تحلیل حساسیت پارامترهای مؤثر بر هزینه سامانه های آبیاری قطره ای با استفاده از الگوریتم های فراابتکاری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.

2 گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران

3 گروه مهندسی آبیاری و آبادانی دانشگاه تهران

چکیده

این پژوهش با هدف تعیین مؤثرترین ویژگی‌ها بر هزینه سامانه‌های آبیاری قطره‌ای در چهار بخش شامل هزینه ایستگاه پمپاژ و سیستم کنترل مرکزی (TCP)، هزینه لوازم داخل مزرعه (TCF)، هزینه نصب و اجرای داخل مزرعه و ایستگاه پمپاژ (TCI) و هزینه کل (TCT) انجام شد. ابتدا داده‌ها و اطلاعات 100 پروژه آبیاری قطره‌ای اجراشده در نقاط مختلف کشور، جمع‌آوری گردید و بانک اطلاعاتی شامل 39 متغیر مهم و تأثیرگذار در هزینه بخش‌های ذکرشده، تهیه شد. بر اساس تحلیل حساسیت انجام‌شده، بهترین معیارهای ارزیابی در بخش TCP به دست آمد و مقدار عددی آماره گاما، خطای مطلق قابل انتظار، آماره گرادیان، خطای استاندارد آماره گاما، ضریب تبیین و شاخص V-Ratio به ترتیب برابر با 0/048، 0/219، 0/008، 0/024، 0/87 و 0/192 ثبت شد که این بیانگر همبستگی بالای متغیرهای مورد مطالعه با هزینه بخش مذکور است. برای یافتن ترکیب بهینه از داده‌ها جهت مدل‌سازی هزینه‌، از سه روش الگوریتم ژنتیک (GA)، تپه‌نوردی (HC) و تعبیه کامل (FE) استفاده شد. نتایج این بخش نشان داد که تعداد متغیرهای مورد نیاز و ترکیب بهینه ورودی که در روش‌های GA و HC به ترتیب حدود 40 درصد و 90 درصد از متغیرها (به ترتیب 16 و 35 متغیر) در امر مدل‌سازی دخیل بودند، در روش FE به 20 درصد رسیده و فقط هشت متغیر جهت مدل‌سازی هزینه انتخاب شده است که نتایج این روش به عنوان مدل برتر انتخاب گردید. همچنین نتیجه مدل هیبرید نشان داد زمانی که از پنج متغیر QT (l/s) (مقدار کل دبی آب قابل دسترس)، SR (m) (فاصله ردیف گیاهان)، QE (l/s) (دبی گسیلنده)، T (h) (تعداد ساعات کاری در شبانه‌روز) و NIT (n) (تعداد نوبت‌های آبیاری) به عنوان ترکیب بهینه ورودی جهت مدل‌سازی هزینه سامانه‌های آبیاری قطره‌ای استفاده شود، ساده‌ترین و بهینه‌ترین مدل به دست می‌آید. ب

کلیدواژه‌ها

عنوان مقاله [English]

Sensitivity Analysis of Parameters Affecting the Early Cost of Drip Irrigation Systems Using Meta-Heuristic Algorithms

نویسندگان [English]

  • Masoud Pourgholam-Amiji 1
  • Khaled Ahmadaali 2
  • Abdolmajid Liaghat 3
1 Department of Irrigation and Reclamation Engineering, Faculty of Agronomy Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran.
2 Department of Arid and Mountainous Regions Reclamation, Faculty of natural resources, University of Tehran, Karaj, Iran.
3 Professor of University of Tehran
چکیده [English]

, this study aims to determine the most effective features on the cost of drip irrigation systems in four parts, including the Cost of pumping station and central control system (TCP), Cost of on-farm equipment (TCF), Cost of installation and operation on-farm and pumping station (TCI) and Total cost (TCT). First, data of 100 drip irrigation projects implemented in different parts of the country were collected and it was prepared a database containing 39 important and influential variables in the cost of the mentioned parts. Based on the sensitivity analysis, the best evaluation criteria were obtained in TCP and the numerical amount of gamma statistic, Expected Absolute Error, Gradient statistic, Standard Error of Γ, coefficient of determination (R2), and V-Ratio index were recorded as 0.048, 0.219, 0.008, 0.024, 0.87 and 0.192, respectively, which indicate the high correlation between the experimental variables and the cost of the corresponded sector. To find the optimal combination of data for cost modeling, we used Genetic Algorithm (GA), Hill Climbing (HC), and Full Embedding (FE). The results showed that the number of required variables and the optimal input combination, which covered 40 and 90% of the variables (16 and 35 variables, respectively) in GA and HC method reached 20% in the FE method and only eight variables were selected for cost modeling and also the results of this method were selected as the superior model. Moreover, the result of the hybrid model revealed the simplest and most optimal model was obtained when QT (l/s) (total amount of available water flow), SR (m) (plant row spacing), QE (l/s) (emitter flow), T (h) (number of working hours per day) and NIT (n) (number of irrigation shifts) were used as the optimal input combination to modeling the cost of drip irrigation systems.

کلیدواژه‌ها [English]

  • Gamma Test
  • Genetic Algorithm
  • Hill Climbing
  • Full Embedding
  • Pressurized Irrigation

مراجع

رضازاده جودی، ع. و ستاری، م. ت. 1396. ارزیابی عملکرد روش­های داده محور در مدل‌سازی بارش ماهانه مشهد. پژوهش آب ایران. 11 (4): 105-97.
قبائی سوق، م.، مساعدی، ا.، حسام، م. و هزارجریبی، ا. 1389. ارزیابی تأثیر پیش­پردازش پارامترهای ورودی به شبکه عصبی مصنوعی (ANNs) با استفاده از روش‌های رگرسیون گام‌به‌گام و گاما تست به منظور تخمین سریع تر تبخیر و تعرق روزانه. آب و خاک. 24 (3): 624-610.
میرعربی، ع.، ناصری، ح. ر.، نخعی، م. و علیجانی، ف. 1397. بررسی عملکرد مدل­های داده مبنا در شبیه‌سازی افق­های زمانی سطح آب زیرزمینی با استفاده از روش تلفیقی آزمون گاما و الگوریتم ژنتیک (GA-GT). زمین­شناسی کاربردی پیشرفته. 8 (2): 72-62.
Banzhaf, W., Nordin, P., Keller, R. E., and Francone, F. D. 1998. Genetic programming. San Francisco, Springer, 512 p.
Borgonovo, E., and Plischke, E. 2016. Sensitivity analysis: a review of recent advances. European Journal of Operational Research. 248(3): 869-887.
Douglas-Smith, D., Iwanaga, T., Croke, B. F., and Jakeman, A. J. 2020. Certain trends in uncertainty and sensitivity analysis: An overview of software tools and techniques. Environmental Modelling & Software. 124: 104588.
Durrant, P. J. 2001. winGamma: A non-linear data analysis and modelling tool with applications to flood prediction. Unpublished Ph. D. thesis. Department of Computer Science, Cardiff University, Wales, UK.
El-Shater, T., Yigezu, Y. A., Shideed, K., and Aw-Hassan, A. 2017. Impacts of Improved Supplemental Irrigation on Farm Income, Productive Efficiency and Risk Management in Dry Areas. Journal of Water Resource and Protection. 9(13): 1709.
Flores, J. H. N., Faria, L. C., Rettore Neto, O., Diotto, A. V., and Colombo, A. (2021). Methodology for Determining the Emitter Local Head Loss in Drip Irrigation Systems. Journal of Irrigation and Drainage Engineering. 147(1): 06020014.
Gany, A. H. A., Sharma, P., and Singh, S. 2019. Global Review of Institutional Reforms in the Irrigation Sector for Sustainable Agricultural Water Management, Including Water Users’ Associations. Irrigation and drainage. 68(1): 84-97.
GeeksforGeeks. 2021. https://www.geeksforgeeks.org/introduction-hill-climbing-artificial-intelligence/ (Last Updated: 22 Mar, 2021)
Goyal, P., and Ferrara, E. 2018. Graph embedding techniques, applications, and performance: A survey. Knowledge-Based Systems. 151: 78-94.
Hart, J. L., Bessac, J., and Constantinescu, E. M. 2019. Global sensitivity analysis for statistical model parameters. SIAM/ASA Journal on Uncertainty Quantification. 7(1): 67-92.
Kenyon-Dean, K., Newell, E., and Cheung, J. C. K. 2020. Deconstructing word embedding algorithms. arXiv preprint arXiv:2011.07013.
Komkov, V., Choi, K. K., and Haug, E. J. 1986. Design sensitivity analysis of structural systems (Vol. 177). Academic press.
Koncar, N. 1997. Optimisation methodologies for direct inverse neurocontrol (Doctoral dissertation, University of London).
Kumar, M., and Kumar, P. 2021. Stage-discharge-sediment modelling using support vector machine. The Pharma Innovation Journal. 10(1): 149-154.
Liu, J., Lin, Y., Lin, M., Wu, S., and Zhang, J. 2017. Feature selection based on quality of information. Neurocomputing. 225: 11-22.
Miao, J., and Niu, L. 2016. A survey on feature selection. Procedia Computer Science, 91, 919-926.
Mitchell, M. (1998). An introduction to genetic algorithms. MIT press.
