مدل سازی رابطه غلظت آهن در برگ مرکبات با برخی خصوصیات خاک با استفاده از شبکه عصبی مصنوعی (مطالعه موردی جنوب استان کرمان)

صابر حیدری; سید علی غفاری نژاد; جواد سرحدی; مهری شریف

مدل سازی رابطه غلظت آهن در برگ مرکبات با برخی خصوصیات خاک با استفاده از شبکه عصبی مصنوعی (مطالعه موردی جنوب استان کرمان)

Publish place: Iranian Journal of Soil and Water Research، Vol: 55، Issue: 2

Publish Year: 1403

Type: Journal paper

Language: Persian

This Paper With 12 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > شبکه عصبی

Export:

Link to this Paper:

https://civilica.com/doc/2003366

Document National Code:

JR_IJSWR-55-2_007

Index date: 18 June 2024

مدل سازی رابطه غلظت آهن در برگ مرکبات با برخی خصوصیات خاک با استفاده از شبکه عصبی مصنوعی (مطالعه موردی جنوب استان کرمان) abstract

هدف از این پژوهش ارزیابی رابطه بین آهن موجود در برگ با برخی ویژگی های زودیافت خاک در باغات مرکبات منطقه جنوب استان کرمان به وسیله روش های مدل سازی شبکه عصبی مصنوعی و رگرسیون گام به گام بود. به همین منظور ۴۰ باغ بارده از کل منطقه انتخاب شده و خصوصیات فیزیکی و شیمیایی خاک و آهن موجود در برگ گیاه اندازه گیری شد. با استفاده از شبکه عصبی مصنوعی و مدل های مختلف با داده های متفاوت از ویژگی های خاک به عنوان ورودی و آهن برگ به عنوان خروجی، توانایی این مدل ها در پیش-بینی غلظت آهن برگ مورد ارزیابی قرار گرفت. نتایج مدل سازی نشان داد شبکه عصبی مصنوعی با متغییرهای کربن آلی، پ هاش، رس، فسفر، درصد مواد خنثی شونده و هدایت الکتریکی با ضرایب تبیین ۸۶/۰ و ۸۱/۰ و ریشه میانگین مربعات خطا (RMSE)۶۰/۱۴ و ۱۳/۲۰ میلی گرم بر کیلوگرم برای داده های آموزش و آزمون بهترین در برآورد آهن برگ بود. مقایسه مدل های رگرسیون و شبکه عصبی در داده های آزمون نشان داد که شبکه عصبی دقت بالاتری با ضریب تبیین ۸۱/۰ نسبت به رگرسیون گام به گام با ضریب تبیین ۲/۰ داشت. همچنین مقدار RMSE شبکه عصبی نیز بهبود بهتری داشته و از ۷۲/۲۷ میلی گرم بر کیلوگرم در مدل رگرسیون گام به گام به ۱۳/۲۰ میلی گرم بر کیلوگرم در شبکه عصبی رسید. شبکه عصبی مصنوعی بر اساس ویژگی های زودیافت خاک قادر به پیش بینی آهن موجود در برگ گیاه بوده اند به گونه ای که با انتخاب کربن آلی به عنوان ورودی اولین مدل تا در بهترین مدل با انتخاب کربن آلی، پ هاش، رس، فسفر، درصد مواد خنثی شونده و هدایت الکتریکی، دقت مدل افزایش یافت.

مدل سازی رابطه غلظت آهن در برگ مرکبات با برخی خصوصیات خاک با استفاده از شبکه عصبی مصنوعی (مطالعه موردی جنوب استان کرمان) Keywords:

پرسپترون چند لایه , رگرسیون گام به گام , ماده آلی خاک , مرکبات

مدل سازی رابطه غلظت آهن در برگ مرکبات با برخی خصوصیات خاک با استفاده از شبکه عصبی مصنوعی (مطالعه موردی جنوب استان کرمان) authors

صابر حیدری

عضو هیات علمی، بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب استان کرمان، سازمان تحقیقات، آموزش و ترویج

سید علی غفاری نژاد

عضو هیات علمی موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.

جواد سرحدی

عضو هیات علمی بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی،

مهری شریف

بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی جنوب استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، جیرفت، 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 :

Abrougui, K., Gabsi, K., Mercatoris, B., Khemis, C., Amami, R., ...

Ahmad, N., Hussain, S., Ali, M. A., Minhas, A., Waheed, ...

Ajili Lahiji, A., Mohammadi Torkashvand, A., Mehnatkesh, A., & Navidi, ...

Allison, L., & Richards, L. (۱۹۵۴). Diagnosis and improvement of ...

Alva, A., & Syvertsen, J. (۱۹۹۱). Irrigation water salinity affects ...

Basirat, M., Haghighatnia, H., & Mousavi, S. M. (۲۰۱۸). Evaluationand ...

Cheng, J., Ding, C., Li, X., Zhang, T., & Wang, ...

Dayhoff, J. E., & DeLeo, J. M. (۲۰۰۱). Artificial neural ...

Dhaliwal, S. S., Naresh, R. K., Mandal, A., Singh, R., ...

Gonzalez-Fernandez, I., Iglesias-Otero, M., Esteki, M., Moldes, O., Mejuto, J., ...

Hosseinifard, S. J., Shirani, H., & Hashemipour, H. (۲۰۱۹). Modeling ...

Jamshidi, S., Yadollahi, A., Ahmadi, H., Arab, M. M., & ...

Kalra, Y. (۱۹۹۷). Handbook of reference methods for plant analysis. ...

Khalid, R., Mahmood, T., Bibi, R., Siddique, M. T., Alvi, ...

Li, Y., Han, M.-Q., Lin, F., Ten, Y., Lin, J., ...

Mathan, K., & Amberger, A. (۱۹۷۷). Influence of iron on ...

Minasny, B., & McBratney, A. B. (۲۰۰۲). The neuro‐m method ...

Mirsoleimani, A., Amin, H., & Najafi Ghiri, M. (۲۰۱۹). Investigating ...

Moradi, B., & Ebadi, H. (۲۰۱۱). Investigation of quantitative and ...

Nelson, D. a., & Sommers, L. E. (۱۹۸۳). Total carbon, ...

Olsen, S. R. (۱۹۵۴). Estimation of available phosphorus in soils ...

Prasad, V., & Gupta, S. D. (۲۰۰۸). Applications and potentials ...

Roustaei, F., Ayoubi, S., & Norouzi Masir, M. (۲۰۱۸). Comparison ...

Rowell, D. L. (۲۰۱۴). Soil Science: Methods & Applications (۱st ...

Sarhadi-Sardoui, J., Ronaghi, A., Maftoun, M., & Karimian, N. (۲۰۰۳). ...

Sarhadi, J., heidari, s., & Sharif, M. (۲۰۲۰). The effect ...

Shirdeli, A., & Tavassoli, A. (۲۰۱۵). Predicting yield and water ...

Srivastava, A., & Singh, S. (۲۰۰۴). Leaf and soil nutrient ...

Srivastava, A., & Singh, S. (۲۰۰۵). Soil and plant nutritional ...

Torkashvand, A. M., Ahmadipour, A., & Mousavi Khaneghah, A. (۲۰۲۰). ...

Wang, L., Qi, G., Fu, Q., & Liu, Y. (۲۰۰۶). ...

Wiseman, C., & Püttmann, W. (۲۰۰۵). Soil organic carbon and ...

نمایش کامل مراجع