Predicting rainfed barley crop yield using Artificial neural network and fuzzy neural systems in Khorasan provinces-Iran

Subject Areas : agronomy

Ahad Madani ¹ , Abbas Khasheyi ² , َAlireza khakzad sivaki ³

1 - Assistant professor of Agronomy - IAU- Gonabad
2 - Professor of irrigation engineering - Birjand University,
3 - Msc in agronomy, IAU- Gonabad

Received: 2021-10-27 Accepted : 2021-11-14 Published : 2022-03-06

Keywords: Artificial Neural Network, Agriculture Climate, fuzzy neural system, Prediction models,

Abstract :

In this research, we try to predict the yield of rainfed barley in Khorasan provinces using climatic parameters and two methods of artificial nervous netwework (Ann) and fuzzy neural system (Anfis). Calculations were performed with MATLAB software and then the statistical indices of correlation coefficient (R2), root mean square error (RMSE) and full mean error (MAE) were used to evaluate the performance of the models. Last year's yield and rainfall had an effective role in reducing prediction error and increasing correlation coefficient in both Ann and Anfis methods. Last year's yield and evapotranspiration made the Anfis method more accurate than the Ann method. The results of both Anfis and Ann methods for model L inputs, which included rainfall, relative humidity and last year's yield, showed that this model achieved the highest accuracy among the input models. However, in the Anfis method for model E inputs, which included evapotranspiration, rainfall, relative humidity and minimum temperature, the results showed that it was more accurate than the Ann method. The greatest difference in accuracy in estimating yield between the two Anfis and Ann methods was observed with R inputs model, which includes moisture inputs, Dew point temperatures and maximum temperatures. The presence of radiation parameters at the inputs reduced the accuracy of yield estimation in both methods. Overall, the Anfis method was more accurate in estimating yield than Ann.

References:

1-باقری، ع.، سهرابی ، ن.، 1397 .پیش بینی عملکرد جو دیم و آبی با استفاده از رهیافت شبکه عصبی مصنوعی)مطالعه موردی: استان کرمانشاه(. بوم شناسی کشاورزی. 36 ( 2 : ) 528-516 .

2-توکلی، ع.، لیاقت، ع.، علیزاده، ا.، 1392 .تعیین عوامل موثر بر توابع تولیداقلیمی جو دیم و تحلیل حساسیت

آن در مناطق سرد و نیمه سرد استان لرستان. حفاظت منابع آب و خاک. 3( 2 :)57 تا 72 .

3- حافظی, ن.، شیخ داودی, ب.،, هوشنگ, ع ،, س.، عنایتاله. 1399 .تخمین عملکرد کمی و کیفی نیشکر با

ا ستفاده از شبکه فازی -ع صبی تطبیقی بهبود یافته با الخوریتم بهینه سازی ازدحام ذرات. مهند سی زراعی . 43(2:)

 .255-276

4-سلیمانی ، م.، مرادی تالوت، م.ر.، سیادت ، س.، 1395.واکنش جذب تشعشع، هریب خاموشی نور، عملکرد و

اجزای عملکرد جو به الخوی کاشت و میزان بذر. تحقیقات غالت: 6 ( 2 :) 199-185 .

5 -شکوهی ، م.، سنایی نژاد ، ح.، 1393 .تعیین ارتباط شتترایط آب و هوایی با تولید محصتتول جو دیم. )مطالعه

موردی: آذربایجان شرقی(. بوم شناسی کشاورزی: 6( 3 : )634 تا 644.

6 -شیردلی .، ع, تو سلی. 1395 .پیش بینی عملکرد و کارآیی م صرف آب زعفران با ا ستفاده از مدل های شبکه

عصبی مصنوعی بر مبنای فاکتورهای اقلیمی و آب. علمی پژوهشی زراعت و فناوری زعفران. 3(2 :)131-121.

7 -یحیی، ا.، 1390 - رحمانی، ا.، لیاقت، ع.، خیلی، علی.، 1387 .تخمین عملکرد محصتتول جو در آذربایجان

شرقی با ا ستفاد ه از پارامترهای هوا شنا سی و شاخص های خ شک سالی به روش شبکه ع صبی م صنوعی. تحقیقات

خاک و آب ایران. 39( 1 :)47 تا 56.

8-Abrougui, K., Gabsi, K., Mercatoris, B., Khemis, C., Amami, R., Chehaibi, S.

2019. Prediction of organic potato yield using tillage systems and soil properties by

artificial neural network (ANN) and multiple linear regressions (MLR). Soil and

Tillage Research. 190: 202-208.9-Başakin, E. E., Ekmekcioğlu, Ö., Özger, M., Çelik, A. 2020. Prediction of Turkey

wheat yield by wavelet fuzzy time series and gray prediction methods. Türkiye

Tarımsal Araştırmalar Dergisi. 7(3): 246-252.

10-Cedeño, J. A. R., García-López, Y. J., Leopoldo, C. F., Morales-Ortega, R.,

Neira-Molina, H., Combita-Niño, H. 2021. Big data classification using fuzzy logical

concepts for paddy yield prediction. Review of International Geographical Education

Online. 11(5): 4482-4490.

11-Garg, B., Sah, T. 2020. Prediction of Crop Yield Using Fuzzy-Neural System.

In EAI International Conference on Big Data Innovation for Sustainable Cognitive

Computing (pp. 213-220). Springer, Cham

12-Kizil, Ü., Genc, L., Inalpulat, M., Şapolyo, D., Mirik, M. 2012. Lettuce (Lactuca

sativa L.) yield prediction under water stress using artificial neural network (ANN)

model and vegetation indices. Žemdirbystė= Agriculture. 99(4): 409-418.

13-Kuzman, B., Petković, B., Denić, N., Petković, D., Ćirković, B., Stojanović, J.,

Milić, M. 2021. Estimation of optimal fertilizers for optimal crop yield by adaptive

neuro fuzzy logic. Rhizosphere, 18, 100358.

14-Naderloo, L., Alimardani, R., Omid, M., Sarmadian, F., Javadikia, P., Torabi,

M. Y., Alimardani, F. 2012. Application of ANFIS to predict crop yield based on

different energy inputs. Measurement: 45(6),:1406-1413.