ارزیابی روش سیستم استنتاج فازی (Fuzzy Inference Systems) در تخمین عملکرد روزانه ذرت نشایی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد.

2 استاد گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

3 استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

4 استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه جیرفت، کرمان، ایران

چکیده

این پژوهش با هدف بررسی امکان استفاده از کارآمدی سیستم‌های استنتاج فازی، در ایجاد نگاشت بین پارامتر‌های هواشناسی و گیاهی و عملکرد گیاه ذرت نشایی انجام شد. برای انجام کار، از داده های تحقیق با عنوان بررسی و مقایسه آب مصرفی و کارایی مصرف آب در کشت نشایی و کشت مستقیم ذرت فوق شیرین در رژیم‌های مختلف آبیاری و شبیه‌سازی آن برای شرایط متفاوت اقلیمی خراسان رضوی که به صورت کرت‌های خرد شده درقالب طرح بلوک‌های کامل تصادفی با چهار تکرار در اراضی زراعی ایستگاه تحقیقاتی طرق استان خراسان رضوی در سال زراعی 94-93 استفاده شد. تیمارها شامل کرت اصلی سه سطح تأمین آب معادل 75، 100 و 125 درصد نیاز آبی گیاه و کرت‌های فرعی شامل دو روش کشت نشا 20 و 30 روزه و کشت مستقیم بود. داده های ورودی و خروجی مربوط به این تیمارها در مدل اکوکراپ استفاده شد. پس از بررسی مدل‌‌های موجود و ترکیب‌‌های مختلف داده‌‌های روزانه اجزا عملکرد و متغیر‌های مرتبط، 7 مدل فازی برای برآورد عملکرد روزانه گیاه ارائه شد. در این مدل‌ها عملکرد روزانه محاسبه شده از مدل اکوکراپ به عنوان خروجی مدل در نظر گرفته شد و کارایی مدل‌ها با استفاده از آماره‌‌های ریشه میانگین مربع خطا، خطای انحراف میانگین، ضریب تعیین و معیارهای جاکوویدز و صباغ و همکاران مورد ارزیابی قرار گرفت. نتایج مدلهای فازی ارائه شده نشان دادند که، سیستم‌های فازی قادر به برآورد عملکرد روزانه با دقت قابل قبولی هستند. بطوری که مدل فازی با 9 متغیر ورودی بالاترین همبستگی (0/98)را داشته و با در نظر گرفتن سایر پارامتر‌های ارزیابی، مدل با 3 پارامتر درصد پوشش گیاهی، شاخص برداشت و میانگین دمای هوای روزانه تطابق بسیار خوبی با مدل اکوکراپ در مرحله آموزش داشت. در مرحله آزمون نیز، مدل فازی با3 پارامتر درصد پوشش گیاهی، شاخص برداشت و میانگین دمای هوای روزانه بهترین تطابق را بدست داد.

کلیدواژه‌ها

عنوان مقاله [English]

Estimation of Daily Yield of Corn Using Fuzzy Inference Systems

نویسندگان [English]

  • Houryeh Moradi 1
  • Hossein Ansari 2
  • Amin Alizadeh 3
  • Mohammad Naderianfar 4
1 PhD Student of Irrigation & Drainage Eng. Dept. of Irrigation. Ferdowsi University of Mashhad
2 Professor of Water Engineering Department, Ferdowsi University of Mashhad
3 Professor, Department of Water Engineering, Ferdowsi University of Mashhad., Mashhad., Iran
4 Assistant professor, Department of Water Engineering, University of Jiroft, Kerman, Iran
چکیده [English]

In this study the possibility of using fuzzy inference system efficiency, creating a bridge between meteorological, plant parameters, and Daily Yield, and comparing the accuracy of Daily Yield using these systems were investigated. After analyzing the different models and different combinations of daily meteorological data, seven models for estimating daily Yield were presented. For these models, the calculated Yield from AQUACROP model was considered as a base and the efficiency of other models was evluated using statistical methods such as root mean squared error, error of the mean deviation, coefficient of determination, Jacovides (t) and Sabbagh et al. (R2/t) criteria. an experiment was carried out during the 2014-2015 growing season in the Agricultural Research and Education Center of Khorasane Razavi province using a randomized complete block design with a split plot arrangement and four replications. This experiment was including of three irrigation levels treatments as the main plot and three method of planting treatments (transplanting 20-days, transplanting 30-days and direct seeded) as subplots. From the available data,75 percent was used for training the model and the rest of 25 percent was utilized for the testing purposes. The results derived from the fuzzy models with different input parameters as compared with AQUACROP model showed that fuzzy systems were very well able to estimate the daily Yield.Fuzzy model so that the highest correlation with the 9 input variables (r=0.98) had in mind and evaluate other parameters, the model with2 parameters, match very well with the AQUACROP model had stage training. In the test phase,training phase was very similar results and the model with the second phase of harvest index and canopy cover will get the best match. According to the results of this study it can be concluded that fuzzy model approach is an appropriate method to estimate the daily yield .

کلیدواژه‌ها [English]

