مقایسه رگرسیون و شبکه های عصبی مصنوعی در برآورد ابعاد پیاز رطوبتی با آب معمولی و مغناطیسی
محل انتشار: نشریه آبیاری و زهکشی ایران، دوره: 9، شماره: 1
سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 292
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IDJ-9-1_017
تاریخ نمایه سازی: 25 اردیبهشت 1400
چکیده مقاله:
داشتن اطلاعات دقیق از عرض و عمق خیس شده خاک در زیر هر قطره چکان برای طراحی و مدیریت دقیق سامانه های آبیاری قطره ای ضروری است. در این تحقیق مقادیر عمق و حداکثر عرض خیس شده خاک تحت آبیاری قطره ای سطحی و زیرسطحی با آب معمولی و مغناطیسی با استفاده از مدل رگرسیون ساده خطی و چند گانه و شبکه های عصبی مصنوعی شبیه سازی شد. از داده های اندازه گیری شده در خاک با بافت لوم رسی که با سه تکرار در گلخانه مزرعه تحقیقاتی دانشگاه زنجان انجام گرفته بود استفاده شد. نتایج نشان داد که عملکرد رگرسیون ساده خطی و دو روش رگرسیون چندگانه شوارتزمن و زور (۱۹۸۶) و میرزایی و همکاران (۱۳۸۷) در تخمین عمق خیس شده در روش آبیاری قطره ای سطحی با آب معمولی بهتر بود (۹۸۸/۰=r و m۰۱۱/۰=RMSE). اختلاف مقادیر تخمینی با روش های شوارتزمن و زور (۱۹۸۶) و میرزایی و همکاران (۱۳۸۷) در عمق خیس شده با آب مغناطیسی در آبیاری قطره ای سطحی (۹۷۴/۰=r و m۰۱۴/۰=RMSE) و حداکثر عرض خیس شده در آبیاری قطره ای سطحی با آب معمولی (۹۵۰/۰=r و m۰۲۸/۰=RMSE) و مغناطیسی (۹۷۶/۰=r و m۰۲۳/۰=RMSE) با مقادیر واقعی اندک بود. در بین مدل های شبکه های عصبی مصنوعی، مدل پرسپترون چند لایه نسبت به مدل تابع پایه شعاعی عملکرد بهتری داشت.
کلیدواژه ها:
نویسندگان
مرضیه عبدالهی سیاهکلرودی
دانش آموخته کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
جعفر نیکبخت
استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
محمد حسین محمدی
استادیار گروه خاکشناسی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
محمدرضا خالدیان
استادیار گروه مهندسی آب، دانشکده علوم کشاورزی، دانشگاه گیلان، رشت و گروه پژوهشی مهندسی آب و محیط زیست، پژوهشکده حوزه آبی دریای خزر ، رشت، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :