Artificial intelligence approach to estimating rice yield

After wheat, rice is one of the most important agricultural products in the world, and Iran has a special position here with annual production of more than 2 million t of rice. Evaluation of crop yield has an important role in agricultural policy making due to different conditions and restrictions. Estimating rice yield is a key factor in food security. Any change in the effective parameters can cause changes in rice yield and therefore the food security of the population will be affected. In this study, rice crop yield was estimated by artificial neural networks (ANNs) and ANN‐genetic programming (GP) in 2011 and 2015. Rainfall, permeability, soil texture, land type, evapotranspiration and inlet and inflow and outflow water to paddy lands were used as inputs. The results showed that the ANN‐GP with a root mean square error (RMSE = 80.8 kg ha‾¹) and a correlation coefficient (CC = 0.91) was more accurate than the stand‐alone ANN (with RMSE = 139 kg ha‾¹ and CC = 0.67). Finally, the effect of each input parameter on rice yield was evaluated. Irrigation, drainage and soil type parameters had the best impact rank, with 36, 28 and 31%, respectively. Therefore, the proposed method can act as an efficient tool in estimating rice yield and help decision makers to manage and develop the agricultural system. Résumé Le riz après le blé est l'un des produits agricoles les plus importants au monde et l'Iran occupe une position particulière avec une production annuelle de plus de 2 millions de tonnes de riz. L'évaluation du rendement des cultures joue un rôle important dans l'élaboration des politiques agricoles en raison des différentes conditions et restrictions. L'estimation du rendement du riz est un facteur clé de la sécurité alimentaire. Tout changement dans les paramètres effectifs peut entraîner des changements dans le rendement du riz et donc la sécurité alimentaire de la population sera affectée. Dans cette étude, le rendement des cultures de riz a été estimé par des réseaux neuronaux artificiels (ANN) et par la programmation ANN‐Genetic (GP) en 2011 et 2015. Pluie, perméabilité, texture du sol, type de terrain, évapotranspiration et eau d'entrée et de sortie vers les terres de paddy ont été utilisées comme intrants. Les résultats ont montré que l'ANN‐GP avec l'erreur quadratique moyenne (RMSE = 80.8 kg ha‾¹) et le coefficient de corrélation (CC = 0.91) était plus précis que l'ANN autonome (avec RMSE = 139 kg ha‾¹ et CC = 0.67). Enfin, l'effet de chaque param