کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6374274 1624457 2015 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Seed yield prediction of sesame using artificial neural network
ترجمه فارسی عنوان
پیش بینی میزان تولید بذر کنجد با استفاده از شبکه عصبی مصنوعی
کلمات کلیدی
برآورد عملکرد بذر - کنجد - شبکه های عصبی مصنوعی - روش رگرسیون چندگانه
فهرست مطالب مقاله
چکیده
کلید واژه ها
1. مقدمه
2. مواد و روش ها
2.1 آزمایشات میدانی
2.2 تحلیل آماری
2.3 شبکه عصبی مصنوعی (ANN)
2.4. پرسپترون چند لایه ی (MLP)
3. نتایج و بحث
3.1 تخمین های SYS از مدل MLP / ANN
3.2 تجزیه و تحلیل رگرسیون خطی چندگانه (MLR)
3.3. مقايسه MLR با مدل MLP / ANN
3.4. تجزیه و تحلیل حساسیت
4. نتیجه گیری
جدول 1. شاخص های آماری داده های اندازه گیری شده
شکل 1. ساختار مدل MPL معمولی
جدول 2. تابع فعال سازی نورون
جدول 3. تحلیل همبستگی بین متغیرهای گیاه و SYS 
جدول 4. عملکرد مدل ANN با توابع انتقال مختلف
شکل 2. تولید بذر اندازه گیری شده و پیش بینی شده از مدل ANN برای دوره آموزش
شکل 3. تولید بذر اندازه گیری شده و پیش بینی شده از مدل ANN برای دوره تست
جدول 5. عملکرد مدل ANN با لایه های پنهان مختلف
شکل 4. تولید بذر اندازه گیری شده و پیش بینی شده از مدل MLR برای دوره آموزش
شکل 5. تولید بذر اندازه گیری شده و پیش بینی شده از مدل MLR برای دوره تست
جدول 6. تحلیل حساسیت متغیرهای حاکم بر SYS
ترجمه چکیده
پیش بینی تولید بذر یکی از مهمترین اهداف پرورش در تحقیقات کشاورزی است. بنابراین، در این مطالعه دو روش یعنی شبکه عصبی مصنوعی (ANN) و مدل رگرسیون چندگانه (MLR) برای ارزیابی تولید بذر کنجد (SYS) از ویژگی های قابل اندازه گیری گیاه استفاده شد (به عنوان مثال، زمان گلدهی 100٪ (روز)، ارتفاع گیاه (سانتی متر)، تعداد کپسول در بوته، وزن 1000 بذر (گرم) و تعداد بذر در هر کپسول). ANN و MLR با استفاده از داده های میدانی مورد آزمایش قرار گرفتند. نتایج نشان دادند که ANN میزان SYS را به طور دقیق با خطای متوسط-مربع-خطی (RMSE) 0.339 و ضریب تعیین (R2) 0.901 پیش بینی می کند. همچنین مشخص شد که مدل ANN بهتر از مدل MLR با RMSE برابر با 0.346 تن در هکتار و R2 برابر با 0.779 عمل می کند. در نهایت، تجزیه و تحلیل حساسیت انجام شد برای تعیین بیشترین و کمترین ویژگی های تاثیرگذار بر SYS. مشخص شد که تعداد کپسول در بوته و زمان گلدهي 100٪ بيشترين و كمترين تأثير را بر روي SYS داشتند.
موضوعات مرتبط
علوم زیستی و بیوفناوری علوم کشاورزی و بیولوژیک علوم زراعت و اصلاح نباتات
پیش نمایش مقاله
پیش بینی میزان تولید بذر کنجد با استفاده از شبکه عصبی مصنوعی
چکیده انگلیسی
The prediction of seed yield is one of the most important breeding objectives in agricultural research. So, in this study, two methods namely artificial neural network (ANN) and multiple regression model (MLR) were employed to estimate the seed yield of sesame (SYS) from readily measurable plant characters (e.g., flowering time of 100% (days), the plant height (cm), the capsule number per plant, the 1000-seed weight (g) and the seed number per capsule). The ANN and MLR were tested using field data. Results showed that the ANN predicts the SYS accurately with a root-mean-square-error (RMSE) of 0.339 t/ha and a determination coefficient (R2) of 0.901. Also, it was found that the ANN model performed better than the MLR model with a RMSE of 0.346 t/ha, and R2 of 0.779. Finally, sensitivity analysis was conducted to determine the most and the least influential characters affecting SYS. It was found that the capsule number per plant and the flowering time of 100% had the most and least significant effects on SYS, respectively.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: European Journal of Agronomy - Volume 68, August 2015, Pages 89–96