- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,727 |
| تعداد مقالات | 31,053 |
| تعداد مشاهده مقاله | 28,178,933 |
| تعداد دریافت فایل اصل مقاله | 16,254,113 |
برآورد نقطهای منحنی مشخصهی رطوبتی خاک با استفاده از شبکه عصبی مصنوعی و بهینهسازی آن با الگوریتم ژنتیک در کشت و صنعتهای نیشکر خوزستان | ||
| پژوهش های آبخیزداری | ||
| مقاله 10، دوره 29، شماره 3 - شماره پیاپی 112، مهر 1395، صفحه 101-112 اصل مقاله (577.13 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmej.2016.112501 | ||
| چکیده | ||
| ویژگیهای هیدرولیکی خاک در مدیریت اراضی تحت کشت نیشکر نقش به سزایی دارد. هدف از این تحقیق برآورد نقطهای منحنی مشخصهی رطوبتی خاکبااستفاده شبکهی عصبی مصنوعیوبهینهسازیآنبا الگوریتم ژنتیک میباشد. بدین منظور براساس ویژگیهای مدیریت اراضی، درصد مواد آلی، بافت خاک، هدایت الکتریکی و درصد سدیم جذب سطحی شده، 4 واحد کاری در کشت و صنعتهای دعبل خزاعی، امیر کبیر، کارون و هفتتپه انتخاب شد. در مجموع تعداد 310 نمونه خاک از دو عمق 40-0 و 80-40 سانتیمتری نیمرخ خاک به طور تصادفی برداشت گردید. در این پژوهش پنج مدل به شکل سلسله مراتبی به وسیلهی شبکهی عصبی مصنوعی برای برآورد نقطهای منحنی مشخصهی رطوبتی خاکمورد پیریزی و ارزیابی قرار گرفت. جهت بررسی کارآیی مدلها از ضریب همبستگی اسپیرمن (R)، متوسط مربعات خطای نرمال شده (NMSE) و متوسط خطای مطلق (MAE) استفاده شد. از آن جا که انتخاب هر یک از پارامترهای متغیر شبکهی عصبی مستلزم آزمون و خطاهای مکرر و در نتیجه آموزش تعداد زیادی شبکه با ساختار مختلف بود، از روش الگوریتم ژنتیک برای بهینهیابی این پارامترها استفاده شد و کارایی این روش در بهینهسازی شبکهی عصبی بررسی گردید. نتایج نشان داد، شبکهی عصبی در مدلسازی و برآورد نقطهای منحنی مشخصهی رطوبتی خاکاز دقت بالایی برخوردار است (054/0NMSE=، 019/0MAE=، 963/0R=). همچنین تلفیق شبکهی عصبی با الگوریتم ژنتیک، جهت بهینهسازی شرایط اجرایی آن، مثبت ارزیابی گردید و روش تلفیقی در تمامی موارد برتری خود را نسبت به اجرای شبکهی عصبی بدون بهینهسازی نشان داد (015/0NMSE=، 01/0MAE=، 985/0R=). | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ شبکه‌های عصبی مصنوعی؛ منحنی مشخصهی رطوبتی خاک | ||
| عنوان مقاله [English] | ||
| Point estimation of soil moisture characteristic curve using artificial neural networks and its optimizing by genetic algorithm in Agro-Industries of Khouzestan | ||
| چکیده [English] | ||
| Soil hydraulic properties have key role in sugar cane cultivation management. The purpose of this study is to estimate soil moisture characteristic curve using an artificial neural network and its optimization with genetic algorithm. Therefore, based on the cultivation operations management and soil properties included: organic matter content, soil texture, electrical conductivity, sodium adsorption ratio, 4 land unit tracts in Debel-Khozaii, Amir-Kabir, Karoon and Haft-Tapeh agro-industries were selected. A total of 310 soil samples from both 0-40 and 40-80 cm of soil profiles were collected. In this study, five models were arranged in hierarchy to estimate soil hydraulic properties with ANNs. The performances of the models were evaluated using Spearman's correlation coefficient (r) between the observed and the estimated values, normalized mean square error (NMSE), and mean absolute error (MAE). Owing to the fact that the selection of each of the variable parameters of neural network necessitated recurring trails and errors, and consequently teaching a large number of networks with various topologies, genetic algorithm method was utilized for finding the optimization of these parameters and the efficiency of this method was examined in terms of the optimization of neural network. Results showed that the neural network has a high degree of accuracy in modeling and estimating soil moisture characteristic curve (R =0.943, MAE=0.019, NMSE=0.054). Also, combining artificial neural networks with genetic algorithm for optimizing the conditions of the artificial neural networks implementation was positive and combining approach indicated its superiority over non-optimized implementation of artificial neural networks in all cases (R=0.985, MAE=0.01, NMSE =0.0151). | ||
| کلیدواژه‌ها [English] | ||
| Genetic algorithms, Artificial Neural Networks, Soil moisture characteristic curve | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 328 تعداد دریافت فایل اصل مقاله: 579 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب