ارزیابی شبکه‌های عصبی و منطق فازی در شبیه‌سازی نفوذ آب در جویچه‌های بازساز‌ی‌شده و غیربازسازی‌شده در مزارع نیشکر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه شهید چمران اهواز

2 2- استاد گروه آبیاری و زهکشی دانشکده مهندسی علوم آب دانشگاه شهید چمران اهواز.

3 شهید چمران اهواز

چکیده

نیشکر از جمله گیاهان پر مصرف از نظر آبیاری است که در استان خوزستان و به روش جویچه‌ای بازسازی شده و غیربازسازی شده آبیاری می‌شود. عمده تلفات در این روش به صورت نفوذ انجام می‌شود لیکن اندازه‌گیری نفوذ در هر مزرعه بسیار زمان‌بر و پرهزینه است. بنابراین ارائه روشی آسان و سریع برای تعیین و مدیریت نفوذ در این مزارع بسیار حائز اهمیت است. بنابراین، در تحقیق حاضر به ارزیابی دو روش شبکه عصبی و منطق فازی در شبیه‌سازی نفوذ آب در 5 کشت و صنعت نیشکر در استان خوزستان پرداخته شد. شبکه عصبی با 12 سناریو (دو تابع فعال LogSig و TanSig با 3، 5 و 7 نرون در لایه پنهان) و روش منطق فازی با 8 سناریو (دو تابع عضویت TriMF و GaussMF با 2 و 3 تابع عضویت برای هر ورودی) مورد مطالعه قرار گرفتند. نتایج نشان داد که روش شبکه عصبی با تابع فعال LogSig به همراه 5 نرون لایه پنهان، خطا ( m3.m-112/0RMSE=)، دقت (037/0NRMSE=) و کارایی (99/0EF= و 99/0d=) مناسبی برای شبیه‌سازی نفوذ در جویچه‌های بازسازی شده داشت. روش شبکه عصبی با تابع فعال TanSig با 5 نرون در لایه پنهان نیز خطا (m3.m-120/0RMSE=)، دقت (11/0NRMSE=) و کارایی (99/0EF= و 99/0d=) لازم برای شبیه‌سازی نفوذ در جویچه‌های غیربازسازی شده داشت. روش منطق فازی برای شبیه‌سازی در جویچه‌های غیربازسازی شده دقت و کارایی پایینی داشت ولی تابع عضویت TriMF-2 خطا ( m3.m-13/1RMSE=)، دقت (052/0NRMSE=) و کارایی (98/0 EF= و 99/0d=) قابل قبول را برای شبیه‌سازی نفوذ در جویچه‌های بازسازی شده داشت. براساس مقایسه نتایج کلیه سناریوها، روش دقت شبکه‌های عصبی نسبت به منطق فازی 82 درصد بهتر بود.

کلیدواژه‌ها


عنوان مقاله [English]

Artificial Neural Network and Fuzzy Logic Evaluation for Helling Up and Non-helling Up Furrows Infiltration Simulation in Sugarcane Farms

نویسندگان [English]

  • Mohsen Ahmadee 1
  • Saied bromand nasab 2
  • Abd Ali Naseri 3
1 Shahid Chamran University of Ahwaz
2 Professor, Water Science Engineering College, Ahwaz shahid Chamran Universuty
3 Professor of irrigation and drainage, Shahid Chamran University of Ahvaz; Faculty of water science
چکیده [English]

Sugarcane (Saccharum.spontaneum L.) is one of the high consumption water plants which is irrigated by both helling up (H) and non-helling up (N) furrow irrigation methods in Khuzestan. The major water losses in furrows are due to infiltration, however, measuring amount of infiltration is time consuming and costly. So, it is important to use a method for determining and management of infiltration in the farms. Regarding that, fuzzy logic (FL) and artificial neural network (ANN) were evaluated for five sugarcane industrial farms in Khuzestan. ANN with 12 scenarios (LogSig and TanSig activation functions with 3, 5 and 7 neurons in hidden layer for both N and H farrows) and FL with 8 scenarios (TriMF and GaussMF with 2 and 3 membership functions for both N and H farrows) were studied. Results showed that ANN with LogSig-5 activation function had the best error (RMSE=0.12 m3.m-1), accuracy (NRMSE=0.037) and efficiency (d=0.99 and EF=0.99) for simulation of infiltration in H furrows. ANN with TanSig-5 had the best error (RMSE=0.20 m3.m-1), accuracy (NRMSE=0.11) and efficiency (d=0.99 and EF=0.99) for simulation of infiltration in N furrows. FL had weak accuracy and efficiency for simulation of infiltration in N furrows, however, TriMF-2 had acceptable error (RMSE=1.3 m3.m-1), accuracy (NRMSE=0.052) and efficiency (d=0.99 and EF=0.98) for simulation of infiltration in H furrows. According to comparison of all scenarios, ANN accuracy was about 82% more than FL.

