۲۰۰۰۷پ
per
کاربرد تجزیه رگرسیون و شبکه عصبی مصنوعی در برآورد پتانسیل تولید منطقه خواجه برای تیپ‌های بهره‌وری جو و هندوانه
Application of regression analysis and artificial neural network in estimating of production potential for barley and water melons in khajeh region
/مریم زینی
: کشاورزی
، ۱۳۹۳
، میرزائی
۱۱۳ص
چاپی - الکترونیکی
کارشناسی ارشد
علوم خاک گرایش پیدایش، رده بندی و ارزیابی خاک
۱۳۹۳/۱۱/۲۰
تبریز
در عصر حاضر به دلیل افزایش جمعیت و تخریب اراضی کشاورزی، استفاده بهینه از آن‌صها ضروری می‌صباشد .بنابراین یکی از مهم‌صترین فرآیندها در کشاورزی پایدار، تخمین پتانسیل تولید می‌صباشد که در این زمینه مدل‌صهایی با شکل ساده شده‌صای از واقعیت برای تعیین پتانسیل تولید و تناسب اراضی مورد استفاده قرار می‌صگیرند .در این تحقیق، از دو روش رگرسیون و شبکه عصبی مصنوعی برای تخمین پتانسیل تولید جو و هندوانه در بخشی از منطقه خواجه واقع در محدوده جغرافیایی بین ۳۰ ۷ ۳۸ تا ۳۰ ۱۱ ۳۸ عرض شمالی و ۳۰ ۳۷ ۴۶ تا ۳۰ ۴۴ ۴۶ طول شرقی استفاده شده است .جهت نیل به اهداف تعیین شده، ۸۰نمونه برداشته شده از عمق ۰ تا ۵۰ سانتیمتری از هر یک از مزارع جو و هندوانه واقع در ۲۶ واحد شناسایی شده براساس مطالعات) ثروتی، ۱۳۹۲)انتخاب و مورد استفاده قرار گرفت .در این راستا عملکرد جو و هندوانه اندازه‌صگیری و رابطه آن با ویژگی‌صصهای مختلف فیزیکی، شیمیایی و حاصلخیزی خاک مانند گچ، شن، سیلت، رس، کربن آلی، آهک، ذرات درشت‌صتر از شن، ظرفیت تبادل کاتیونی ظاهری، واکنش خاک و هدایت الکتریکی و نیز درصد شیب با استفاده از رگرسیون چندگانه بررسی شد .نتایج نشان داد که در روش رگرسیون چند متغیره خطی با روش وارد کردن یاEnter ، فقط دو متغیر ذرات درشت‌صتر از شن و هدایت الکتریکی در روش گام‌صبه‌صگام یا Step wise ذرات درشت‌صتر از شن، درصد گچ، درصد کربن آلی، ظرفیت تبادل کاتیونی ظاهری و هدایت الکتریکی نقش معنی‌صداری در را بر روی پتانسیل تولید جو داشتند .در هندوانه با روش وارد کردن یاEnter ، کربن آلی، ذرات درشت‌صتر از شن و هدایت الکتریکی و در روش گام‌صبه‌صگام یا Step wise ذرات درشت‌صتر از شن، درصد گچ، درصد کربن آلی و هدایت الکتریکی نقش معنی‌صداری در را بر روی پتانسیل تولید هندوانه داشتند .همچنین مقدار جذر میانگین مربعات خطا یا RMSEدر رابطه با داده‌صهای آزمون جو برای رگرسیون خطی با روش Enter و گام‌صبه‌صگام به ترتیب۳۱/۱۲۶۳ ،۵۱/۱۲۹۹ کیلوگرم بر هکتار و مقدار ضریب تبیین نیز به ترتیب ۵۸ و ۵۶ محاسبه شد .بر این اساس در مدل رگرسیون چند متغیره خطی کلی پارامتر کربن آلی با مقدار ۳۱/۲۰۶۵ درصد و EC با مقدار۱۷/۱۸۶ - درصد به ترتیب دارای بیشترین وکمترین تأثیر بر پتانسیل تولید جو هستند .مقدار جذر میانگین مربعات خطا یا RMSE برای داده‌صهای آزمون هندوانه در رگرسیون خطی با روش Enter و گام‌صبه‌صگام به ترتیب۹۳/۴۷۴۷ ،۰۵/۸۶۱۱ کیلوگرم بر هکتار و مقدار ضریب تبیین نیز به ترتیب ۵۹ و ۲۲ محاسبه شد .که بر این اساس نیز پارامتر کربن آلی با مقدار ۲/۸۵۶۳ درصد و شیب با مقدار۰۹/۱۷۳۳ - به ترتیب دارای بیشترین و درصد کمترین تأثیر بر پتانسیل تولید هندوانه می‌صباشد .