کاربرد رهیافت یادگیری ماشین در تخمین عملکرد نخود بر اساس نمایه های اقلیمی-کشاورزی (مطالعه موردی: شهرستان کرمانشاه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دوره دکتری آب وهواشناسی کشاورزی، گروه جغرافیای طبیعی، دانشکده جغرافیا دانشگاه تهران

2 استادیار گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران

3 استادیار گروه جغرافیای طبیعی، دانشکده جغرافیا دانشگاه تهران

4 استاد گروه جغرافیای طبیعی، دانشکده جغرافیا دانشگاه تهران

5 دانشیار گروه جغرافیای طبیعی، دانشکده جغرافیا دانشگاه تهران

6 دانشیار گروه سنجش از دور و GIS، دانشکده جغرافیا دانشگاه تهران

10.22125/agmj.2022.330478.1131

چکیده

هدف این پژوهش تخمین عملکرد نخود بهاره با استفاده از روش‌های یادگیری ماشین از نوع مدل‌های رگرسیونی خطّی در شهرستان کرمانشاه است. فرا سنج‌های هواشناسی، نمایه‎های اقلیمی کشاورزی و سنجش از دور در بازه زمانی 1370-1369 تا 1397-1396 به عنوان متغیّرهای پیشگو و داده های عملکرد سازمان جهاد کشاورزی به‌ عنوان متغیّر پاسخ در چهار مرحله مهم رشد استفاده گردید. 24 سال از داده‎ها برای آموزش و 3 سال برای اعتبار سنجی مدل‎ها به کار گرفته شد. بر اساس نتایج از میان انواع مدل های خطّی، مدل لاسو با ضریب تعیین 67 درصد و خطای معیار 8/59 کیلوگرم در هکتار به عنوان مناسب‎ترین مدل برای تخمین عملکرد نخود در مرحله ی سبز شدن تا 50% گل دهی انتخاب شد. انحراف نسبی این مدل به میزان 4/0، 3/0- و 5/3 درصد به ترتیب برای سال های زراعی 1377-1376، 1385-1384 و 1390-1389، بدست آمد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Application of machine learning approach for Chickpea yield estimation based on Agroclimatological Indices (Case Study: Kermanshah region)

نویسندگان [English]

  • Saied Erfan Momenpour 1
  • S. Bazgeer 2
  • Masome Moghbel 3
  • Hosein Mohammadi 4
  • Saied Mosa Hossaini 5
  • Ataollah Abdollahi Kakroudi 6
1 PhD Student, Agricultural Climatology, Physical Geography Department, Faculty of Geography, University of Tehran
2 Assistant Professor, Department of Physical Geography, Faculty of Geography, University of Tehran, Tehran, Iran
3 Assistant Professor, Physical Geography Department, Faculty of Geography, University of Tehran
4 Professor, Physical Geography Department, Faculty of Geography, University of Tehran
5 Associate Professor, Physical Geography Department, Faculty of Geography, University of Tehran
6 Associate Professor, Remote Sensing and GIS Department, Faculty of Geography, University of Tehran
چکیده [English]

This study aims to estimate the yield of spring chickpea using machine learning methods of linear regression models in Kermanshah region,west of Iran. Several meteorological variables, agrometeorology and remotely-sensed based indices were selected as predictor variables and chikpea yield as response variable in four growth stages during the study period of 1990-1991 to 2017-2018 were collected. 24 and 3 years data were used for training and model validation, respectively. The results revealed that among the linear models, Lasso model with a coefficient of determination of 67% and a standard error of 59.8 kg.ha-1 was chosen as a best model for crop yield estimation in the emergence to 50% of flowering stages. This model has relative deviations of 0.4, -0.3 and 3.5 for the years 1997-1998, 2005-2006 and 2010-2011, respectively.

کلیدواژه‌ها [English]

  • Climate
  • Chickpeas Yield
  • Linear Models
  • Kermanshah