طبقه‌بندی اقلیمی و تعیین مناطق مستعد کشت زعفران با استفاده از الگوریتم‌های داده‌کاوی در سطح استان خراسان رضوی

پیش‌بینی عملکرد محصولات کشاورزی نقش مهمی در برنامه‌ریزی صادرات، خرید تضمینی، قیمت‌گذاری، سود مطمئن و افزایش بهره‌وری کشاورزی دارد. عملکرد محصولات تابع پارامترهای متعددی از جمله اقلیم است. در این تحقیق، عملکرد زعفران در استان خراسان رضوی توسط الگوریتم‌های طبقه‌بندی شامل شبکه‌های عصبی مصنوعی، مدل‌های رگرسیونی، درخت خطی محلی، درخت تصمیم، آنالیز تشخیص، جنگل تصادفی، ماشین بردار پشتیبان و آنالیز نزدیک‌ترین همسایه با استفاده از 11 پارامتر اقلیمی طی دوره 20 ساله زراعی (1368-88) ارزیابی شد. نتایج نشان داد که تعداد کمی از پارامترهای اقلیمی بر عملکرد زعفران تأثیر دارند. پارامترهای دمای حداقل، میانگین و حداکثر و تبخیر به ترتیب بیشترین همبستگی مثبت و پارامترهای رطوبت مطلق حداکثر، رطوبت نسبی ساعت 6:30، ساعات آفتابی، رطوبت نسبی ساعت 18:30، تغییر رطوبت نسبی ساعت 12:30 و رطوبت مطلق حداقل نیز به ترتیب بیشترین همبستگی منفی را با مناطق کشت زعفران داشتند. همچنین در طبقه‌بندی مناطق کشت زعفران، آنالیز تشخیص و ماشین بردار پشتیبان از دقت بالاتری برخوردار بودند. بین مناطق کشت زعفران و میزان عملکرد محصول همبستگی نسبتاً مناسب با ضریب همبستگی 0.38 به دست آمد. آنالیز نزدیک‌ترین همسایه با ضریب تعیین برابر 1 و 0.944 در مراحل آموزش و آزمون، با دقت بالایی مناطق کشت را طبقه‌بندی نمود. اما در پیش‌بینی میزان عملکرد محصول بر اساس پارامترهای اقلیمی، دقت مدل‌ها نسبتاً پایین بود (متوسط ضریب تعیین برابر 0.48 و 0.05 در مراحل آموزش و آزمون) و آنالیز نزدیک‌ترین همسایه بالاترین دقت پیش‌بینی را در مراحل آموزش و آزمون (به ترتیب ضریب تعیین برابر 1 و 0.177) نشان داد. طبق یافته‌های تحقیق، می‌توان با استفاده از پارامترهای اقلیمی و الگوریتم‌های داده‌کاوی، به‌طور مناسب اقدام به تفکیک مناطق کشت نمود و با شناسایی مناطقی که اقلیم آن‌ها مشابه مناطق با میزان عملکرد بالا است، مناطق مستعد کشت زعفران را شناسایی نمود.

Yield prediction for agricultural crops plays an important role in export-import planning, purchase guarantees, pricing, secure profits and increasing agricultural productivity. Crop yield is affected by several parameters especially climate. In this study, saffron yield in the Khorasan-Razavi province was evaluated by different classification algorithms including artificial neural networks, regression models, local linear trees, decision trees, discriminant analysis, random forest, support vector machine and nearest neighbor analysis. These algorithms analyzed data for 20 years (1989-2009) including 11 climatological parameters. The results showed that a few number of climatological parameters affect saffron yield. The minimum, mean and maximum of temperature have the highest positive correlations and the relative humidity of 6.5h, sunny hours, relative humidity of 18.5h, evaporation, relative humidity of 12.5h and absolute humidity have the highest negative correlations with saffron cultivation areas, respectively. In addition, in classification of saffron cultivation areas, the discriminant analysis and support vector machine had higher accuracies. The correlation between saffron cultivation area and saffron yield values was relatively high (r=0.38). The nearest neighbor analysis had the best prediction accuracy for classification of cultivation areas. For this algorithm, the coefficients of determination were 1 and 0.944 for the training and testing stages, respectively. However, the algorithms accuracy for prediction of crop yield from climatological parameters was low (the average coefficients of determination equal to 0.48 and 0.05 for training and testing stages). The best algorithm i.e. nearest neighbor analysis had coefficients of determination equal to 1 and 0.177 for saffron yield prediction. The results showed that using climatological parameters and data mining algorithms can classify cultivation areas. Using this approach, it is possible to identify areas that have similar climate to prone areas and recognize suitable areas for cultivation.