نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم باغبانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 گروه باغبانی دانشگاه منابع طبیعی و کشاورزی گرگان

3 گروه مهندسی آب، دانشگاه غلوم کشاورزی و منابع طبیعی گرگان

4 گروه کشاورزی دانشگاه پیام نور سبزوار

چکیده

رشد مهیج علوم وفنون مختلف و پیچیده­تر شدن تصمیم­گیری­ها در دهه­های اخیر، سر فصل­های تازه­ای را برای بشریت رقم زده تا با استفاده از سیستم­های اطلاعاتی و هوش مصنوعی، با دقت و سرعت بیشتری کارهای خود را انجام داده و برای پیش‌بینی و محاسبات وقت‌گیر علمی و فنی خود راه‌کاری ارائه دهد. این تحقیق به منظور ارزیابی برآیند پیش‌بینی دو مدل رگرسیون گام به گام و مدل درخت تصمیم M5 تحت تاثیر خصوصیات مختلف آب و خاک بر عملکرد گل و کلاله زعفران در سال1397 در مزارع زعفران­کاری سبزوار (واقع در طول جغرافیایی "57.43" عرض جغرافیایی "36.12") و در آزمایشگاه دانشکده تولیدگیاهی دانشگاه منابع طبیعی و کشاورزی گرگان انجام شد. در فروردین ماه پس از پایان فصل رشد زعفران از 69 مزرعه زعفران­کاری شده نمونه خاک از عمق صفر تا 30 سانتی­متری و 12 نمونه آب آبیاری این مزارع تهیه و جمع‌آوری شده و جهت انجام آزمایشات خاک و اندازه‌گیری خصوصیات فیزیک و شیمیایی نمونه‌های خاک، 13 پارامتر از جمله pH، اسیدیته، درصد اجزاء خاک، عناصر خاک و .... همچنین برخی از پارامترهای آب، 4 پارامتر، مانند اسیدیته، بی‌کربنات و ....، به آزمایشگاه منتقل شد. گل‌ها در زمان ظهور گل از سطح مناطق مشخص شده مزارع جمع‌آوری شده و اندازه‌گیری‌های مورد نظر انجام شد. نتایج نشان داد با توجه به صرف وقت و هزینه­ های بالای آزمایشات آب و خاک، مدل درخت تصمیم M5، از دقت و سرعت بیشتری و هزینه کمتری نسبت به مدل رگرسیون، برخوردار است. بطوری که در برآیند پیش‌بینی مدل رگرسیونی گام به گام، در ایده‌آل­ترین حالت و ورود تمامی پارامترهای اندازه گیری شده، وزن کلاله خشک و وزن گل به ترتیب با همبستگی­های 70 و 74 درصد و مقدار خطا برابر 0.23=RMSE و 16.38=RMSE پیش­بینی شد. در حالی که مدل درخت تصمیم M5 با وارد کردن پارامترهای کمتری از توانمندی بالایی در جهت پیش­بینی وزن گل و وزن کلاله خشک برخوردار بود. به‌طوری‌که وزن کلاله خشک و وزن گل را با 90 درصد همبستگی و مقدار خطای برابر با 0.12=RMSE و 9.4=RMSE در انتهای مدل­سازی، برای منطقه مورد مطالعه برآورد کرد. بنابراین، روش درخت تصمیم M5 در ارزیابی و پیش‌بینی عوامل مختلف بر عملکرد زعفران توصیه می­شود.    

کلیدواژه‌ها

Abrishami, M.H. 2004. Saffron from long ago to today. Amirkabir Publications. Tehran p.119.
Behdani, M. A., Koocheki, A., Nassiri Mahallati, M., and Rezvani Moghaddam, P. 2005. Evaluation of quantitative relationships between saffron yield and nutrition (on farm trial). Journal Journal of Field Crops Research 3(1):1-14. (In Persian with English Summary).
Beheshti, A., and Faravani, M. 2003. Investigation the effect of different planting proportions and densities on yield and yield components of saffron and Caraway mixed cropping. 3th National Congress of Saffron, Mashhad, Iran, 2-3 December.
Bremner, J. S., & Mulvaney, C. S. (1982). Nitrogen-total. In A. L. Page (Ed.), Methods of Soil Analysis, Part American Society of Agronomy (pp. 595-624). Madison, Wisconsin.
Cichosz P. Data Mining Algorithms: Explained Using R. New York: John Wiley & Sons; 2014.
 
