پیش‌بینی عملکرد زعفران بر اساس ویژگی‌های خاک به عنوان راهی برای شناسایی اراضی مستعد زعفران

زعفران (Crocus sativus L.) یکی از مهم‌ترین محصولات کشاورزی تولیدشده در سطح جهان است و در تعداد محدودی از کشورها کشت می‌شود. تعیین بهترین شرایط برای کشت این محصول اهمیت زیادی دارد. پیش‌بینی عملکرد زعفران بر اساس ویژگی‌های خاک می‌تواند به ارزیابی توانایی زمین برای کشت این گیاه ارزشمند کمک کند. برای دستیابی به این هدف، ۱۰۰ نمونه خاک برداشته شد. خواص فیزیکوشیمیایی مانند بافت خاک، مواد مغذی، اسیدیته خاک، رسانایی الکتریکی، ماده آلی و آهک اندازه‌گیری شدند. پس از برداشت زعفران، وزن تازه گل زعفران به کیلوگرم در هکتار اندازه‌گیری شد.

با استفاده از شبکه‌های عصبی مصنوعی و ایجاد مدل‌های مختلف با مجموعه داده‌های متفاوت ویژگی‌های خاک به‌عنوان ورودی و عملکرد زعفران به‌عنوان خروجی، قابلیت این شبکه در پیش‌بینی عملکرد زعفران ارزیابی شد. فسفر قابل دسترس و ماده آلی بر اساس نتایج و ضریب پیرسون مؤثرترین عوامل بر عملکرد زعفران هستند.ارزیابی نتایج مدل نشان داد که ضریب تغییر یافته در محدوده ۰٫۴۵ تا ۰٫۸۹ به دست آمده است. بهترین مدل برای برآورد محصول زعفران زمانی به دست آمد که فسفر، ماده آلی، پتاسیم و هدایت الکتریکی به عنوان ورودی استفاده شدند، به طوری که مقادیر R² و ریشه میانگین مربعات خطا (RMSE) به ترتیب برابر با ۰٫۸۹۱ و ۰٫۸۹ کیلوگرم در هکتار به دست آمدند.

Saffron (Crocus sativus L.) is one of the most important crops produced globally, and in only a limited number of countries. Determining the best conditions for cultivating this crop is important. Prediction of saffron yield according to soil characteristics can help to evaluate the land’s ability to cultivate this valuable plant. To achieve this objective, 100 soil samples were taken. Physicochemical properties, such as soil texture, nutrients, soil acidity, electrical conductivity, organic matter and lime were measured. After harvesting saffron, fresh weight of the saffron flower was measured in kg ha−1.

Using artificial neural networks and creating different models with different data sets of soil properties as the input and saffron yield as the output, the ability of this network was evaluated in prediction of the saffron yield. Available phosphorus and organic matter based on the results and the Pearson coefficient are the most effective factors on saffron yield. Evaluation of the model results indicated that the coefficient varied was obtained from 0.45 to 0.89. The best model for saffron yield estimation was obtained when phosphorus, organic matter, potassium and electrical conductivity were used as the input, so that values of R2 and root mean square error (RMSE) were obtained at 0.891 and 0.89 kg ha−1, respectively.