این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آب و خاک، جلد ۳۰، شماره ۵، صفحات ۱۳۳۴-۰
عنوان فارسی مدل سازی تبخیرتعرق با استفاده از رگرسیون خطی، غیرخطی و شبکه عصبی مصنوعی در گلخانه (مطالعه موردی گیاه مرجع، خیار و گوجه‌فرنگی)
چکیده فارسی مقاله در این مطالعه تبخیرتعرق روزانه گیاه مرجع، گوجه‌فرنگی و خیار گلخانه‌ای به روش لایسیمتری در منطقه ارومیه اندازه‌گیری شد. برای مدل-سازی تبخیرتعرق در گلخانه، انواع مدل‌های رگرسیون‌های خطی، غیرخطی و شبکه‌های عصبی مصنوعی در نظر گرفته شد. برای این منظور پارامترهای اقلیمی مؤثر بر فرایند تبخیرتعرق شامل دما (T)، رطوبت نسبی (RH)، فشار هوا (P)، کمبود فشار بخار اشباع (VPD)، تشعشع داخل گلخانه (SR)، تعداد روز پس از کشت (N) اندازه‌گیری و در نظر گرفته شدند. براساس نتایج، تابع نمایی سه متغیره از VPD، RH و SR با RMSE برابر 378/0 میلیمتر بر روز، دقیق‌ترین مدل رگرسیون در تخمین تبخیرتعرق مرجع به دست آمد. RMSE مدل بهینه شبکه عصبی مصنوعی در تخمین تبخیرتعرق مرجع برای داده‌های آزمایش و آزمون به ترتیب 089/0 و 364/0 میلیمتر بر روز به دست آمد. در تخمین تبخیرتعرق خیار، عملکرد مدل‌های لگاریتمی و نمایی به ویژه در تعداد متغیر مستقل زیاد، مناسب بود و دقیق‌ترین مدل رگرسیون مربوط به تابع نمایی با پنج متغیر N، VPD، T، RH و SR با RMSE برابر با 353/0 میلیمتر بر روز به دست آمد. همچنین در تخمین تبخیرتعرق گوجه‌فرنگی، دقیق‌ترین عملکرد مدلهای رگرسیون برای تابع نمایی چهار متغیره از N، VPD، RH و SR با RMSE برابر 329/0 میلی‌متر بر روز به دست آمد. بهترین عملکرد شبکه عصبی مصنوعی برای تخمین تبخیرتعرق هر دو محصول خیار و گوجه‌فرنگی، با پنج پارامتر ورودی VPD، T، N، RH و SR به دست آمد. مقادیر RMSE داده‌های آزمون تبخیرتعرق خیار و گوجه‌فرنگی به ترتیب 24/0 و 26/0 میلی‌متر بر روز به دست آمد که نشان دهنده‌ی عملکرد دقیق‌تر شبکه‌های عصبی در مقایسه با رگرسیون‌ خطی و غیرخطی می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Evapotranspiration Modeling by Linear, Nonlinear Regression and Artificial Neural Network in Greenhouse (Case study Reference Crop, Cucumber and Tomato)
چکیده انگلیسی مقاله Introduction: Greenhouse cultivation is a steadily developing agricultural sector throughout the world. In addition, it is known that water is a major issue almost all part of the world especially for countries which have insufficient water source. With this great expansion of greenhouse cultivation, the need of appropriate irrigation management has a great importance. Accurate determination of irrigation scheduling (irrigation timing and frequency) is one of the main factors in achieving high yields and avoiding loss of quality in greenhouse tomato and cucumber. To do this, it is fundamental to know the crop water requirements or real evapotranspiration. Accurate estimation on crop water requirement is needed to avoid the excess or deficit water application, with consequent impacts on nutrient availability for plants. This can be done by using appropriate method to determine the crop evapotranspiration (ETc). In greenhouse cultivation, crop transpiration is the most important energy dissipation mechanisms that influence ETc rate. There are a large number of literatures on methods to estimate ETc in greenhouses. ETc can be measured or estimated by direct or indirect methods. The most common direct method estimates ETc from measurements with weighing lysimeters. Thisalsoincludes the evaporation measuring equipment, class A pan, Piche atmometer and modified atmometer. Indirect method includes the measurement of net radiation, temperature, relative humidity, and air vapour pressure deficit. A large number of models have been developed from these measurements to estimate ETc. Due to the fast development of under greenhouse cultivation all around the world, the needs of information on how it affects ETc in greenhouses has to be known and summarized. The existing models for ETc calculation have to be studied to know whether it is reliable for greenhouse climate (hereafter, microclimate) or not. Regression and artificial neural network models are two important models to estimate ETc in greenhouse. The inputs of these models are net radiation, temperature, day after planting and air vapour pressure deficit (or relative humidity). Materials and Methods: In this study, daily ETc of reference crop, greenhouse tomato and cucumber crops were measured using lysimeter method in Urmia region. Several linear, nonlinear regressions and artificial neural networks were considered for ETc modelling in greenhouse. For this purpose, the effective meteorological parameters on ETc process includes: air temperature (T), air humidity (RH), air pressure (P), air vapour pressure deficit (VPD), day after planting (N) and greenhouse net radiation (SR) were considered and measured. According to the goodness of fit, different models of artificial neural networks and regression were compared and evaluated. Furthermore, based on partial derivatives of regression models, sensitivity analysis was conducted. The accuracy and performance of the employed models was judged by ten statistical indices namely root mean square error (RMSE), normalized root mean square error (NRMSE) and coefficient of determination (R2). Results and Discussion: Based on the results, the most accurate regression model to reference ETc prediction was obtained three variables exponential function of VPD, RH and SR with RMSE=0.378 mm day-1. The RMSE of optimal artificial neural network to reference ET prediction for train and test data sets were obtained 0.089 and 0.365 mm day-1, respectively. The performance of logarithmic and exponential functions to prediction of cucumber ETc were proper, with high dependent variables especially, and the most accurate regression model to cucumber ET prediction was obtained for exponential function of five variables: VPD, N, T, RH and SR with RMSE=0.353 mm day-1. In addition, for tomato ET prediction, the most accurate regression model was obtained for exponential function of four variables: VPD, N, RH and SR with RMSE= 0.329 mm day-1. The best performance of artificial neural network for ET prediction of cucumber and tomato were obtained with five inputs include: VPD, N, T, RH and SR. The RMSE values of test data sets for cucumber and tomato ET were obtained 0.24 and 0.26 mm day-1. Moreover, the sensitivity analysis results showed that VPD is the most sensitive parameter on ETc. Conclusion: The greenhouse industry has expanded across many parts of the word and the need of information on a reliable ETc method especially by indirect method is crucial. In this research, the artificial neural network models indicated good performance compared with linear and nonlinear regressions. The evaluated method could be used for scheduling irrigation of greenhouse tomato and cucumber.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله وحید رضاوردی نژاد |


مریم شبانیان اصل |


سینا بشارت |


نشانی اینترنتی http://jsw.um.ac.ir/index.php/jsw/article/view/31432
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده علمی - پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات