پیشبینی عملکرد زعفران با استفاده از روشهاي دادهکاوي و تعیین پارامترهاي اقلیمی مؤثر بر آن در سطح استان خراسان رضوي

زعفران گران‌ترین گیاه جهان است و نقش مهمی در شرایط اقتصادی و اجتماعی مناطق خشک و نیمه‌خشک ایفا می‌کند، بنابراین پیش‌بینی بازده سالانه زعفران بسیار مهم است. در این مطالعه، پیش‌بینی بازده سالانه زعفران و شناسایی مناطق مناسب کشت بر اساس پارامترهای اقلیمی و پارامترهای اقلیمی مؤثر بر بازده زعفران با استفاده از داده‌کاوی در استان خراسان رضوی معرفی شده است. نتایج نشان داد که با افزایش میانگین دمای ماه‌های سرد و کاهش میانگین دمای ماه‌های گرم، بازده محصول افزایش یافت. افزایش بارش‌ها و ساعات آفتابی در طول فصل رشد منجر به بهبود بازده شد. بازده زعفران بیشترین همبستگی منفی را با حداکثر دمای آوریل، کمترین همبستگی منفی را با حداکثر دمای ماه مه و بیشترین همبستگی مثبت را با حداکثر دمای ماه فوریه و کمترین همبستگی را با حداقل دمای زمستان نشان داد. نتایج نشان داد که روش‌های مختلف داده‌کاوی، مناطق مناسب برای کشت را بهتر از پیش‌بینی بازده سالانه پیش‌بینی می‌کنند. در میان مدل‌های مورد استفاده، ماشین بردار پشتیبان خطی (SVM-linear)، ماشین بردار پشتیبان با توابع شعاعی (SVM-rbf) و مدل‌های طبقه‌بندی دیسکرمینانت، عملکرد بهتری نسبت به سایرین داشتند و ضریب تعیین آن‌ها به ترتیب ۰.۹۵، ۰.۹۳ و ۰.۸۴ بود. علاوه بر این، همبستگی خوبی بین سطح زیر کشت و بازده زعفران به دست آمد.

Saffron is the world’s most expensive plant and plays a significant role in economic and social conditions in arid and semi-arid areas, thus annual yield prediction of saffron is very important. In this study, the prediction of saffron annual yield and identification of suitable areas of culture based on climatic parameters and climatic parameters affecting the saffron yield using data mining in the province of Khorasan Razavi is introduced. The results showed that by increasing the average temperature of the cold months and decreasing the average temperature of warmer months, the crop yield increased. Increased rainfall and sunshine hours during the growing season resulted in enhanced yield. Saffron yield had the greatest negative correlation with maximum temperature of April, the lowest negative correlation with the maximum temperature in May and the greatest positive correlation with maximum temperature of February and the lowest correlation with the minimum winter temperature. The results showed that various data mining techniques predicted suitable areas for cultivation better than annual yield. Among the models used, linear support vector machine (SVM-linear), radial basis functions SVM (SVM-rbf) and classification discriminant models had a better performance than others and their determination coefficient were 0.95, 0.93 and 0.84, respectively. Moreover, a good correlation was obtained between the area of cultivation and the saffron yield.