کاربرد شبکه های عصبی مصنوعی و تکنیک تحلیل مولفه های اصلی(PCA) در تخمین زمان پیشروی در آبیاری جویچه ای

Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 389

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IDJ-13-1_005

تاریخ نمایه سازی: 25 اردیبهشت 1400

Abstract:

در این مطالعه، از شبکه های عصبی مصنوعی به منظور تخمین زمان پیشروی آب با استفاده از داده های اندازه گیری شده دبی ورودی، ضریب زبری مانینگ، شیب، طول فارو، شماره منحنی نفوذ، وزن مخصوص ظاهری و رطوبت اولیه استفاده شده است. برای این منظور از یک سری آزمایش های صحرایی انجام شده به روش آبیاری جویچه ای در پنج مزرعه آزمایشی گلمکان مشهد، توتون ارومیه، مرکز تحقیقات کشاورزی صفی آباد دزفول، دانشگاه بیرجند و موسسه اصلاح بذر کرج در طی دورهی زمانی تابستان ۱۳۷۶ تا تابستان ۱۳۸۵ که دارای طیف گسترده ای از نظر بافت خاک (سبک، متوسط و سنگین) می باشند، استفاده شد. از مجموع ۲۴۰ داده ی موجود، ۶۰ درصد اولیه (۱۴۴ داده) جهت آموزش شبکه، ۲۰ درصد جهت صحت سنجی (۴۸ داده) و ۲۰ درصد باقیمانده (۴۸ داده) برای آزمون شبکه ها انتخاب شدند. متغیرهای ورودی با استفاده از آنالیز حساسیت شبکه به متغیرهای ورودی و همچنین روش تحلیل مولفه های اصلی (PCA) تعیین شدند. نتایج نشان داد که شبکه های عصبی توانایی خوبی در پیش بینی زمان پیشروی داشته و با دقت بالایی زمان پیشروی را تخمین می زنند. بهترین نتایج (R۲=۰.۹۹۵) مربوط به مدلی است که برای پیش بینی زمان پیشروی در جویچه، از مولفه های اصلی (PCA) در متغیرهای ورودی استفاده می کند. نتایج همچنین نشان می دهند مدلی که از پارامتر رطوبت اولیه برای تعیین زمان پیشروی استفاده می کند (R۲=۰.۸۴۸)، در مقایسه با مدل هایی که از پارامترهای ضریب زبری مانینگ (R۲=۰.۴۹۲) و شماره منحنی نفوذ (R۲=۰.۴۱۷) استفاده می کنند، از عملکرد بالاتری برخوردار است.

Keywords:

آبیاری جویچه ای , زمان پیشروی , تحلیل مولفه های اصلی , شبکه های عصبی مصنوعی

Authors

محمد جواد نحوی نیا

گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه اراک، اراک، ایران

جواد مظفری

گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه اراک

بهنام معاونی

گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه شهرکرد

عبدالمجید لیاقت

استاد گروه مهندسی آبیاری و آبادانی دانشگاه تهران

مسعود پارسی نژاد

دانشیار گروه مهندسی آبیاری و آبادانی دانشگاه تهران، ایران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • عباسی،ف.، جلینی،م.، معیری،م و طائفه­ی رضایی،ب. ۱۳۷۸. تهیه­ی یک مدل ...
  • کازرونیان،س.م.، عباسی،ف.، صدقی،ح. ۱۳۹۶. نشریه پژوهش­های حفاظت آب و خاک. ...
  • کمالی،پ.، ابراهیمیان،ح. ۱۳۹۶. مقایسه و ارزیابی روشهای مختلف برآورد معکوس ...
  • گنجه،ا. ۱۳۸۵. ارزیابی یکنواختی کود آبیاری در آبیاری جویچه­ای، پایان ...
  • معروف­پور،ع.، سیدزاده،ا.، بهزادی­نسب،م. ۱۳۹۶. بررسی دقت روش های غیرنقطه­ای اندازه­گیری ...
  • منهاج،م. ۱۳۷۷. مبانی شبکه­های عصبی. انتشارات دانشگاه امیرکبیر ...
  • نوابیان،م. ۱۳۸۲. تخمین هدایت هیدرولیکی اشباع با استفاده از توابع ...
  • Amini,M., Abbaspour,K.C., Khademi,H., Fathianpour,N., Afyoni,M and Schulin,R. ۲۰۰۵. Neural network ...
  • Alvarez,J.A.R. ۲۰۰۳. Estimation of advance and infiltration equations in furrow ...
  • Bradley,A., King,P.E., David,L., Bjorneberg,P.E., Thomas,J., Trout,P.E., Luciano, Mateos,A.M. ۲۰۱۶. Estimation ...
  • Camdevyren,H., Demyr,N., Kanik,A and Keskyn,S. ۲۰۰۵. Use of principal component ...
  • Cheng-Jian,L and Ming-Hua,H. ۲۰۰۹. Classification of mental task from EEG ...
  • Dani,O and Henoque,R. ۱۹۹۶. Prediction of surface irrigation advance using ...
  • Demuth,H and Beale,M. ۱۹۹۸. Neural network toolbox for use with ...
  • Jain,A and Kumar,A. ۲۰۰۶. An evalution of artificial neural network ...
  • Elliot,R.L., Walker,W.R. ۱۹۸۲. Field evaluation of furrow infiltration and advance ...
  • Gillies,M.H and Smith,R.J. ۲۰۰۵. Infiltration parameters from surface irrigation advance ...
  • Lark,R.M. ۱۹۹۹. Soil-landform relationships at within-field scales: an investigation using ...
  • Kaustra,I and Boyd,M.S. ۱۹۹۵. Forecasting futures trading volume using neural ...
  • McKenzie,N.J and Ryan,P.J. ۱۹۹۹. Spatial prediction of soil properties using ...
  • Minasny,B and McBratney,A.B. ۲۰۰۲. The neuro-m methods for fitting neural ...
  • Qiu,Y., Fu,B., Wang,J and Chen,L. ۲۰۰۱. Spatial variability of soil ...
  • Qiu,Y and Zhang,J.T. ۱۹۹۹. Quantitative analysis to the gradients in ...
  • Odeh,I.O.A., Mc Bratney,A.B and Chittleborough,D.J. ۱۹۹۴. Spatial prediction of soil ...
  • Parinet,B., Lhote,A and Legube,B. ۲۰۰۴. Principal component analysis: an appropriate ...
  • Pearson,K. ۱۹۰۱. On lines and planes of closest fit to ...
  • Scaloopi,E.J., Markely,G.P and Willardson,L.S. ۱۹۹۵. Intake parpmeter from advance and ...
  • Walker,W.R and Skogerboe,G.V. ۱۹۸۷. Surface irrigation theory and practice. Englewood ...
  • Webster,R and McBratney,A.B. ۱۹۸۹. On the Akaike information criterion for ...
  • Willardson,L.S and Bishop,A.A. ۱۹۶۷. Analysis of surface irrigation application efficiency, ...
  • نمایش کامل مراجع