تحلیل دقت و عدم قطعیت مدل شبکه‌ عصبی مصنوعی در پیش‌بینی عملکرد زعفران در خراسان جنوبی مبتنی بر داده‌های اقلیمی

به دلیل حساسیت عملکرد زعفران و تأثیرات اقلیم بر آن و همچنین به دلیل ماهیت غیرخطی توابع عملکرد زراعی، در این پژوهش از مدل شبکه عصبی مصنوعی برای پیش‌بینی و تحلیل عدم قطعیت عملکرد زعفران در استان خراسان جنوبی بر اساس ۲۰ سال داده استفاده شده است. بردار ورودی مدل از ۳۷ پارامتر اولیه از طریق همبستگی و تحلیل واریانس تورمی بهینه‌سازی شد. با توجه به نتایج حاصل از سه مرحله آموزش، آزمون و تأیید، بهینه‌ترین ساختار مدل به صورت ۱-۲-۴-۱۱ با تابع فعال‌سازی سیگموئید به دست آمد. خطای میانگین مربعات و خطای مطلق میانگین در مرحله آموزش به ترتیب برابر با ۰.۳ و ۰.۵ و در مرحله آزمون برابر با ۰.۷ و ۱ اندازه‌گیری شدند. این نتایج نشان می‌دهند که مدل برای پیش‌بینی عملکرد زعفران مناسب است. تحلیل عدم قطعیت بر اساس شاخص‌های ضریب تعیین، فاکتور d و بازه اطمینان ۹۵٪ نشان داد که علیرغم استفاده از داده‌های ناکافی، پیش‌بینی‌های مدل دارای بازه‌های پیش‌بینی قابل قبولی بود و روند عملکرد زعفران را به خوبی پیش‌بینی کرد. مقادیر ضریب تعیین در مراحل آموزش و آزمون به ترتیب برابر با ۰.۹۲ و ۰.۵۸ بودند که از نظر آماری در سطح معناداری دارای اهمیت هستند.

Because of saffron yield sensitivity and the effects of climate on its performance, and also due to the nonlinear nature of crop yield functions, the Artificial Neural Network (ANN) model is employed in this study for prediction and uncertainty analysis of saffron yield in the South Khorasan province based on 20 years of data. The input vector of the ANN model was optimized from 37 parameters through correlation and variance inflation. The optimum architecture of the model was derived as 1-2-4-11 with a sigmoidal activation function based on the results at three stages of training, testing and verification. The root mean square error (RMSE) and mean absolute error (MAE) were equal to 0.3 and 0.5 in the training step and 0.7 and 1 in the test step, respectively. These results indicate that the ANN is a suitable model for predicting saffron yield. Uncertainty analysis based on R2, d-factor and 95%PPU showed that despite use of inadequate data, model prediction showed acceptable prediction bounds and predicted a satisfactorily saffron yield trend. The R2 values were equal to 0.92 and 0.58 in the training and test steps, respectively, which are statistically significant at the P