این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی آبیاری و آب ایران، جلد ۱۳، شماره ۴، صفحات ۱۶۵-۱۸۲
عنوان فارسی شبیه‌سازی عملکرد و بهره‌وری آب گیاه خیار (Cucumis sativus L.) با استفاده از شبکه عصبی مصنوعی
چکیده فارسی مقاله به منظور انجام شبیه‌سازی میزان عملکرد و بهره‌وری آب گیاه خیار(Cucumis sativus L.) آزمایشی در قالب طرح بلوک کاملا تصادفی با سه سطح آبیاری 100، 85 و 75 درصد نیازآبی در دو فصل کشت طی سال‌های 1397 و 1398 اجرا و از شبکه‌های عصبی پرسپترون (MLP) و روش ماشین بردار پشتیبان (SVM) استفاده گردید و در نهایت جهت انتخاب مدل مناسب و بهینه از شاخص‌های ضریب تبیین، میانگین مربعات خطا و میانگین مربعات خطای نرمال شده استفاده شد. میزان آب آبیاری،، تعداد برگ روی بوته، دما، میزان تبخیر و میزان رطوبت نسبی به‌عنوان داده‌های ورودی انتخاب شدند و به ترتیب 60، 20 و 20 درصد کل داده‌ها، به ترتیب برای آموزش، اعتبارسنجی و آزمون مدل اختصاص یافت. نتایج نشان داد که شبکه عصبی MLP با ورودی‌های میزان آب آبیاری و تعداد برگ به ترتیب با داشتن ضریب تبیین 92/0 و 86/0 دقت بیشتری در شبیه‌سازی میزان عملکرد میوه و بهره‌وری آب مصرفی در گیاه خیار داشت. نتایج آنالیز حساسیت حاکی از آن بود که پارامتر ورودی آب آبیاری به ترتیب با ضریب حساسیت 9/0 و 86/0 مهمترین پارامتر مؤثر بر مدل بهره‌وری آب مصرفی و عملکرد میوه خیار می‌باشد. 
کلیدواژه‌های فارسی مقاله پرسپترون، ماشین بردار پشتیبان، شبکه عصبی، آنالیز حساسیت، کم‌آبیاری،
عنوان انگلیسی Simulation of Yield and Water Productivity of Cucumber Plant Using Artificial Neural Network
چکیده انگلیسی مقاله AbstractIn order to simulate the yield and water productivity of cucumber plant (Cucumis sativus L.), an experiment was conducted in the form of a completely randomized block design with three irrigation levels of 100, 85 and 75% of the water requirement in two growing seasons during 2017 and 2018 and using perceptron neural networks (MLP) and support vector machine (SVM) methods were used and finally, to select the appropriate and optimal model, the indices of explanatory coefficient, mean squared error and normalized mean squared error were used. The amount of irrigation water, number of leaves on the plant, temperature, evaporation rate and relative humidity were selected as input data and 60%, 20% and 20% of the total data were allocated for training, validation and testing of the model, respectively. The results showed that the MLP neural network with the inputs of irrigation water and number of leaves was more accurate in simulating fruit yield and water productivity in cucumber plants with an explanation coefficient of 0.92 and 0.86, respectively. The results of the sensitivity analysis indicated that the irrigation water input parameters are the most important effective parameters on the water consumption efficiency model and cucumber fruit yield with sensitivity coefficients of 0.9 and 0.86, respectively.
کلیدواژه‌های انگلیسی مقاله پرسپترون, ماشین بردار پشتیبان, شبکه عصبی, آنالیز حساسیت, کم‌آبیاری
نویسندگان مقاله ساناز شکری |
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز ایر ان

عبدالرحیم هوشمند |
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران

منا گلابی |
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران

ناصر عالم زاده انصاری |
گروه باغبانی، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران

دن استرو |
گروه علوم زراعی و باغبانی، دانشگاه اوهایو

نشانی اینترنتی https://www.waterjournal.ir/article_173255_22c7ad2128ba20534724fc2e5025090a.pdf
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