موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 56 8 2025 10 23 Application of soft computing in simulating rainfed wheat yield using integration of climatic data and remote sensing indices کاربرد محاسبات نرم در شبیه‌سازی عملکرد گندم دیم با استفاده از تلفیق داده‌های اقلیمی و شاخص‌های سنجش ‌از دور 2225 2244 104848 10.22059/ijswr.2025.395223.669940 FA امین امیرعشایری گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه ، ارومیه، ایران 0009-0004-7660-6479 وحید رضاوردی نژاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران 0000-0002-1350-3227 جواد بهمنش گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران 0000-0001-5856-9951 فرخ اسدزاده گروه علوم خاک، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران 0000-0002-9303-1011 مینا رحیمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران، 0000-0001-6283-1086 Journal Article 2025 05 14 Wheat, as a strategic crop, plays a critical role in the nation's food security. This research aimed to compare different algorithms to increase the accuracy of modeling rainfed wheat yield using artificial neural networks at the field scale. For this purpose, a combination of two datasets, including remote sensing indicators and climatic data for 61 farms, was used as input to the models. The southern regions of the Lake Urmia Basin were selected as the case study area. An artificial neural network (ANN) model, serving as the base model, and metaheuristic algorithms, including the Reptile Search Algorithm (RSA) and the Firefly Algorithm (FFA), were employed to enhance ANN training accuracy. The input data included the Normalized Difference Vegetation Index (NDVI), the Infrared Percentage Vegetation Index (IPVI), and five climatic parameters: total precipitation, mean maximum temperature, mean minimum temperature, average temperature, and mean relative humidity. The results revealed that the developed hybrid models outperformed the standalone ANN model in simulating rainfed wheat yield. Specifically, the ANN-FFA model achieved a coefficient of determination (R²) of 0.758 and a root mean square error (RMSE) of 0.189 ton.ha-1 during the test stage, outperforming the ANN-RSA model, which yielded an R² of 0.748 and an RMSE of 0.190 ton.ha-1. Both algorithms reduced the rainfed wheat yield simulation error index by an average of 0.042 ton.ha-1. As a result, the ANN-FFA hybrid model improved the accuracy of simulating rainfed wheat yield, which necessitates its use and evaluation in other similar areas for a comprehensive understanding. گندم به عنوان یک محصول استراتژیک نقش اساسی در امنیت غذایی کشور دارد. این تحقیق با هدف مقایسه الگوریتم‌های مختلف برای افزایش دقت  مدل­سازی عملکرد گندم دیم با استفاده از شبکه عصبی مصنوعی در مقیاس مزرعه­ای انجام شد. برای این منظور، ترکیب دو مجموعه داده شامل شاخص‌های سنجش ‌از دور و داده‌های اقلیمی برای 61 مزرعه، به ‌عنوان ورودی مدل‌ها، مورد استفاده قرار گرفت. مزارع شهرستان‌های اشنویه، نقده و پیرانشهر که در جنوب استان آذربایجان غربی واقع‌شده‌اند، به ‌عنوان محدوده‌ی مطالعاتی در نظر گرفته شدند. از شبکه عصبی مصنوعی (ANN) به عنوان مدل پایه و از دو الگوریتم فرا ابتکاری جستجوی خزندگان (RSA) و کرم شب­تاب (FFA) برای بهبود افزایش دقت آموزش شبکه عصبی مصنوعی استفاده شد. داده­های ورودی شامل شاخص­های تفاضلی نرمال شده گیاهی (NDVI) و شاخص گیاهی درصدی مادون قرمز (IPVI) همراه با پنج پارامتر اقلیمی شامل بارش، میانگین حداکثر دما، میانگین حداقل دما، میانگین متوسط دما و میانگین رطوبت نسبی می‌باشند. نتایج نشان داد که عملکرد مدل‌های هیبریدی توسعه داده­ شده در شبیه­سازی عملکرد گندم دیم نسبت به مدل مجزای ANN بهتر بود. عملکرد ANN-FFA با ضریب تبیین 758/0 و میانگین جذر مربعات خطا 189/0 تن بر هکتار در مرحله آزمون عملکرد مناسب­تری نسبت به مدل ANN-RSA با مقادیر به ترتیب ۷۴۸/۰ و ۱۹۰/۰ تن بر هکتار دارد. هر دو الگوریتم، شاخص خطای شبیه­سازی عملکرد گندم دیم را به میزان متوسط ۰۴۲/۰ تن بر هکتار کاهش دادند. در نتیجه مدل هیبریدی ANN-FFA موجب بهبود دقت شبیه‌سازی عملکرد گندم دیمی گردید که برای به جامعیت شناخت آن نیازمند استفاده و ارزیابی آن در سایر محدوده‌های مشابه است.  https://ijswr.ut.ac.ir/article_104848_4af18db0a88eeadba85728d5b9eb795a.pdf