پیش‌بینی عملکرد زعفران برمبنای خصوصیات خاک با استفاده از مدل‌های رگرسیونی و شبکه‌های عصبی مصنوعی در منطقه وامنان استان گلستان

زعفران (Crocus sativus L.)یکی از محصولات کشاورزی با ارزش می­ باشد که فقط در مناطق محدودی از دنیا کشت می­ شود. امروزه با توجه به ارزش اقتصادی زعفران، کشاورزان زیادی بدون توجه به توانایی و قابلیت اراضی برای کشت این گیاه، صرفا با توجه به مشابهت اقلیمی اقدام به کشت آن در برخی مناطق کشور نمود ه ­اند که گاهی اوقات نتایج رضایت­ بخشی در پی نداشته است. پیش ­بینی عملکرد زعفران با توجه به خصوصیات خاک می­تواند به ارزیابی قابلیت اراضی برای کشت این گیاه ارزشمند کمک نماید. بدین منظور در یکی از مناطق جدید کشت زعفران در منطقه وامنان استان­ گلستان، تعداد ۱۰۰ نمونه خاک برداشت و خصوصیات فیزیکی و شیمیائی شامل درصد اجزای تشکیل دهنده بخش معدنی بافت خاک، عناصر غذایی فسفر و پتاسیم قابل دسترس، نیتروژن کل، شاخص واکنش خاک، هدایت الکتریکی، ماده آلی و کربنات کلسیم معادل پس از برداشت، وزن تر گل زعفران بر حسب کیلوگرم در هکتار به دست آمد. با استفاده از شبکه­ عصبی مصنوعی و ایجاد مدل­ های متفاوت با مجموعه داده ­های متفاوتی از خصوصیات خاک به عنوان ورودی و عملکرد زعفران به عنوان خروجی، توانایی این مدل در پیش ­بینی عملکرد زعفران با مدلهای رگرسیونی مقایسه شد. بر اساس نتایج ضریب همبستگی، موثرترین عوامل بر عملکرد زعفران، فسفر قابل دسترس و ماده آلی بودند. بررسی نتایج مدل­های ایجاد شده در دوره آزمون نشان داد مقادیر ضریب تبیین (R۲) از ۴۵/۰ تا ۸۹/۰ متغیر می­باشد. با بررسی مدل­های برتر می­توان نتیجه­گیری نمود که مدل بهینه در برآورد عملکرد زعفران وقتی به دست آمد که فسفر، ماده آلی، آهک و پتاسیم ورودی­های مدل بودند و مقادیر R۲ و ریشه میانگین مربعات خطا (RMSE) آن نیز به ترتیب برابر ۸۷۴/۰ و ۹۹۶/۰ کیلوگرم بر هکتار به دست آمدند.

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 soi 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 R2 and RMSE were equal to 0.874 and 0.996 kg.ha-1 , respectively.