این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دانش آب و خاک، جلد ۲۴، شماره ۴، صفحات ۲۳۷-۲۴۶
عنوان فارسی مقایسه رگرسیون خطی و شبکه‌های عصبی در برآورد ابعاد پیاز رطوبتی در اراضی شیب‌دار
چکیده فارسی مقاله به منظور مقایسه رگرسیون خطی و شبکه­های عصبی مصنوعی در برآورد ابعاد پیاز رطوبتی در سامانه آبیاری قطره­ای در اراضی شیب­دار، آزمایشاتی با قطره­چکان­ دارای دبی ثابت 4 لیتر در ساعت در مدت زمان­های آبیاری 4، 6، 8، 10 و 12 ساعت در اراضی با شیب‌های صفر، 5، 15 و 25 درصد با بافت خاک لوم­سیلتی در منطقه فتحعلی دشت مغان در چهار تکرار انجام گرفت. نتایج مقایسه ای تخمین عمق پیاز رطوبتی با آماره­هایR2 و EF و RMSE در روش شبکه عصبی مصنوعی پرسپترون چند لایه به ترتیب برابر 98/0 و 98/0 و 07/1 سانتی متر و در روش رگرسیون خطی چندگانه به ترتیب 93/0 و 93/0 و 1/2 سانتی متر به دست آمد. هم­چنین نتایج مقایسه این دو روش از نظر تخمین نیمرخ خاک خیس شده بر اساس آماره­هایR2 و EF و RMSE که به ترتیب برابر 99/0، 99/0 و 16/22 سانتی متر مربع، و هم­چنین 93/0، 93/0 و 77/74 سانتی­متر مربع به دست آمد، نشان داد روش شبکه عصبی مصنوعی پرسپترون چند لایه نسبت به روش رگرسیون خطی چندگانه مناسب­تر بود. اما نتایج مقایسه روش شبکه عصبی مصنوعی پرسپترون چند لایه و روش رگرسیون خطی چندگانه از نظر تخمین مساحت خیس شده سطح خاک بر اساس آماره­هایR2، EF و RMSE که بترتیب برابر 90/0، 90/0 و 44/126 سانتی­متر مربع، هم­چنین 99/0، 99/0 و 22/18 سانتی­متر مربع به دست آمد نشان داد که از این نظر روش رگرسیون خطی چندگانه نسبت به روش شبکه عصبی مصنوعی پرسپترون چند لایه مناسب­تر بود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Comparison of Linear Regression and Neural Networks to Estimate the Wetting Dimensions on Sloping Lands
چکیده انگلیسی مقاله The aim of this study was to compare the linear regression and neural networks methods in estimation of the wetting dimensions in the drip irrigation systems on sloping lands. Experiments were performed with a constant flow rate of 4 L.hr-1 with five irrigation duration times of 4, 6, 8, 10 and 12 hours on the lands with sloping of 0, 5, 15 and 25 percent on a silty loam soil in Moghan Fathali plain region at four replications . The Results of the estimation of the wetting front depth by means of statistical indices of R2, EF and RMSE, using multi-layer perceptron neural networks were 0.98 and 0.98 and 1.07 cm, respectively and using multiple linear regression method were 0.93 and 0.93 and 2.1 cm, respectively. The comparison results of these mentioned methods for estimating area of wetted soil profile using statistical indices of R2, EF and RMSE, were 0.99, 0.99 and 22.16 cm2, also 0.93, 0.93 and 74.77 cm2, respectively. So, the multi-layer perceptron neural network was more suitable for the estimation depth of the wetting front and area of wetted soil profile than the multiple linear regression method. However, Results of comparison between multi-layer perceptron neural networks and multiple linear regression methods for the estimation of the wetted soil surface area using statistical indices of R2, EF and RMSE, were 0.99, 0.99 and 18.22 cm2, also 0.90, 0.90 and 126.44 cm2 respectively, showed that the multiple linear regression was more appropriate than the multi-layer perceptron neural networks.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی تمجید |
1- دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشگاه گیلان
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

محمد حسن بیگلویی | mohammad hassan
استادیار آبیاری و زهکشی گروه مهندسی آب دانشگاه گیلان
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

محمدرضا خالدیان | mohammad reza
استادیار آبیاری و زهکشی گروه مهندسی آب دانشگاه گیلان
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

علیرضا مریدنژاد |
کارشناس ارشد مهندسی آبیاری و زهکشی، مدیر عامل شرکت مهندسین مشاور سامان آبراه

عادل محمدی |
کارشناس ارشد مهندسی آبیاری و زهکشی، اداره جهاد کشاورزی شهرستان پارس آباد

نشانی اینترنتی http://water-soil.tabrizu.ac.ir/article_3166_245.html
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات