. This precision of the KStar model has made it easy to estimate performance of saffron in different areas of the country based on the data available at different stations.