توسعه مدل شبکه عصبی برآورد تبخیر-تعرق واقعی گیاه در یک سامانه کشت هیدروپونیک

نوع مقاله: مقاله پژوهشی

نویسندگان

گروه آب و خاک، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، ایران

چکیده

توسعه سامانه‌های آبیاری هوشمند با هدف تأمین به‌هنگام و به میزان مورد نیاز آب گیاه یک راهبرد مهم برای افزایش کمیت و کیفیت محصولات کشاورزی با حداقل مصرف آب می‌باشد. از طرفی تعیین میزان آب مورد نیاز گیاه تا حد زیادی به برآورد دقیق تبخیر-تعرق در پوشش گیاهی وابسته است. در این تحقیق از مدل شبکه عصبی برای برآورد تبخیر-تعرق در یک سیستم کشت دوار هیدروپونیک کاهو در فضای بسته استفاده شد. مدت زمان کشت 30 روز و بازه های زمانی داده برداری 10 دقیقه بود. تبخیر-تعرق واقعی گیاه کاهو در سیستم کشت هیدروپونیک مذکور در راستای طراحی سامانه آبیاری به کمک مدل منطق فازی برآورد گردید و با توجه به نتایج مطلوب حاصل از ارزیابی محصول کاشته شده و آب مصرفی، کارایی آن به اثبات رسید. لذا از آن به عنوان معیاری برای اعتبارسنجی مدل شبکه عصبی این پژوهش استفاده شد. تعداد داده برای مدل شبکه عصبی حدود 4500 بوده که به طور تصادفی به سه قسمت، 70درصد( آموزش)، 15درصد( ارزیابی) و 15درصد (آزمون) تقسیم گردید. به منظور یافتن مناسب ترین معماری شبکه عصبی، ساختارهای مختلفی ارزیابی شد. بهترین نتیجه در الگوریتم BR با سه لایه پنهان و توپولوژی 10-10-8 و نیز تابع انتقال tansig در تمامی لایه ها، به دست آمد. برای این ساختار، خطا مطلق و ضریب تعیین به ترتیب0.43 و 99.98 درصد تعیین گردید. همچنین در شبکه یک لایه با توجه به سادگی، الگوریتم BR با یک لایه پنهان با تعداد 8 نرون و تابع انتقال logsig در لایه پنهان و تابع tansig در لایه خروجی به عنوان بهترین مدل انتخاب شد. خطا مطلق و ضریب تعیین این ترکیب به ترتیب 0.79 98.84 درصد به دست آمد. با توجه آنالیز حساسیت،رطوبت و دما به ترتیب به عنوان مهمترین پارامترهای مؤثر در پیش بینی تبخیر-تعرق حاصل شدند.

کلیدواژه‌ها


عنوان مقاله [English]

Development of an ANN model for the prediction of plant actual evapotranspiration under a hydroponic growing system

نویسندگان [English]

  • Mohamad Hadi Movahednejad
  • Seyed Iman Saedi
Agriculture faculty, shahrood university of technology, shahrood, iran
چکیده [English]

The development of intelligent irrigation systems with the aim of providing the plant with water in a timely and adequate manner is an important strategy to increase the quantity and quality of agricultural products with minimal water consumption. On the other hand, determining the amount of water required by the plant largely depends on an accurate estimate of evapotranspiration in vegetation. In this study, neural network model was used to estimate the evapotranspiration in a lettuce hydroponic rotary culture system. The actual evapotranspiration of lettuce in the hydroponic cultivation system was estimated in order to design the irrigation system with the help of fuzzy logic model. Cultivation time was 30 days and data sampling time from temperature and humidity sensor was 10 minutes. According to the desired results obtained from the evaluation of the planted crop and water consumption, the efficiency of fuzzy model was proved. Therefore, it was used as a criterion for validating the neural network model of this study. The data volume for the neural network model was about 4500, which was randomly divided into three parts, 70% (training), 15% (evaluation) and 15% (test). Different ANN structures were evaluated to find the most suitable neural network architecture. The best result was achieved with BR algorithm with three hidden layers in an 8-10-10 topology and tansig transfer function in three hidden layers and output layer. For this architecture, the absolute error and coefficient of determination were 0.43 and 99.98%, respectively. Furthermore, considering a simple single layer network (one hidden layer), the BR algorithm with 8 neurons and logsig and tansig transfer functions for the hidden and output layers, were selected as the best model. The error and coefficient of determination of this structure were 0.79 and 98.84%, respectively. According to the sensitivity analysis, humidity and temperature were the most important parameters in predicting evapotranspiration, respectively.

کلیدواژه‌ها [English]

  • evapotranspiration
  • Neural Network
  • lettuce
  • Hydroponic culture
  • Fuzzy logic