Dosti Irani, A. And Golzarian, M.R. 2016. A review of the applications of artificial intelligence in agricultural processes. 10th National Congress of Biosystem Mechanics (Agricultural Machinery) and Mechanization of Iran.
Falahi, M., Varvani, H. And Golian, s. 2011. Prediction of rainfall using tree regression model to control floods. Fifth National Conference on Watershed Management and Management of Water and Soil Resources, Kerman.
Ghorbani Khalil, Sohrabian Elahe, Jazi Meysam. 2016. Evaluation of hydrological methods and data mining in simulation and forecast of monthly flow rate (Case study: Arazkoseh hydrometric station). Water and Soil Conservation Research (Agricultural Sciences and Natural Resources), Volume 23, Number 1, Pages 203-217.
Geissen V., Kampichler C. 2007. Superficial and subterranean soil erosion in Tabasco, tropical mexico.
Gresta, F., Lombardo, G.M., Siracusa, L., and Ruberto, G. 2008. Saffron, an alternative crop for sustainable agricultural systems, a review. Agronomy Sustainable Development 28: 95-112.
Haynes, R.J. 1996. Labile organic matter fraction as central components of the quality of agricultural soils. Advances in Agronomy. 85: 221-261.
Hosseini, R., Sarmad, M., Jabbari Noghabi, M. 2013. Data Mining in R Using the Ratlle Package. Statistical Thought of the Eighteenth Year, No. Olf No. 35, pp. 29-17.
Hoori,M.A., Naseri, A., Boroumandansab, S. A. and Kiani, A. 2015. The effect of under-irrigation and irrigation water salinity on soil salinity distribution and vegetative growth of date seedlings. Journal of Soil and Water Resources Protection. 13-1: 14
Ikram, S., Habib, U., and Khalid, N. 2012. Effect of different potting media combination growth and vase life of tuberose (Polianthes tuberose Linn.). Pakistan Journal of Agricultural Sciences 49(2): 121-125.
Kafi, M. 2002. Saffron, Production and Processing. Ferdowsi University of Mashhad Press. 276p. (In Persian).
Kalantari, Kh. 2008. Data Processing and Analysis in Socio-Economic Research, Third Edition, Farhang Saba Publications.
Koocheki, A., Nassiri, M., Behdani, M.A., 2006. Agronomic attributes of saffron yield at fertilizers. J. Med. Plant. 40(4), 58-68.
Luo, Z., Yaolin, L., Jian, W., and Jing, W. 2008. Quantitative mapping of soil organic material using field spectrometer and hyperspectral remote sensing. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 37: 901-906.
Mahmoodabadi, M., and Mazaheri, M.R. 2012. Effect of some soil physical and chemical properties on permeability in field conditions. The Iranian Society of Irrigation and Water Engineering 2(8): 14-25. (In Persian with English Summary).
Mahmoudabadi, E., and Karimi, A. 2015. Mapping of calcium carbonate equivalent and clay content of surface soil using geostatistical methods (Case study: Chitgar park, Tehran). RS GIS Tech. Nat. Resour. 6(3): 73-85. (In Persian).
Maleki,F., Kazemi, H., Siahmarguee, A., and Kamkar, B., 2019. Evaluation of Saffron Cultivation Development in AzadshahrTownship (Golestan Province) with Emphasis on Climatic Parametrs, Journal of Saffron Research. 7(1), 123-143. (In Persian).
Marschner, H. 1995. Mineral nutrition of higher plants. Second edition, Academic press, London.
Montgomery, D.C., Peck, E.A., and Vining, G.G. 2015. Introduction to Linear Regression Analysis. John Wiley & Sons