کلیدواژه‌ها [English]

  • : Furrow Irrigation
  • LogSig Activation Function
  • model efficiency
  • TriMF
  • Volume Balance Method
احمدپور، س. ر.، ح. علیزاده و ن. مجنون حسینی. 1389. تلفیق عملیات بازسازی شده و کولتیواسیون با سمپاشی نواری در کنترل علف‌های هرز مزارع نیشکر. علوم گیاهان زراعی ایران، 41(4): 729-719.
احمدی، م.، س. برومند نسب و ع. ناصری. 1397. تحلیل حساسیت میزان نفوذپذیری در آبیاری جویچه ای به پارامترهای طراحی به منظور مدیریت تقاضای آب در مزارع نیشکر. همایش ملی آموزش سبز، حفظ محیط زیست و ارتقای سرمایه های اجتماعی، اصفهان، مدیریت آموزش و پرورش ناحیه سه اصفهان با همکاری اداره کل آموزش و پرورش استان اصفهان.
تقی‌زاده، ز.، و. رضاوردی‌نژاد، ح. ابراهیمیان و ن. خان‌محمدی. 1391. ارزیابی مزرعه‌ای و تحلیل سیستم آبیاری سطحی با WinSRFR (مطالعه موردی آبیاری جویچه‌ای). نشریه آب و خاک (علوم و صنایع کشاورزی)، 26(6): 1459-1450.
توکلی، ع.، ح. بابازاده، ف. عباسی و ح. صدقی، 1394. توسعه رابطه‌ی برآورد نفوذ آب در خاک با استفاده از مقیاس‌سازی در آبیاری جویچه‌ای، مجله تحقیقات مهندسی کشاورزی، 16(2): 12-1.
جنوبی، ر.، و. رضاوردی‌نژاد و ف. عباسی. 1395. ارائه مدل بهینه‌سازی برآورد پارامترهای نفوذ و ضریب زبری آبیاری با استفاده از داده‌های پیشروی و رواناب. مدیریت آب و آبیاری، 6(1): 45-29.
رضاوردی‌نژاد، و.، ح. احمدی، م. همتی و ح. ابراهیمیان. 1395. ارزیابی و مقایسه روش‌های مختلف تخمین پارامترهای نفوذ در سیستم‌های مختلف آبیاری جویچه‌ای و رژیم‌های مختلف جریان ورودی. علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، 20(76): 176-161.
زنگنه ‌یوسف‌آبادی، ا.، ع. هوشمند، ع. ناصری، س. برومند نسب و م. پرویزی. 1398. تأثیر مدیریت‌های مختلف آبیاری قطره‌ای زیرسطحی بر بهره‌وری آب آبیاری، عملکرد و اجزای عملکرد نیشکر رقم CP69-1062. علوم و مهندسی آبیاری. آماده انتشار.
کریمی، ب. و پ. محمدی. 1398. شبیه‌سازی الگوی توزیع نیترات در سیستم آبیاری قطره‌ای با استفاده از شبکه عصبی مصنوعی. آب و آبیاری کرمان. 10(1): 194-180.
محمدرضاپور، ا. 1396. پیش‌بینی تبخیر-تعرق پتانسیل ماهانه با استفاده از مدل‌های ماشین بردار پشتیبان، برنامه‌ریزی ژنتیک و سیستم استنتاج عصبی-فازی. آب و آبیاری کرمان. 7(3): 150-135.
مهرابی گوهری، ا.، ف. سرمدیان و ر. تقی‌زاده مهرجردی. 1391. برآورد رطوبت خاک در ظرفیت مزرعه و نقطه پژمردگی با استفاده از شبکه عصبی-مصنوعی و رگرسیون چندمتغیره. آب و آبیاری کرمان، 3(2-پیاپی10): 52-42.
Bautista, E., and W. R. Walker. 2010. Advances in estimation of parameters for surface irrigation modeling and management. An ASABE Conference Presentation. Paper Number: IRR10-9643. Phoenix, Arizona. December 5 -8.
Krishnan, R. S., E. G. Julie, Y. H. Robinson, S. Raja, R. Kumar, P. H. Thong and L. H. Song. 2020. Fuzzy logic based smart irrigation system using internet of things. Journal of Cleaner Production. 252.
Mattar, M. A., A. Alazba and T. K. Zin El-Abedin. 2015. Forecasting furrow irrigation infiltration using artificial neural network. Agricultural Water Management. 48: 63-71.
Oyonarte, N. A., L. Mateos and M. J. Palomo. 2002. Infiltration variability in furrow irrigation. Irrigation and Drainage Engineering. 128(1): 26-33.
Seyedzadeh, A., S. Maroufpoor, E. Maroufpoor, J. Shiri, O. Bozorg-Haddad and F. Gavazi. 2020. Artificial intelligence approach to estimate discharge of drip tape irrigation based on temperature and pressure. Agricultural Water Management. 228.
Smith, R. J., S. R. Raine and J. Minkevich. 2005. Irrigation application efficiency and deep drainage potential under surface irrigated cotton. Agricultural Water Management. 71(2): 117-130.
Strelkoff, T.S. and N. D. Katopodes. 1977. Border-irrigation hydraulics with zero-inertia. Irrigation and Drainage Division, 103(3): 325-342.
Walker, W. R. and G. V. Skogerboe. 1987. Surface irrigation: theory and practice. Prentice-Hall, Inc, Englewood Cliffs, NJ.
Welker, CAD., M. R. McKain, M. S. Vorontsova, M. C. Peichoto and E. A. Kellogg. 2019. Plastome phylogenomics of sugarcane and relatives confirms the segregation of the genus Tripidium (Poaceae: Andropogoneae). Taxon, 68(2): 246-267