شبیه‌سازی عملکرد و بهره‌وری آب گیاه خیار (Cucumis sativus L.) با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز ایر ان

2 گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران

3 گروه باغبانی، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران

4 گروه علوم زراعی و باغبانی، دانشگاه اوهایو

10.22125/iwe.2023.173255

چکیده

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.
 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Simulation of Yield and Water Productivity of Cucumber Plant Using Artificial Neural Network

نویسندگان [English]

  • sanaz shokri 1
  • Abdolrahim Hooshmand 2
  • Mona Golabi 2
  • Naser Alemzadeansari 3
  • dan struve 4
1 Department of Irrigation and Drainage, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
2 , Department of Irrigation and Drainage, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
3 Department of Horticulture, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran
4 Department of Horticulture and Crop Science, Ohio State University, USA
چکیده [English]

Abstract
In 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.
 
 

کلیدواژه‌ها [English]

  • Perceptron
  • Support Vector Machine
  • Neural Network
  • Sensitivity Analysis
  • Dehydration

مراجع

آمارنامه کشاورزی.، 1394. چاپ دوم، انتشارات تهران. وزرات جهاد کشاورزی، معاونت برنامه‌ریزی و اقتصادی، مرکز فناوری اطلاعات و ارتباطات.
باقری، س.، ش، ایوبی.، م، قیصری. و ن، لوایی. 1391. پیش بینی عملکرد ذرت علوفه‌ای با استفاده از شبکه‌های عصبی مصنوعی. مجله پژوهش‌های تولید گیاهی، جلد نوزدهم، شماره چهارم. ص77-96.
سروش, م.،  م، عاشوری. و ا، امیری. 1393. 'تأثیر محلول‌پاشی روی و نیتروژن بر عملکرد و اجزای عملکرد سویا', مجله علمی- پژوهشی اکوفیزیولوژی گیاهی, 6(19), ص18-29.
صبوری فرد، ح. و قاسم نژاد، ع. 1392. پیشبینی عملکرد بیومس و اسانس و برخی از شاخصهای رشدی گیاه مرزهhortensis Satureia  با استفاده از خصوصیات فیزیکی و شیمیایی خاک و شبکه عصبی مصنوعی. پایان نامه دانشکده تولیدات گیاهی، دانشگاه کشاورزی و منابع طبیعی گرگان.
علایی، ا.، ح، بانژاد. م، ت، صمدی. ع، ر، رحمانی. و م، ح، ساقی. 1389. ارزیابی کارایی شبکه عصبی مصنوعی در پیش‌بینی شاخص‌های کیفی (BOD و DO) آب رودخانۀ دره مراد بیک همدان. مجله دانش آب و خاک. جلد1/20 شماره 3.
فرج زاده ذوالبین، ط.، م، عابدینی. و ن، صبور مقدم. 1399. بررسی تأثیرکاربرد سالیسیلیک اسید در تخفیف تنش شوری گیاه گندم با استفاده از شبکه عصبی مصنوعی. پایان نامه کارشناسی ارشد رشته زیست شناسی گیاهی. دانشگاه پیام نور تبریز.
مختاری، م، ح. و ا، نجفی. 1394. مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهوارهای لندستTM. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک. 19(72): 35-44.
وردی‌نژاد، و، ر.، م، شبانیان اصل. و  س، بشارت 1395. مدلسازی تبخیرتعرق با استفاده از رگرسیون خطی، غیرخطی و شبکه عصبی مصنوعی در گلخانه (مطالعه موردی گیاه مرجع، خیار و گوجه فرنگی). نشریه آب و خاک (علوم و صنایع کشاورزی). (5)30: 1334-1346.
 
 
 
 
Akbar, A., A. Kuanar, J. Patnaik, A. Mishra, and S. Nayak. 2018. Application of Artificial Neural Network modeling for optimization and prediction of essential oil yield in turmeric (Curcuma longa L.). Computers and Electronics in Agriculture. 148 (2018) 160–178.
Bagheri, S., M. Gheysari, S. Ayoubi, and N. Lavaee. 2012. Silage maize yield prediction using artificial neural networks. J. Pla. Prod. (J. Agric. Sci. Nat. Res.)., 19(4): 77-95.
Ekwu, L.G., G.N. Nwokwu, and E.B. Utobo. 2010. Effect of mulching material and pruning on growth and yield of cucumber. International Journal of Agriculture and Rural Development, 15(2): 1014-1021.
Kaul, M., R. L. Hill, & C. Walthall. 2005 Artificial neural networks for corn and soybean yield prediction. Agricultural Systems 85, 1-18.
Kucukonderi, H., S. Boyaci,and Adil. Akyuz. 2016. A modeling study with an artificial neural network: developing estimation models for the tomato plant leaf area. Turkish Journal of Agriculture and Forestry. (2016) 40: 203-212.
Najah, A., A. El-Shafie, O. A. Karim, O. Jaafar, and H. Amr. 2011. An application of different artificial intelligences techniques for water quality prediction. International Journal of the Physical Sciences Vol. 6(22):5298-5308.
Pelesco, V. A. and F.B. Alagao. 2014. Evapotranspiration Rate of Lettuce (Lactuca sativa L., Asteraceae) in a Non-Circulating Hydroponics System. Journal of Society & Technology 4:1-6.
Quinton, J. 1994. The validation of physically based erosion models. PhD. Thesis, Silsoe College, Cranfield University.
Resh, H.M. 2005. Hydroponic Food Prodution. Woodbring Press, Santa Barrs, CA 288.
Sadras, V.O., and Calviño, P.A. 2001. Quantification of grain yield response to soil depth in soybean, maize, sunflower, and wheat. Agron J. 93: 577–583.
Xin, P.P., J. Hu, H.H. Zhang, J. Zhao, L.N. Wang. and H.P. Guo. 2017. An improved photosynthesis prediction model based on artificial neural networks intended for cucumber growth control. ASABE, Spokane, Washington July 16 - July 19, 2017. doi:10.13031/aim.201700251.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار