ارزیابی دقت شبکه عصبی مصنوعی در پیش بینی تبخیر- تعرق گیاه سیر بر اساس داده های لایسیمتری در منطقه همدان

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانشگاه بوعلی سینا، همدان

2 دانشگاه بوعلی سینا همدان

چکیده

چکیده
تبخیر تعرق به عنوان یکی از مولفه های اصلی در کشاورزی، نقش قابل توجهی در مدیریت منابع آب دارا می باشد. بنابراین استفاده از یک روش دقیق یکی از مراحل اساسی در توسعه کشاورزی، بویژه در مناطق خشک و نیمه خشک می باشد. در این تحقیق به منظور تعیین دقیق تبخیر- تعرق گیاه سیر، با استفاده از اندازه گیری لایسیمتری و شبکه عصبی مصنوعی (ANN)، یک مدل مناسب بدین منظور ارائه شد. بدین منظور از داده های هواشناسی دماهای حداکثر و حداقل هوا، مقادیر رطوبت نسبی حداکثر و حداقل، سرعت باد و ساعات آفتابی روزانه در نرون های لایه ورودی استفاده گردید. اندازه گیری تبخیر-تعرق گیاه سیر به کمک چهار دستگاه لایسیمتر زهکش دار به ابعاد 2×2×2 متر مستقر در ایستگاه کلیماتولوژی دانشکده کشاورزی طی سال های 1385، 1386 و 1387 انجام شد. آماره های مجذور میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE)، انحراف معیار میانگین قدر مطلق خطا (STDMAE) و ضریب تعیین (R2)، به منظور ارزیابی روش های بکار برده شده استفاده گردید. نتایج مبین عملکرد مناسب شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا در پیش بینی تبخیر- تعرق گیاه سیر بود. نتایج نشان داد که مقادیر RMSE، MAE، STDMAE و R2 برای آرایش 1-6-6 بر پایه قانون آموزش لونبرگ مارکوات و تابع محرک سیگموئید به ترتیب 088/0 میلیمتر بر روز، 07/0 میلیمتر بر روز، 061/0 میلیمتر بر روز و 88/0 به دست آمد. نتایج نشان داد میانگین روزانه نیاز آبی گیاه سیر معادل 3/8 میلی متر از لایسیمتر و 5/6 میلی متر از شبکه عصبی به دست آمد. بطورکلی، مقایسه عملکرد شبکه ANN با مقادیر لایسیمتری نشان داد که دقت شبکه عصبی مصنوعی در حد قابل قبولی بوده است. همچنین مشخص گردید که مدل مطلوب شبکه عصبی مصنوعی در حالت تغییرات افزایشی نسبت به دمای حداکثر هوا، دارای بیشترین حساسیت و نسبت به پارامتر حداقل رطوبت نسبی، کمترین حساسیت را دارد.

واژه های کلیدی: شبکه های عصبی مصنوعی، تبخیر- تعرق، لایسیمتر، سیر، همدان

عنوان مقاله [English]

Assessment of Artificial Neural Network (ANN) in prediction of garlic evapotranspiration (ETC) with lysimeter in Hamedan

نویسندگان [English]

  • H. Zreabyaneh 1
  • A. Ghasemi 1
  • M. Bayat 1
  • S. Marofi 2
1 Department of irrigation and drainage, Faculty of Agriculfvre, Bu Ali Sina University
2 Department of irrigation and drainage, Faculty of Agriculfvre, Bu Ali Sina University
چکیده [English]

Abstract
Evapotranspiration as one of the important elements in agriculture has a considerable role in water resource management. Therefore, using a more exact estimation method is an essential step of agricultural development, especially in arid semi-arid area. In this research, in order to exact estimate of garlic evapotranspiration using lysimeteric data, an artificial neural network (ANN) model was developed. Maximum and minimum air temperatures, maximum and minimum relative humidity values, wind speed and sunshine hours were used as the input layer data. The crop evapotranspiration was measured using 4 lysimetres of 2×2×2m of the Bu-Ali Sina agriculture collage’s meteorology station during 2006-2008. Statistic indicators RMSE, MAE, STDMAE R2 were used for performance evaluation of the models. The results showed the more exact method concerned to the multilayer perceptron (MLP) model with the back propagation algorithm. The 6-6-1 layout with Levenberg-Marquat rule and sigmoid function had the best topology of the model. The evaluation criteria were 0.088, 0.07 and 0.061 mm/day as well as 0.88, respectively. The results also showed that the average daily garlic evapotranspiration were 8.3 and 6.5 mm based on the lysimeter ANN methods, respectively. Overall, evaluation of ANN results showed that the errors of ANN were negligible. The ANN showed high and low sensitivity to maximum air temperature and minimum relative humidity, respectively.

Key words: Artificial Neural Networks, Evapotranspiration, Lysimeter, Garlic, Hamedan

CAPTCHA Image