مقایسه رگرسیون و شبکه‌های عصبی مصنوعی در برآورد ابعاد پیاز رطوبتی با آب معمولی و مغناطیسی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

2 استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

3 استادیار گروه خاکشناسی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

4 استادیار گروه مهندسی آب، دانشکده علوم کشاورزی، دانشگاه گیلان، رشت و گروه پژوهشی مهندسی آب و محیط زیست، پژوهشکده حوزه آبی دریای خزر ، رشت، ایران

چکیده

داشتن اطلاعات دقیق از عرض و عمق خیس شده خاک در زیر هر قطره‌چکان برای طراحی و مدیریت دقیق سامانه‌های آبیاری قطره‌ای ضروری است. در این تحقیق مقادیر عمق و حداکثر عرض خیس شده خاک تحت آبیاری قطره‌ای سطحی و زیرسطحی با آب معمولی و مغناطیسی با استفاده از مدل رگرسیون ساده خطی و چند گانه و شبکه‌های عصبی مصنوعی شبیه‌سازی شد. از داده‌های اندازه‌گیری شده در خاک با بافت لوم‌رسی که با سه تکرار در گلخانه مزرعه تحقیقاتی دانشگاه زنجان انجام گرفته بود استفاده شد. نتایج نشان داد که عملکرد رگرسیون ساده خطی و دو روش رگرسیون چندگانه شوارتزمن و زور (1986) و میرزایی و همکاران (1387) در تخمین عمق خیس شده در روش آبیاری قطره‌ای سطحی با آب معمولی بهتر بود (988/0=r و m011/0=RMSE). اختلاف مقادیر تخمینی با روش‌های شوارتزمن و زور (1986) و میرزایی و همکاران (1387) در عمق خیس شده با آب مغناطیسی در آبیاری قطره‌ای سطحی (974/0=r و  m014/0=RMSE) و حداکثر عرض خیس شده در آبیاری قطره‌ای سطحی با آب معمولی (950/0=r و m028/0=RMSE) و مغناطیسی (976/0=r و  m023/0=RMSE) با مقادیر واقعی اندک بود. در بین مدل‌های شبکه‌های عصبی مصنوعی، مدل پرسپترون چند لایه نسبت به مدل تابع پایه شعاعی عملکرد بهتری داشت.

کلیدواژه‌ها


عنوان مقاله [English]

Comparing Regression and Artificial Neural Networks in Estimation of soil Wetted Pattern Dimensions With Magnetic and None Magnetic Water

نویسندگان [English]

  • Marzeyeh Abdollahi-Siahkalroudi 1
  • Jafar Nikbakht 2
  • Mohammad Hossein Mohammadi 3
  • Mohammad Reza Khaledian 4
1 M.Sc. Student of Irrigation and Drainage, Faculty of Agricultural Sciences, University of Zanjan., Zanjzn., Iran
2 Assist. Prof., Dept. of Water Engineering, Faculty of Agricultural Sciences, University of Zanjan., Zanjan., Iran
3 Assist. Prof., Dept. of Soil Science. Faculty of Agricultural Sciences, University of Zanjan.Zanjan., Iran
4 Assist. Prof., Dept. of Water Eng., Faculty of Agricultural Sciences, University of Guilan, and Dept. of Water Engineering and Environment, Caspian Sea Basin Research Center., Rasht., Iran
چکیده [English]

Having proper information of the wetted width and depth of soil for the appropriate design and management of a drip irrigation system is essential. This research was carried out to calculate the wetted depth and the maximum wetted width in both surface and subsurface drip irrigations with normal and magnetic waters. Measured values were compared with linear and nonlinear regression and neural network models. Experimental measurements were done on a clay loam soil in the greenhouse of Zanjan University. The results showed that the simple linear and multiple regression for Schwartzman and Zur (1986) and Mirzaei et al (2008) to estimate the wetted depth in surface drip irrigation with normal water was better (r=0.988 and RMSE=0.011 m). The difference between the estimated values using Schwartzman and Zur (1986) and Mirzaei et al (2008) in the wetted depth with magnetic water in surface drip irrigation (r=0.974 and RMSE=0.014 m) and the maximum wetted width in surface drip irrigation with normal water (r=0.950 and RMSE=0.028 m) and with magnetic water (r=0.976 and RMSE=0.023 m) with the observed data was minimal. Among the artificial neural networks models used in this study, multilayer perceptron model as compared with radial basis function model performed better.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Drip Irrigation
  • Normal water
  • Magnetic water
  • Regression
احمدی،پ و نیک‌نیا،ب. 1390. تکنولوژی مغناطیسی و امکان کشاورزی با آب شور و بهینه‌سازی کلیه آبهای مصرفی. چهارمین کنفرانس مدیریت منابع آب ایران، دانشگاه صنعتی امیرکبیر، تهران.

