توسعه جعبه ابزار پیش بینی عملکرد محصول استراتژیک گندم با استفاده از الگوریتم های هوش مصنوعی به منظور کاهش مخاطرات امنیت غذایی (مطالعه موردی: استان البرز)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج.

2 دانشجوی دکتری مهندسی منابع آب گروه مهندسی آبیاری و آبادانی، دانشگاه تهران ، کرج، ایران

10.22059/ijswr.2022.342638.669260

چکیده

گندم به عنوان اصلی ترین غذای مردم در کشور از اهمیت ویژه ای برخوردار است. گندم به عنوان اهرمی قدرتمند در مناسبات سیاسی و جهانی شناخته می شود. از این رو تحلیل و پیش بینی وضعیت تولید این محصول در کشور همواره مورد توجه بوده است. هدف از این پژوهش پیش‌بینی مقدار عملکرد گندم (X) با استفاده از فرامدل های هوش‌مصنوعی در مقیاس زمانی سالانه در استان البرز است. بدین منظور، با استفاده از داده‌های سطح زیر کشت و تولید سالانه، عملکرد گندم در شش شهرستان نظر‌آباد، ساوجبلاغ، کرج، اشتهارد، فردیس و طالقان با طول دوره آماری 40 ساله (2020-1981) بررسی شد. پس از محاسبه مقدار عملکرد (تن در هکتار) و تشکیل سری‌ زمانی سالانه، با استفاده از چهار روش هوش‌مصنوعی شامل الگوریتم بهترین همسایگی (KNN)، ماشین‌بردار پشتیبان (SVM)، برنامه ریزی بیان ژن (GEP) و شبکه بیزین (BN) عملکرد گندم در سال بعد پیش‌بینی شد. نتایج حاکی از افزایش دقت پیش‌بینی‌ها در سال های با تولید بیشتر؛ به نحوی که بر اساس نتایج حاصل از مدل BN، GEP، SVM و KNN ضریب همبستگی بین مقادیر عملکرد گندم مشاهده‌شده و پیش‌بینی‌شده برای شهرستان کرج به ترتیب 84/0، 89/0، 91/0 و 92/0 به‌دست آمد. با این توضیح که شهرستان های کرج و طالقان به ترتیب بیشترین و کمترین تولید گندم را در بین این شهرستان ها دارند. نتایج نشان داد روش KNN نسبت به سایر روش ها، بهترین دقت را داشت و معیارهای ارزیابی R، RMSE و MAE آن به ترتیب از ۸۴/۰ تا ۹۲/۰، 21/0 تا 24/0 و 11/0 تا 18/0 متغیر بود. در مجموع با مقایسه روش های استفاده شده، روش KNN، بهترین و روش BN کمترین دقت را برای پیش بینی مقدار عملکرد گندم در استان البرز داشتند. نتایج این مطالعه می تواند در تأمین و مدیریت امنیت غذایی در مناطق تحت مطالعه بسیار مفید واقع شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Development of Strategic Wheat Crop Prediction Toolkit Using Artificial Intelligence Algorithms to Reduce Food Security Risks (Case Study: Alborz Province)

نویسندگان [English]

  • Haniyeh Mohammadi 1
  • Mohammad Ansari ghojghar 2
1 Irrigation and Development Engineering Department, College of Agriculture and Natural Resources, University of Tehran, Karaj.
2 Phd Candidate of Water Resources Engineering, Department of Irrigation and Reclamation Engineering, University of Tehran, Karaj, Iran.
چکیده [English]

Wheat as the main food of the people in the country is of particular importance. Wheat is not only an important economic agricultural commodity in the world, but also known as a powerful lever in political and global relations. Therefore, the analysis and forecast of the production status of this product in the country has always been the focus of attention. The purpose of this study is to predict the amount of wheat yield (X) using artificial intelligence in the annual time scale in Alborz province. For this purpose, using annual cultivation and production data, wheat yield was investigated in six cities of Nazarabad, Savojbalagh, Karaj, Eshtehard, Fardis and Taleghan with a period of 40 years (1981-2020). After calculating the performance (ton per hectare) and forming an annual time series, using four artificial intelligence methods including the best neighbor algorithm (KNN), backup vector (SVM), gene expression planning (GEP) and Bayesin Network (BN) Wheat yields were predicted the following year. Results indicate increased predictions in the years with more production; According to the results of the BN, GEP, SVM and KNN model, the correlation coefficient between the observed and anticipated wheat yield values was 0.84, 0.89, 0.89 and 0.92, respectively. Explaining that Karaj and Taleghan cities have the highest and lowest wheat production respectively. The results showed that the KNN method was best accuracy over other methods, and its assessment criteria of R, RMSE and MAE varyed from 0.84 to 0.92, 0.21 to 0/24 and 0.11 to 0.18. Overall, by comparing the methods used, the KNN method, the best and the BN method, had the least accuracy to predict the amount of wheat yield in Alborz province. The results of this study can be very useful in providing and managing food security in areas under study.

کلیدواژه‌ها [English]

  • Food security
  • Forecasting
  • Wheat yield
  • Artificial intelligence