این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های آبخیزداری، جلد ۲۹، شماره ۳، صفحات ۱۱۱-۱۱۲
عنوان فارسی برآورد نقطه‌ای منحنی مشخصه‌ی رطوبتی خاک با استفاده از شبکه عصبی مصنوعی و بهینه‌سازی آن با الگوریتم ژنتیک در کشت و صنعت‌های نیشکر خوزستان
چکیده فارسی مقاله 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=).
کلیدواژه‌های فارسی مقاله الگوریتم ژنتیک شبکه‌های عصبی مصنوعی، منحنی مشخصه‌ی رطوبتی خاک،
عنوان انگلیسی Point estimation of soil moisture characteristic curve using artificial neural networks and its optimizing by genetic algorithm in Agro-Industries of Khouzestan
چکیده انگلیسی مقاله 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).
کلیدواژه‌های انگلیسی مقاله Genetic algorithms, Artificial Neural Networks, Soil Moisture Characteristic Curve
نویسندگان مقاله
نشانی اینترنتی http://wmrj.areo.ir/article_112501_99625c5493201b4556209c242d4f5a4f.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