چکیده:
کلزا به عنوان یکی از دانه های روغنی از جمله محصولات استراتژیک کشاورزی در کشور ایران محسوب می شود، این امر موجب افزایش سطح زیر کشت این گیاه شده است. آگاهی از این موضوع که گیاه کلزا در کدام نواحی از بیشترین بازده به طور طبیعی برخوردار است، در برنامه ریزی و شناسایی نواحی مساعد کشت بسیار مفید است. در این پژوهش با به کارگیری دستگاه موقعیت یاب جغرافیایی (GPS) از 24 مزرعه کشت کلزا نمونه برداری و عملکرد واقعی آن محاسبه گردید. مقادیر متغیرهای مستقل شامل شیب زمین، EC و pH آب، میانگین حداقل و حداکثر مطلق دما، میانگین دما در دوره گل دهی، تبخیر و تعرق پتانسیل، درجه روز رشد، میانگین دما و رطوبت نسبی برای مزارع انتخابی استخراج گردید. سپس از روش شبکه عصبی پرسپترون با آموزش پیش خور به منظور برآورد توان محیطی عملکرد کلزا استفاده شد و در محیط سامانه اطلاعات جغرافیایی نقشه برآورد عملکرد محصول کلزا تهیه گردید. نتایج آزمون T-test نشان دهنده عدم وجود تفاوت بین مقادیر واقعی و پیش بینی در سطح معناداری 05/0 است. ضریب همبستگی پیرسن برابر 98/0، ریشه میانگین مجذور خطا و متوسط قدر مطلق خطا به ترتیب برابر 243 و 101 کیلوگرم در هکتار محاسبه شده است.
Brassica napus as an oilseed is a strategic agriculture product in Iran. Knowing the best area for cultivation، helps plan and explore suitable cultivation areas efficiently. At this research، we study 24-Brassica napus farm samples to calculate the actual yields by using GPS set. The independent data are variables introduced such as mean temperature، growing degree-day، mean absolute minimum temperature، mean absolute maximum temperature ، mean temperature in sowing time، mean potential evapotranspiration، slope ، EC of groundwater، pH of groundwater، and mean relative humidity. We analyzed the consequences of environmental potential on autumn Brassica napus yield using Perceptron neural network by multi-layers structure with 3 hidden layers and feed backward algorithm entered to database and Brassica napus cultivation suitability map was prepared in geographic information system environment. Results show that T-test between actual and prediction values do not have significant difference in 0.05 level. We calculated Pearson correlation coefficient at 0.98، RMSE and MAE. Thus 243 and 101 Kg/h indicate the ability of neural network methods for agricultural product yield predictions.