Movahedi Naini, A. And Rezaei, M. 2008. Soil Physics (Basics and Application). Publications of Gorgan University of Agricultural Sciences and Natural Resources, p. 474.
Munshi, A.M. 1994. Effect of N and K on the floral yield and corm production in saffron under rainfed condition. Indian Arecant and Spices Journal. 18: 24-44.
Nelson, R. E. 1982. Carbonate and gypsum. In: Methods of Soil Analysis. Part II. Page, A. L. (Ed) American Society of Agronomy, Madison, Wisconsin, USA.
Olsen, S.R., Cole, C.V., Watanabe, F.S., and Dean, L.A. 1954. Estimation of available phosphorus in soils by extraction with sodium bicarbonate. USDA Circular 939, US Gov. Printing Office, Washington, DC.
Page, A., Miller, R., and Keeney, D. 1982. Methods of Soil Analysis.2th ed. Part2: Chemical and biological properties. Soil Sci. Soc. Am. Inc. publisher.
Page. A.L., Miller, R.H. and Jeeney, D.R. 1992. Methods of Soil Analysis, Part 2. Chemical and mineralogical properties. SSSA Pub., Madison. 1159p.
Quinlan, J .R. 1992 .Learning with continuous classes. In proceedings AI, 92 (Adams & Sterling, Eds), 343-348, Singapore: World Scientific.
Remesan R., Shamim M.A., and Han D. 2008. Model data selection using gamma test for daily solar radiation estimation. Hydrological Processes 22: 4301-4309.
Rezvani Moghaddam, P., Khorramdel, S., and Mollafilabi, A., 2015. Evaluation of soil physical and chemical characteristics impacts on morphological criteria and yield of saffron (Crocus sativus L.). Journal of Saffron Research. 3(2): 188-203. (In Persian).
Richards L. A. 1954. Diagnosis and Improvement of Saline and Sodic Soils. U.S.D.A Agric. Handb. NO. 60 Washingtin DC.
Rivandi, M., Ghasemnezhad, A., Hemmati, K.h.,Ghorbani, k.h., and Abhari, A., 2020. Effects of pH, Bicarbonate and Salinity of Irrigation Water on Yield and Flowers Yield Components of Saffron. Journal of Saffron Research, 8(2), 241-253. (In Persian).
Saadati, A., Ghare Yazi, B., and Mirmohammadi Meybodi, A.M. 2004. Salt stress and physiological aspects of plant breeding. University of Esfahan. (In Persian).
Saeedi Rad M. and Mokhtarian A. 2010. Scientifitic principles of cultivation, growing and harvesting of saffron.
Salehi Sadeghian, J. And. Ebrahimi, A. 2002. Advanced Statistical Analysis; Hava Tazeh publications.
Sattari, M.T., Pal, M. Apaydin, H. Ozturk, F, 2013. M5 Model Tree Application in Daily River Flow Forecasting in Sohu Stream, Turkey, Water Resources. 40(3): 233–242.
Shaykh, M.A. 2011. Evaluation of Cloud Fertility Projects Using Regression Decision Tree Model (Case Study: Central Iran - Fars Province), Master Thesis in Civil Engineering, University of Water and Power Industry, Tehran.
Taghizadeh Mehrjerdi, R. Sarmadian, F. Omid, M. Tumanian, N. Rusta, M.J. Rahimian, M.H. 2014. Digital mapping of soil classes using various data mining methods in Ardakan region of Yazd, Journal of Agriculture, Agricultural Engineering, Volume 37, Number 2.
Terzi Ö. 2007. Data mining approach for estimation evaporation from free water surface. Applied Sciences. 7(4): 593-596.
Waraich, E. A., Saifullah, R. A., Ehsanullah, M. Y. 2011. Role of mineral nutrition in alleviation of drought stress in plants. Australian Journal of Crop Science. 5(6): 764-777.