Moghaddamnia, A., Gousheh, M. G., Piri, J., Amin, S., and Han, D. 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources. 32(1): 88-97.
Nekue, 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.
Oki, T. 2020. World Water Resources at Stake. In Human Geoscience (pp. 89-95). Springer. Singapore.
Otani, M., and Jones, A. J. 1997. Guiding chaotic orbits. Research Report, Imperial College of Science Technology and Medicine. 130.
Park, C. S. 2012. Fundamentals of Engineering Economics. Chan S. Park. Pearson Education.
Pazoki, M., Yadav, A., and Abdelaziz, A. Y. 2020. Pattern-recognition methods for decision-making in protection of transmission lines. In Decision Making Applications in Modern Power Systems (pp. 441-472). Academic Press.
Pourgholam-Amiji, M., Liaghat, A., Ghameshloua, A., Khoshravesh, M., and Waqas, M. M. 2020. Investigation of the yield and yield components of rice in areas with shallow water table and saline. Big Data in Agriculture (BDA). 2(1): 36-40.
Qian, G., and Mahdi, A. 2020. Sensitivity analysis methods in the biomedical sciences. Mathematical Biosciences. 323: 108306.
Remesan, R., and Mathew, J. 2016. Hydrological data driven modelling. Springer International Pu.
Remesan, R., Shamim, M. A., and Han, D. 2008. Model data selection using gamma test for daily solar radiation estimation. Hydrological processes. 22(21): 4301-4309.
Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D. ... and Tarantola, S. 2008. Global sensitivity analysis: the primer. John Wiley & Sons.
Section. 2020. https://www.section.io/engineering-education/understanding-hill-climbing-in-ai/ (Last Updated: 16 December 2020)
Seifi, A., and Riahi, H. 2020. Estimating daily reference evapotranspiration using hybrid gamma test-least square support vector machine, gamma test-ANN, and gamma test-ANFIS models in an arid area of Iran. Journal of Water and Climate Change. 11(1): 217-240.
Sinha, B. B., and Dhanalakshmi, R. 2022. Recent advancements and challenges of Internet of Things in smart agriculture: A survey. Future Generation Computer Systems,.126, 169-184.
Sivanandam, S. N. and Deepa. S. N. 2008. Introduction to Genetic Algorithms. Springer-Verlag, Berlin.
Skalak, D. B. 1994. Prototype and feature selection by sampling and random mutation hill climbing algorithms. In Machine Learning Proceedings 1994 (pp. 293-301). Morgan Kaufmann.
Solorio-Fernández, S., Carrasco-Ochoa, J. A., and Martínez-Trinidad, J. F. 2020. A review of unsupervised feature selection methods. Artificial Intelligence Review. 53(2): 907-948.
Stefánsson, A., Končar, N., and Jones, A. J. 1997. A note on the gamma test. Neural Computing & Applications. 5(3): 131-133.
Tsui, A. P., Jones, A. J., and De Oliveira, A. G. 2002. The construction of smooth models using irregular embeddings determined by a gamma test analysis. Neural Computing & Applications. 10(4): 318-329.
Valentín, F., Nortes, P. A., Domínguez, A., Sánchez, J. M., Intrigliolo, D. S., Alarcón, J. J., and López-Urrea, R. 2020. Comparing evapotranspiration and yield performance of maize under sprinkler, superficial and subsurface drip irrigation in a semi-arid environment. Irrigation Science. 38(1): 105-115.
Yin, Z., Luo, Q., Wu, J., Xu, S., & Wu, J. 2021. Identification of the long-term variations of groundwater and their governing factors based on hydrochemical and isotopic data in a river basin. Journal of Hydrology. 592: 125604.
نشریه آبیاری و زهکشی ایران
دوره 15، شماره 4 - شماره پیاپی 88
مهر و آبان 1400
صفحه 737-756

فایل ها

هم رسانی

ارجاع به این مقاله

آمار