کاربرد مدل های شبکه عصبی مصنوعی در تخمین عملکرد محصول شلیل مغان تحت آبیاری شیاری دوطرفه

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 330

This Paper With 15 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_MMWS-1-2_005

تاریخ نمایه سازی: 20 آذر 1400

Abstract:

حوضه آبریز دریاچه ارومیه به دلیل استفاده بی رویه از منابع آب به ویژه در بخش کشاورزی و کاهش نزولات جوی در تامین نیازهای اکولوژیک خود با بحران روبه رو شده است. لذا، بهبود سیستم های آبیاری سطحی موجود می تواند راه کار مناسبی در کاهش مصرف و استفاده بهینه از منابع آب در این حوضه باشد. در همین راستا، به منظور بررسی و مقایسه تاثیر رویکرد آبیاری شیاری دوطرفه بر عملکرد و کارایی مصرف آب در محصول شلیل رقم مغان مورد پژوهش در سال زراعی ۹۹-۱۳۹۸ در اراضی شهرستان میان دوآب واقع در جنوب دریاچه ارومیه اجرا و عملکرد محصول از طریق مدل های شبکه تابع پایه شعاعی (RBF) و شبکه پیش خور تعمیم یافته (GFF) برآورد شد. برای این منظور، یک مجموعه داده شامل ۱۴۰ داده در دو سطح آبیاری کرتی T۱ (شاهد) و آبیاری شیاری دوطرفه T۲ (تیمار) و مشخصات خاک منطقه به عنوان پارامترهای ورودی استفاده شد. ۸۰ درصد (۱۱۲ داده) برای آموزش و ۲۰ درصد (۲۸ داده) برای آزمایش شبکه استفاده شد. در این پژوهش روش مدیریت زمان آبیاری نیز در نظر گرفته شد. به نحوی که در هر آبیاری، میزان آب مورد نیاز در هر دو بخش شاهد و تیمار بر اساس نیاز آبی شلیل مغان و فواصل آبیاری تعیین شد. نتایج نشان داد که رویکرد آبیاری شیاری دوطرفه و نیز اعمال تیمار برنامه­ریزی آبیاری زمان واقعی موجب افزایش بهره وری آب (۷۲/۰ کیلوگرم بر مترمکعب) در این مزرعه شد. هم چنین نتایج مدل سازی نشان داد که مدل RBF با آموزش Levenberg Marquardt و چهار لایه پنهان پتانسیل بالایی در تخمین عملکرد محصول شلیل مغان دارد. در مجموع، با اعمال پارامتر سطوح آبیاری به عنوان ورودی، مدل شبکه عصبی مصنوعی می تواند تخمین مطلوب تری (RMSE = ۰.۰۳۵) از عملکرد محصول شلیل مغان ارائه دهد.

Authors

سمیه امامی

دانشجوی دکتری سازه های آبی/ گروه مهندسی آب، دانشگاه تبریز، آذربایجان شرقی

حسین دهقانی سانیج

دانشیار/ موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات آموزش و ترویج کشاورزی، کرج، البرز

میلاد رضایی

دانشجوی کارشناسی ارشد / گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، آذربایجان غربی

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 :
  • Akbarpour, A., Khorashadizadeh, A., Shahidi, A., & Ghochanian, A. (۲۰۱۳). ...
  • Alvarez, A. (۲۰۰۹). Predicting average regional yield and production of ...
  • Bariklo, A., Alamdari P., Moravaj K., & Servati, M. (۲۰۱۷). ...
  • Esmaielzadeh-KordKheili, S. (۲۰۱۲). Estimition of rice yield using statistical methods, ...
  • FAO. (۱۹۹۲). CROPWAT a computer program for irrigation planning and ...
  • Fathi Tarshizi, M. (۲۰۱۲). Field evaluation of surface irrigation models ...
  • Gershenfeld, N. A., & Gershenfeld, N. (۱۹۹۹). The nature of ...
  • Ghorbani, M. A., Shahabboddin, Sh., Zare Haghi, D., Azani, A., ...
  • Kaul, M., Hill, R.L., & Walthall, C. (۲۰۰۵). Artificial neural ...
  • Merdun, H., Çınar, Ö., Meral, R., & Apan, M. (۲۰۰۹). ...
  • Nourani, V., & Babakhani, A. (۲۰۱۲). Integration of artificial neural ...
  • Piri, J., Amin, S., Moghaddamnia, A., Keshavarz, A., Han, D., ...
  • Rahmani, E., Liaghat, A., & Khalili, A. (۲۰۰۸). Estimating barley ...
  • Smith, B.A., Hoogenboom, G., & McClendon, R.W. (۲۰۰۹). Artificial neural ...
  • Seiler, R.A., & Kogan, F. (۱۹۹۸). AVHRR-based vegetation and temperature ...
  • Taghizadeh Mehrjerdi, R., Seyedjalali, S.A., & Sarmadian, F. (۲۰۱۶). Prediction ...
  • Talebi, H. (۲۰۱۸). Calibration and improvement of furrow irrigation performance ...
  • نمایش کامل مراجع