پیش بینی مقدار گل و کلاله زعفران براساس خصوصیات فیزیکی و شیمیایی آب و خاک با استفاده از مدل های رگرسیونی چند متغیره خطی و درخت تصمیم M۵

رشد مهیج علوم وفنون مختلف و پیچیده ­تر شدن تصمیم­ گیری­ها در دهه ­های اخیر، سر فصل­ های تازه­ ای را برای بشریت رقم زده تا با استفاده از سیستم ­های اطلاعاتی و هوش مصنوعی، با دقت و سرعت بیشتری کارهای خود را انجام داده و برای پیش بینی و محاسبات وقت گیر علمی و فنی خود راه کاری ارائه دهد. این تحقیق به منظور ارزیابی برآیند پیش بینی دو مدل رگرسیون گام به گام و مدل درخت تصمیم M۵ تحت تاثیر خصوصیات مختلف آب و خاک بر عملکرد گل و کلاله زعفران در سال۱۳۹۷ در مزارع زعفران­ کاری سبزوار (واقع در طول جغرافیایی “۵۷.۴۳” عرض جغرافیایی “۳۶.۱۲”) و در آزمایشگاه دانشکده تولیدگیاهی دانشگاه منابع طبیعی و کشاورزی گرگان انجام شد. در فروردین ماه پس از پایان فصل رشد زعفران از ۶۹ مزرعه زعفران­ کاری شده نمونه خاک از عمق صفر تا ۳۰ سانتی­متری و ۱۲ نمونه آب آبیاری این مزارع تهیه و جمع آوری شده و جهت انجام آزمایشات خاک و اندازه گیری خصوصیات فیزیک و شیمیایی نمونه های خاک، ۱۳ پارامتر از جمله pH، اسیدیته، درصد اجزاء خاک، عناصر خاک و …. همچنین برخی از پارامترهای آب، ۴ پارامتر، مانند اسیدیته، بی کربنات و ….، به آزمایشگاه منتقل شد. گل ها در زمان ظهور گل از سطح مناطق مشخص شده مزارع جمع آوری شده و اندازه گیری های مورد نظر انجام شد. نتایج نشان داد با توجه به صرف وقت و هزینه­ های بالای آزمایشات آب و خاک، مدل درخت تصمیم M۵، از دقت و سرعت بیشتری و هزینه کمتری نسبت به مدل رگرسیون، برخوردار است. بطوری که در برآیند پیش بینی مدل رگرسیونی گام به گام، در ایده آل­ترین حالت و ورود تمامی پارامترهای اندازه گیری شده، وزن کلاله خشک و وزن گل به ترتیب با همبستگی ­های ۷۰ و ۷۴ درصد و مقدار خطا برابر ۰.۲۳=RMSE و ۱۶.۳۸=RMSE پیش­ بینی شد. در حالی که مدل درخت تصمیم M۵ با وارد کردن پارامترهای کمتری از توانمندی بالایی در جهت پیش­ بینی وزن گل و وزن کلاله خشک برخوردار بود. به طوری که وزن کلاله خشک و وزن گل را با ۹۰ درصد همبستگی و مقدار خطای برابر با ۰.۱۲=RMSE و ۹.۴=RMSE در انتهای مدل­سازی، برای منطقه مورد مطالعه برآورد کرد. بنابراین، روش درخت تصمیم M۵ در ارزیابی و پیش بینی عوامل مختلف بر عملکرد زعفران توصیه می ­شود.

The exciting growth of various sciences and technologies and the complexity of decision-making in recent decades, have marked new ways for humanity to use information systems and artificial intelligence, accurately and quickly and provide a solution for its time-consuming scientific and technical predictions and calculations. This study was conducted to evaluate the predictive outcome of two stepwise regression models and the M5 decision tree model under the influence of different water and soil properties on saffron flower and stigma yield in 2019 in Sabzevar saffron fields (located at longitude “57.43” Latitude “36.12”) and was performed in the laboratory of the Faculty of Plant Production of Gorgan University of Agriculture Sciences and Natural Resources. In April, after the end of the saffron growing season, soil samples from a depth of zero to 30 cm and 12 irrigation water samples from 69 saffron farms were prepared and transferred to the laboratory to analysis and measuring the physical and chemical properties of soil samples. Around 13 parameters including pH, acidity, and percentage of soil components, soil elements, etc. and acidity, bicarbonate, etc. were measured in soil and water samples, respectively. Flowers were collected at the time of flower emergence from the specified areas of the fields and the desired measurements were made. The results showed that, as the soil and water analysis is relatively expensive, the M5 decision tree model has more accuracy due to the speed and lower cost than the regression model. So that, in the result of predicting the stepwise regression model, in the most ideal case and entering all the measured parameters, dry stigma weight and flower weight with correlations of 70 and 74%, respectively, and the error value is 0.23 RMSE and RMSE 16.38 were predicted. While the M5 decision tree model with lower parameters had a high capability to predict flower weight and dry stigma weight. It estimated the weight of dry stigma and flower weight with 90% correlation and error value equal to RMSE = 0.12 and RMSE = 9.4 at the end of modeling for the study area. Therefore, the M5 decision tree method is recommended in evaluating and predicting various factors on saffron yield.