تحلیل رابطه بین میزان عناصر برگ و بنه با عملکرد زعفران: رویکردی مبتنی بر داده کاوی با استفاده از شبکه عصبی مصنوعی و رگرسیون الستیک نت

با هدف تعیین ارتباط بین میزان عناصر برگ و بنه زعفران با عملکرد گل در سال بعد، عناصر نمونه های برگ (اسفندماه ۱۳۹۹) و بنه (تیرماه ۱۴۰۰) از کرت های مختلف زعفران که در آنها از رژیم های کودی متفاوتی طی چندین سال استفاده شده بود اندازه گیری شد و ارتباط آن با عملکرد کلاله زعفران (برداشت در آبان و آذر ۱۴۰۰ ) توسط شبکه عصبی مصنوعی پرسپترون چند لایه و رگرسیون االستیک نت مورد بررسی قرار گرفت. نتایج حاصل از شاخص های ارزیابی قدرت پیش بینی عملکرد زعفران توسط این دو مدل ( MSE و۲R ) به همراه تحلیل منحنی های یادگیری نشان داد که مدل شبکه عصبی مصنوعی به رغم پیش بینی خوب عملکرد زعفران با استفاده از داده های آموزشی اما نتوانست عملکرد مناسبی در پیش بینی داده های آزمون داشته باشد. مدل رگرسیونی االستیک نت نیز هم در پیش بینی داده های آموزشی و هم آزمون از عملکرد مناسبی برخوردار نبود.

در مجموع نتایج این مطالعه نشان دهنده عدم وجود ارتباط بین میزان عناصر برگ و بنه با عملکرد کلاله در زعفران بود؛ هر چند بین غ لظت برخی از عناصر برگ و بنه مانند ازت برگ با ازت بنه (۷۱/۰ ( ) و ازت بنه با فسفر بنه۷۹/۰ ) همبستگی باالیی مشاهده شد. با این وجود بنظر می رسد افزایش تعداد داده های مورد استفاده در مطالعات بعدی ممکن است منجر به افزایش کارایی مدل ها و دستیابی به نتایج بهتری برای پیش بینی عملکرد زعفران بر اساس غلظت عناصر برگ و بنه های دختری شود.

In order to determine the relationship between the amount of saffron leaf and corm elements and flower yield in the following year, the elements of leaf (March 2020) and corm (July 2017) samples from different saffron plots where different fertilizer regimes had been used over several years were measured, and their relationship with saffron stigma yield (harvested in November and December 2017) was examined using a multilayer perceptron artificial neural network and elastic net regression. The results of the evaluation indices of saffron yield prediction power by these two models (MSE and 2R) along with learning curve analysis showed that the artificial neural network model, despite predicting saffron yield well using training data, failed to perform well in predicting test data. The elastic net regression model also did not perform well in predicting both training and test data.

Overall, the results of this study indicated that there was no relationship between the amount of leaf and corm elements and stigma yield in saffron; Although a high correlation was observed between the concentrations of some leaf and corm elements, such as leaf nitrogen with corm nitrogen (0.71) and corm nitrogen with corm phosphorus (0.79). However, it seems that increasing the number of data used in future studies may lead to increased efficiency of models and achieving better results for predicting saffron yield based on the concentrations of leaf and corm elements.