پیش‌بینی عملکرد زعفران بر اساس ویژگی‌های خاک با استفاده از مدل‌های رگرسیون و شبکه‌های عصبی مصنوعی در منطقه وامنان استان گلستان

زعفران (Crocus sativus L.) یکی از گران‌ترین محصولات کشاورزی است که در چند منطقه محدود از جهان کشت می‌شود. به دلیل ارزش اقتصادی آن، برخی از کشاورزان آن را در برخی مناطق ایران بدون توجه به تناسب زمین و براساس شباهت‌های شرایط آب و هوایی کشت کرده‌اند که گاهی اوقات به نتایج رضایت‌بخش منجر نمی‌شود. پیش‌بینی عملکرد زعفران براساس ویژگی‌های خاک به ما امکان می‌دهد تا تناسب زمین برای کشت این گیاه ارزشمند را ارزیابی کنیم. برای این منظور، ۱۰۰ نمونه خاک از مزارع زعفران وامنان در استان گلستان جمع‌آوری شد و ویژگی‌های شیمیایی و فیزیکی خاک شامل درصد ذرات معدنی بافت خاک (شن، سیلت، رس)، فسفر، پتاسیم، نیتروژن، pH، هدایت الکتریکی (EC)، ماده آلی و معادل کربنات کلسیم اندازه‌گیری شد.

علاوه بر این، وزن گل زعفران تازه (کیلوگرم در هکتار) نیز اندازه‌گیری شد.در مطالعه حاضر، ترکیب‌های مختلفی از ویژگی‌های خاک به‌عنوان داده ورودی استفاده شد و نه مدل با استفاده از شبکه‌های عصبی مصنوعی و مدل‌های رگرسیون خطی چندگانه برای پیش‌بینی عملکرد زعفران توسعه یافت. عملکرد مدل‌ها با استفاده از معیارهای خطای میانگین مربعات ریشه‌ای (RMSE)، ضریب همبستگی (R) و میانگین هندسی نسبت خطا (GMER) اعتبارسنجی شد. نتایج تحلیل همبستگی نشان داد که فسفر و ماده آلی مؤثرترین عوامل در تولید زعفران هستند. نتایج نشان داد که عملکرد مدل‌ها بسیار متفاوت است و مقدار R2 در بازه 0.45 تا 0.89 متغیر است. مقایسه عملکرد مدل‌های برآورد عملکرد زعفران نشان داد که مدل بهینه از ترکیب فسفر، ماده آلی، پتاسیم و معادل کربنات کلسیم به‌عنوان ورودی به‌دست آمده و مقادیر R2 و RMSE به ترتیب برابر با 0.874 و 0.996 کیلوگرم در هکتار بودند.

“Saffron (Crocus sativus L.) is one of the most expensive crops grown in a few restricted areas of the world. Due to its economic value, some farmers have cultivated it in some regions of Iran regardless of land suitability and suitability based on similarities of climatic conditions, which sometimes ends up with unsatisfactory results. Saffron yield prediction based on soil properties enables us to assess land suitability for the cultivation of this valuable plant. For this purpose, 100 soil samples were collected from the Vamenan saffron fields in the Golestan province and the soil chemical and physical properties, including the percentage of inorganic particles of soil texture (Sand, Silt, Clay), phosphorus, potassium, nitrogen, pH, electrical conductivity (EC), Organic matter and calcium carbonate equivalent were measured.

In addition, the weight of fresh saffron flower (kg.ha-1) was measured. In the present study, various combinations of soil properties as input were applied, and nine models were developed using artificial neural networks and multiple linear regression models for predicting saffron yield. Performance of the models was validated using Root Mean Square Error (RMSE), Correlation Coefficient (R), and Geometric Mean of Error Ratio (GMER) criteria. The results of the correlation analysis showed that phosphorus and organic matter were the most effective factors in the production of saffron. The results showed that the performance of the models is much different where the R2 value varies from 0.45 to 0.89.Comparing the performance of saffron yield estimation models indicated that the optimal model was obtained from the combination of phosphorous, organic matter, potassium, and calcium carbonate equivalent as input, and values of R2and RMSE were equal to 0.874 and 0.996 kg.ha-1, respectively”