fa ارزیابی و مدل‌سازی پارامترهای اقلیمی مؤثر بر تولید سالانه گونه مرتعی ریواس (Rheum ribes) با الگوریتم‌های داده‌کاوی تخصصي Special پژوهشي Research <span style="color:black;"><span style="font-family:B Nazanin;">شناخت ویژگی&shy;های اقلیمی مؤثر بر تولید سالانه ریواس (</span></span><em><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:9.0pt;">Rheum ribes</span></span></span></span></em><span style="color:black;"><span style="font-family:B Nazanin;">) می&shy;تواند در مدیریت و توسعه آن در مراتع مفید واقع شود. در این پژوهش عملکرد سالانه این گونه در استان خراسان رضوی با 74 پارامتر اقلیمی طی دوره 10 ساله ارزیابی و پارامترهای اقلیمی مؤثر با الگوریتم&shy;های داده&shy;کاوی استخراج شد. ابتدا</span></span> <span style="color:black;"><span style="font-family:B Nazanin;">نقش</span></span> <span style="color:black;"><span style="font-family:B Nazanin;">پارامترهای</span></span> <span style="color:black;"><span style="font-family:B Nazanin;">اقلیمی مرتبط با درجه حرارت، رطوبت، بارندگی و ساعات آفتابی، با</span></span> <span style="color:black;"><span style="font-family:B Nazanin;">همبستگی و</span></span> <span style="color:black;"><span style="font-family:B Nazanin;">رگرسیون</span></span> <span style="color:black;"><span style="font-family:B Nazanin;">تحلیل شد. سپس 11 الگوریتم طبقه&shy;بندی در نرم&shy;افزار </span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:9.0pt;">MATLAB</span></span></span></span><span style="color:black;"><span style="font-family:B Nazanin;"> برنامه&shy;نویسی و مقایسه شدند. نتایج نشان داد که عملکرد ریواس با میانگین دمای حداکثر تابستان، دامنه تغییرات دمای اردیبهشت تا شهریور، حداکثر دمای تابستان، میزان رطوبت نسبی و بارندگی فصل بهار همبستگی مثبت دارد. ارزیابی الگوریتم&shy;ها با شاخص&shy;های ضریب تعیین و میانگین مربع خطا نشان داد در تخمین عملکرد سالانه بر مبنای عوامل اقلیمی، روش تشخیص الگو در مرحله آزمون با ضریب تعیین 46/0 و روش&shy;های رگرسیونی، طبقه&shy;بندی ممیزی و </span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:9.0pt;">k</span></span></span></span><span style="color:black;"><span style="font-family:B Nazanin;"> نزدیکترین همسایه در مرحله آموزش (ضریب تعیین برابر1) بهترین عملکرد را داشتند.&nbsp; با ورود عوامل مؤثر به&shy;روش گام‌به‌گام، رگرسیون خطی در مرحله آزمون (ضریب تعیین برابر 74/0) و روش </span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:9.0pt;">k</span></span></span></span><span style="color:black;"><span style="font-family:B Nazanin;"> نزدیک&shy;ترین همسایه در مرحله آموزش با ضریب تعیین برابر 1، عملکرد ریواس را دقیق&shy;تر تخمین زدند. همچنین روش پیشنهادی </span></span><em><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:9.0pt;">K</span></span></span></span></em><span style="color:black;"><span style="font-family:B Nazanin;"> نزدیک&shy;ترین به میانگین، به ترتیب با مقادیر </span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:9.0pt;">K</span></span></span></span><span style="color:black;"><span style="font-family:B Nazanin;"> برابر 6 و 7&nbsp; در روش&shy;های ورود تمامی عوامل و&nbsp; عوامل مؤثر حاصل از &shy;روش گام‌به‌گام، بالاترین دقت را در تخمین عملکرد محصول داشت. لذا استفاده از روش&shy;های داده&shy;کاوی و مدل پیشنهادی، در شناسایی پارامترهای اقلیمی موثر بر گونه&shy;های مرتعی مختلف روشی کاربردی معرفی می&shy;گردد.</span></span> Identification of climatic characteristics affecting the annual yield of <em>Rheum Ribes</em> can be useful in management and development of this species in the rangelands. In this research, the annual yield of this species in Khorasan-Razavi province based on 74 climatic parameters during a ten-year period evaluated and affecting climatic parameters extracted using data mining methods. First, the role of climatic parameters associated with temperature, humidity, rainfall and sunny hours analyzed using correlation and regression methods. Then, 11 classification algorithms in MATLAB software programmed and compared. The results showed that the <em>Rheum Ribes</em> yield has a positive relationship with the average of maximum temperatures in the summer, the range of high temperature in May to September, the maximum of summer temperatures and the relative humidity and rainfall of the spring. Evaluation of the algorithms using the indices of coefficient of determination and mean square error showed that in estimation of the annual yield based on climatic factors, the pattern recognition method at the testing stage with a coefficient of determination equal to 0.46 and&nbsp;regression methods, classification discrimination and K nearest neighbor (KNN) at the training stage (coefficient of determination equal to 1) had the best performance. With regard to the effective factors in stepwise method, the linear regression method at the testing stage (coefficient of determination equal to 0.74) and K nearest neighbor method at the training stage with coefficient of determination equal to 1, estimate the <em>Rheum Ribes</em> yield more accurately. Also, the proposed K nearest to mean (KNM) method for k values equal to 6 and 7 with regard to all factors and the effective factors resulted from stepwise method, respectively, had higher accuracy in yield estimation. So, application of data mining methods and the proposed model, in recognition of climate parameters affecting different rangeland species could be a practical approach. اقلیم, داده‌کاوی, رگرسیون گام‌به‌گام, عملکرد سالانه, مدل‌سازی. Annual yield, Climate, Data mining, Modelling, Stepwise regression 435 451 http://rangelandsrm.ir/browse.php?a_code=A-10-287-162&slc_lang=fa&sid=1 Mehdi Bashiri مهدی بشیری m.bashiri@torbath.ac.ir 100319475328460011294 100319475328460011294 Yes Department of Nature Engineering and Medicinal Plants, Faculty of Agriculture and Natural Resorces, University of Torbat Heydarieh, Torbat Heydarieh گروه مهندسی طبیعت و گیاهان دارویی، دانشکده کشاورزی و منابع طبیعی، دانشگاه تربت حیدریه، تربت حیدریه Ali Maroosi علی ماروسی 100319475328460011295 100319475328460011295 No Department of Computer Engineering, Faculty of Engineering, University of Torbat Heydarieh, Torbat Heydarieh گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه تربت حیدریه، تربت حیدریه