  • AQUACROP Model
  • Corn
  • Daily Yield
  • Fuzzy Inference Systems

مراجع

انصاری ح.، داوری ک. و ثنایی نژاد ح. 1389. پایش خشک‌سالی با استفاده از شاخص جدید بارندگی تبخیر و تعرق استانداردشده توسعه‌یافته بر اساس منطق فازی. مجله آب و خاک (علوم و صنایع کشاورزی). 24 (1): 38-51.
حافظی، ن.، شیخ داودی، م،ج.، بهرامی، ه. و علوی، س، ع،ا. 1399. تخمین عملکرد کمی و کیفی نیشکر با استفاده از شبکه فازی- عصبی تطبیقی بهبودیافته با الگوریتم بهینه‌سازی ازدحام ذرات. نشریه مهندسی زراعی. 43 (2): 255- 276.
سبزی پرور ع.ا.، تفضلی ف.، زارع ابیانه ح.، بانژاد ح.، موسوی بایگی م.، غفوری م.، محسنی موحد ا. و مریانجی ز. 1387. مقایسه چند مدل برآورد تبخیر و تعرق گیاه مرجع در یک اقلیم سرد و نیمه‌خشک به‌منظور استفاده بهینه از مدل‌های تابش. مجله آب وخاک (علوم و صنایع کشاورزی). 22 (2): 328-340.
فلاح قالهری غ.ع.، موسوی بایگی م.، حبیبی ن. م.، خوشحال ج.1388.پیش‌بینی بارش فصلی بر اساس الگوهای همدید با استفاده از تئوری مجموعه‌های فازی. جغرافیا و توسعه. 15: 113- 132.
ضیایی ق.، بابازاده ح.، عباسی ف.، و کاوه ف. 1393. بررسی مدل‌های AquaCrop و Maze -CERES در ارزیابی تعادل آب خاک و عملکرد ذرت. مجله تحقیقات آب و خاک. 45 (4): 445 – 435.
پالاش م.، بافکار ع.، و فرهادی ب. 1400. تعیین بهره‌وری مصرف آب در ذرت دانه‌ای (KSC706) با استفاده از مدل AquaCrop در استان کرمانشاه. نشریه آبیاری و زهکشی ایران. 15 (1): 234- 244.
کوچک زاده م. و بهمنی ع. 1384. ارزیابی عملکرد شبکه‌های عصبی مصنوعی در کاهش پارامترهای موردنیاز، جهت برآورد تبخیر و تعرق مرجع. مجله علوم کشاورزی. 11 (4): 87- 97.
قاسم نژاد مقدم ن.، بقائی نیا ف. و بافنده زنده ع. 1387. منطق فازی به زبانی ساده. ماهنامه کنترل کیفیت. 24: 43- 51.
Abedinpour, M., Sarangi, A., Rajput, T. B. S., Singh, M., Pathak, H. and Ahmad, T. 2012. Performance evaluation of AquaCrop model for maize crop in a semi-arid environment. Agricultural Water Management. 110: 55-66.
Daničić, M., Pejić, B., Mačkić, K., Lalić, B., Maksimović, I. and Putnik-Delić, M. 2021. The predicted impact of climate change on maize production in Northern Serbia. Maydica. 65(3): 10.
Heng, L. K., Hsiao, T., Evett, S., Howell, T. and Steduto, P. 2009. Validating the FAO AquaCrop model for irrigated and water deficient field maize. Agronomy journal. 101(3): 488-498.
Jayaram, M. A. and Marad, N. 2012. Fuzzy inference systems for crop yield prediction. Journal of Intelligent Systems. 21(4): 363-372.
Jinger, J. and Kumar, S. 2021. Maize Yield Prediction Considering Growth Stages using Fuzzy Logic Modelling. International Journal of Engineering Research & Technology (IJERT). 9(4).
Jacovides, C. P. 1998. Reply to comment on" Statistical procedures for the evaluation of evapotranspiration computing models". Agricultural water management. 37(1): 95-97.
KHALAF, A. A., & HAM, D. S. A. D. 2019. Assessment of Aquacrop Model in Prediction Maize Hybirds Yild by Simulation Production under Deficit Irrigation. Journal of Duhok University. 22(1): 7-23.
Kumar, P. 2011. Crop yield forecasting by adaptive neuro fuzzy inference system. Mathematical Theory and Modeling. 1(3): 1-7.
Kerre, E. E. 1992. A comparative study of the behavior of some popular fuzzy implication operators on the generalized modus ponens. In Fuzzy logic for the management of uncertainty. 281-295
Katerji, N., Campi, P. and Mastrorilli, M. 2013. Productivity, evapotranspiration, and water use efficiency of corn and tomato crops simulated by AquaCrop under contrasting water stress conditions in the Mediterranean region. Agricultural Water Management. 130: 14– 26.
Malarkodi.K. P. and Arthi, K.  2018. An optimized enhanced Intuitionistic fuzzy cognitive maps for groundnut yield prediction. International Journal of Engineering & Technology. 7(4): 3317-3321.
Masanganise J., Basira, K., Chipindu, B., Mashonjowa, E. and Mhizha, T. 2013. Testing the utility of a crop growth simulation model in predicting maize yield in a changing climate in Zimbabwe. International Journal of Agricultural and Food Science. 3(4): 157-163.20–32
Aşık M., Yetik A.K., Candoğan B.N. and Kuşçu H. 2021. Determining the yield responses of maize plant under different irrigation scenarios with AquaCrop model. Journal of Agricultural, Food and Environmental Sciences. 5 (3):260-270
Nekoei, N., Bedani, M. A. and Khashei Siuki, A. 2021. Evaluation of adaptive Neuro-Fuzzy Inference System models in estimating saffron yield using meteorological data. Journal of Agricultural Science and Technology. 23(1): 221-234.
Ran, H., Kang, S., Li, F., Tong, L., Ding, R., Du, T. and Zhang, X. 2017. Performance of AquaCrop and SIMDualKc models in evapotranspiration partitioning on full and deficit irrigated maize for seed production under plastic film-mulch in an arid region of China. Agricultural Systems. 151: 20-32.
Roca Cedeño, J. A., García-López, Y. J., Choque Flores, L., Morales-Ortega, R., Neira-Molina, H. and Combita-Niño, H. 2021. Big data classification using fuzzy logical concepts for paddy yield prediction. Review of International Geographical Education Online.
Raes, D., Steduto, P., Hsiao, T.C. and Fereres, E. 2012. Reference manual AquaCrop version 4.0, FAO, Land and Water Division, Rome, Italy.
Sandhu, R. and Irmak, S. 2019. Assessment of AquaCrop model in simulating maize canopy cover, soil-water, evapotranspiration, yield, and water productivity for different planting dates and densities under irrigated and rainfed conditions. Agricultural Water Management. 224: 105753.
Stricevic, R., Cosic, M., Djurovic, N., Pejic, B. and Maksimovic, L. 2011. Assessment of the FAO AquaCrop model in the simulation of rainfed and supplementally irrigated maize, sugar beet and sunflower. Agricultural Water Management. 98: 1615– 1621.
Steduto, P., Hsiao, T.C., Raes, D. and Fereres, E. 2007. On the conservative behavior of biomass water productivity. Irrigation Science. 25:189–207.
Steduto, P., Hsiao, T.C., Raes, D. and Fereres, E. 2009. AquaCrop-The FAO crop model to simulate yield response to water: I. Concepts and underlying principles. Agronomy Journal. 101:426–437
نشریه آبیاری و زهکشی ایران
دوره 16، شماره 5 - شماره پیاپی 95
آذر و دی 1401
صفحه 999-1009

فایل ها

هم رسانی

ارجاع به این مقاله

آمار