کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8873203 1622885 2018 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Prediction of wind drift and evaporation losses from sprinkler irrigation using neural network and multiple regression techniques
ترجمه فارسی عنوان
تخمین اتلاف رانش باد و تبخیر در آبیاری بارانی با استفاده از تکنیک های شبکه ی عصبی و رگرسیون چندگانه
کلمات کلیدی
آبیاری بارانی، شبکه ی عصبی مصنوعی، رگرسیون خطی چندگانه، اتلاف رانش و تبخیر.
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1- مقدمه

2- مواد و روش ها

1.2 پایگاه داده ی آزمایشگاهی

2.2 شبکه ی عصبی مصنوعی

3.2 رگرسیون خطی چندگانه

4.2 معیارهای ارزیابی عملکرد

3- نتایج و بحث

1.3 عملکرد مدل های ANN

2.3 عملکرد مدل های MLR

3.3 مقایسه ی بین مدل های ANN و MLR

4.3 انالیز سهم

4- نتیجه گیری

 
ترجمه چکیده
اتلاف نیروی باد و تبخیر (WDEL) در توسعه ی راهبردهای حفاظت آب در آبیاری بارانی نقش مهمی دارند. در این بررسی، مدل های رگرسیون خطی چندگانه (MLR) و شبکه ی عصبی مصنوعی (ANN) با گرفتن داده های جمع آوری شده از تحقیقات منتشرشده درخصوص WDEL در شرایط جوّی، عملیاتی و طراحی های مختلف متغیرها در آبیاری بارانی ساخته شدند. پنج ترکیب متغیرهای ورودی ها شامل ارتفاع برخیزنده، فشار عامل، قطر نازل اصلی، قطر نازل کمکی (da)، دبی آب توسط نازل اصلی، دبی آب توسط نازل های کمکی، سرعت باد (WS)، دمای هوا و رطوبت نسبی در ساخت مدل های ارزیابی WDEL استفاده شدند. مدل های ANN و MLR بترتیب روی 70% و 30% نقطه داده آموزش و آزموده شدند. دقت مدل ها با ضرایب همبستگی (r)، شاخص کلی عملکرد مدل (OI)، خطای جذر میانگین مربعات RMSE)) و میانگین خطای مطلق (MAE) ارزیابی شد. نتایج آماری حاکی از بهترین قابلیت ارزیابی در مدل های ANN و MLR با همه ی متغیرهای ورودی است. مقایسه ی نتایج مدل های MLR و ANN نشان داد که مدل های ANN در ارزیابی WDEL موفق تر بودند. مقادیر r (0.843–0.956) و OI (0.794–0.909) بیشتر و RMSE (2.662%–4.886%) و MAE (2.197%–3.729%) پایین تر در مدل های ANN نسبت به مدل های MLR در مرحله ی آموزش بودند. گستره ی مقادیر r در مدل های MLR از 0.794 تا 0.864 و مقادیر OI از 0.747 تا 0.816 ، مقادیر RMSE از 4.562% تا 5.514% و مقادیر MAE از 3.513% تا 4.414% بودند. انالیز سهم پی برد که ستبرترین پارامترهای طراحی مربوط به da و پارامتر اقلیم WS در مدل ارزیابی بودند. می توان اظهارداشت که مدل ANN نسبت به مدل MLR در ارزیابی WDEL آبیاری بارانی ابزار مناسب تری است.
موضوعات مرتبط
علوم زیستی و بیوفناوری علوم کشاورزی و بیولوژیک علوم زراعت و اصلاح نباتات
پیش نمایش مقاله
تخمین اتلاف رانش باد و تبخیر در آبیاری بارانی با استفاده از تکنیک های شبکه ی عصبی و رگرسیون چندگانه
چکیده انگلیسی
Wind drift and evaporation losses (WDEL) play a significant role in the development of water conservation strategies in sprinkler irrigation. In this study, artificial neural network (ANN) and multiple linear regression (MLR) models were developed by taking data collected from published studies on predicted WDEL for several design, operational, and meteorological conditions of variables in sprinkler irrigation. Five combinations of input variables, including riser height, operating pressure, main nozzle diameter, auxiliary nozzle diameter (da), water discharge by main nozzle, water discharge by auxiliary nozzles, wind speed (WS), air temperature, and relative humidity were used to create prediction models for WDEL. The ANN and MLR models were trained and tested on 70% and 30% of the data points, respectively. The accuracy of the models was assessed by the coefficients of correlation (r), overall indices of model performance (OI), root mean square errors (RMSE), and mean absolute errors (MAE). Statistical results showed that the ANN and MLR models with all input variables had the best predicting capabilities. When comparing the results of different ANN and MLR models, it was seen that the ANN models had more success in predicting WDEL. The ANN models gave higher r (0.843-0.956) and OI (0.794-0.909) values, and lower RMSE (2.662%-4.886%) and MAE (2.197%-3.729%) values compared to the MLR models in the training stage. The MLR models' r values ranged from 0.794 to 0.864, OI values ranged from 0.747 to 0.816, RMSE values ranged from 4.562% to 5.514%, and MAE values ranged from 3.513% to 4.414%. Furthermore, a contribution analysis found that the design parameter da and the climatic parameter WS were considered to obtain the most robust estimation model. It can be stated that the ANN model is a more suitable tool than the MLR model for the prediction of WDEL from sprinkler-irrigation.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Agricultural Water Management - Volume 195, 1 January 2018, Pages 211-221
نویسندگان
, , , ,