پروانک بروجنی،ک. 1384-1385. شبیه‌سازی الگوی خیس‌شدگی منطقه ریشه گیاهانِ تحت آبیاری قطره‌ای با استفاده از تکنیک شبکه‌های عصبی مصنوعی. گیاه و زیست بوم، 1(4 و 5): 92-108.

تابش،م و دینی،م. 1389. پیش‌بینی تقاضای روزانه آب شهری با استفاده از شبکه‌های عصبی مصنوعی، مطالعه موردی: شهر تهران. آب و فاضلاب، 21 :1.  84-95.

ملایی کندلوس،م.، لیاقت، ع و عباسی،ف. 1387. برآورد ابعاد پیاز رطوبتی در آبیاری قطره‌ای زیر سطحی با استفاده از آنالیز ابعادی. علوم کشاورزی ایران، 39 :2. 371-378.

میرزایی،ف.، هورفر،ع.ا و حاتمی،م. 1387. تقریب نیمه‌تحلیلی توزیع دو بعدی رطوبت در آبیاری قطره‌ای-نواری. پژوهش کشاورزی (آب، خاک و گیاه در کشاورزی)، 8(1-الف): 147-158.

نوری،ر.، اشرفی،خ و اژدرپور،ا. 1387. مقایسه کاربرد روش‌های شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره بر اساس تحلیل مؤلفه‌های اصلی برای پیش‌بینی غلظت میانگین روزانه کربن مونوکسید: بررسی موردی شهر تهران. مجلة فیزیک زمین و فضا، 34(1): 135-152.

Amin,M.S.M and Ekhmaj,A.I. 2006. Dipac-Drip irrigation water distribution pattern calculator. 7th International Micro Irrigation Congress. PWTC, Kuala Lumpur, Malaysia.

Arbat,G., Puig-Bargués,J., Duran-Ros,M., Barragán,J and Ramírez de Cartagena,F. 2011. Soil wetting patterns under surface drip irrigation for different soil conditions. Geophysical Research Abstracts, 13: 1434.

Fatahi Nafchi,R., Mosavi,F and Parvanak,K. 2011. Experiential study shape and volume of wetted soil in trickle irrigation method. African Journal of Agricultural Research. 6:2. 458-466.

Jiang,H and Cotton,R.W. 2004. Soil moisture estimation using an artificial neural network: a feasibility study. Canadian Journal of Remote Sensing: 30:5. 827–839.

Lazarovitch,N., Poulton,M., Furman,A and Warrick,A. 2009. Water distribution under trickle irrigation predicted using artificial neural networks. Journal of Engineering Mathematics. 64:2. 207-218.

Li,J., Zhang,J and Rao,M. 2004. Wetting patterns and nitrogen distributions as affected by fertigation strategies from a surface point source. Agricultural Water Management. 67:2. 89–104.

Malek,K and Peters,R. 2011. Wetting pattern models for drip irrigation: new empirical model. Journal of Irrigation and Drainage Engineering. 137:8.530–536.

Monjezi,M.S., Liaghat,A and Ebrahimian,H. 2012. Simulation of soil wetting front in surface and subsurface gravity drip irrigation. 7th ICID Asian Regional conference, Adelaide, Australia.

Mostafazadeh-Fard,B., Khoshravesh,M., Mousavi,S.F and Kiani,A.R. 2011. Effects of magnetized water and irrigation water salinity on soil moisture distribution in trickle. Technical Notes, Journal of Irrigation and Drainage Engineering, 137:6.398-403.

Patel,N and Rajput,T.B.S. 2008. Dynamics and modeling of soil water under subsurface drip irrigated onion. Agricultural Water Management. 95:12. 1335-1349.

Risse,L.M and Chesness,J.L. 1989. A simplified design procedure to determine the wetted radius for a trickle emitter. Transactions of American Society of Agricultural Engineering. 32:6. 1909-1914.

Samuel,D and Dani,O. 1999. Drip Irrigation (Applied Agriculture). Springer, 1st edition, New York, USA.

Schwartzman,M and Zur,B. 1986. Emitter spacing and geometry of wetted soil volume. Journal of Irrigation and Drainage Engineering. 112:3. 242–253.

Singh,D.K., Rajput,T.B.S., Singh,D.K., Sikarwar,H.S., Sahoo,R.N and Ahmad,T. 2006. Simulation of soil wetting pattern with subsurface drip irrigation from line source. Agricultural Water Management. 83:1-2. 130-134.

Vanclooster,M., Mallants,D., Vanderborght,J., Diels,J., Van Orshoven,J and Feyen,J. 1995. Monitoring solute transport in a multi-layered sandy lysimeter using time domain reflectometry. Soil Science Society of America Journal, 59: 337-344.

Willmut,C.J. 1982. Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society. 63: 1309–1313.