در مورد شبکه‌صهای عصبی مصنوعی نیز با توجه به مقدار جذر میانگین مربعات خطا یا RMSE برای داده‌صهای آزمون جو ، برابر ۱۴/۱۲۱۴ و ضریب تبیین برابر ۷۳ و مقدار جذر میانگین مربعات خطا یا RMSE برای داده‌صهای آزمون هندوانه، برابر ۵۶/۹۶۸ و ضریب تبیین برابر ۹۹ شبکه‌ص عصبی مصنوعی پیش خور با الگوریتم پس انتشار با ده نرون و با تبدیل تانژانت سیگموییدی بهترین شبکه را تشکیل داد .به‌صطور کلی می‌صتوان گفت که در بین دو مدل رگرسیون خطی و شبکه‌صهای عصبی مصنوعی، شبکه‌صای با ده نرون و با تبدیل تانژانت سیگموییدی تقریب‌صهای نزدیک‌صتری نسبت به مقادیر مشاهده شده عملکرد واقعی منطقه خواجه ارائه می‌صنماید .بنابراین پارامترهای زمین‌صنما و خاک برای پتانسیل تولید جو به ترتیب اهمیت عبارت است از :درصد کربن آلی،گچ، آهک و ذرات درشت‌صتراز شن، هدایت الکتریکی و ظرفیت تبادل کاتیونی ظاهری و برای پتانسیل تولید هندوانه به ترتیب درصد گچ، شن، شیب، ذرات درشتتر از شن و نیز واکنش خاک و هدایت الکتریکی می‌صباشد
melons were measured and their relation with different physical and chemical and soil fertility characteristics, such as, percents of gypsum, sand, silt, clay, organic carbon, lime, and particals larger than ۲mm, ACEC, pH, EC, and slope percentage were studied by analyzed using multiple regression.The results showed that in multiple linear regression by Enter method only two variables of particles larger than ۲mm and Ec, and in Step wise method particles larger than sand, Gypsum, organic carbon percent, ACEC and Ec had a significant role in the production potential of barley. Also root mean square error( RMSE) value in relation to barley test data for linear regression analysis with Enter and stepwise method were calculated۱۲۶۳.۳۱ and ۱۲۹۹.۵۱ (kg/ha). and the coefficient of determination or R۲ were ۰.۵۸ and ۰.۵۶ respectively. Accordingly, in multiple linear regression model organic carbon with ۲۰۶۵.۳۱percentage and EC with -۱۸۶.۱۷ percent have the maximum and minimum impact on production potential of barley respectively. Root mean square error (RMSE)for watermelon test data in linear regression with Enter and step wise methods were calvulated as ۴۷۴۷.۹۳ and ۸۶۱۱.۰۵ (kg/ha) and coefficient of determination or R۲ ۰. ۵۹ and ۰.۲۲ respectively, in this context organic carbon parametr with ۸۵۶۳.۲ and slop of -۷۴۳.۲۹ have a maximum and minimum impact on production potential of watermelon respectively. The artificial neural networks with respect to the root mean square error or RMSE of ۱۲۱۴.۱۴ (kg/ha) and R۲=۰.۷۳ for barley test data, and amount of RMSE of ۹۶۸.۵۶ and R۲=۰.۹۹ for water melon test data network with ten neurons and by turning tangent Hyperbolic formed. it can be resulted that the between linear regression model and artificial neural networks, network with ten neurons and by turning tangent Hyperbolic have closer approximation to the observed values of the actual yield of khajeh region. Therefore the important parameters of landscape, and soil are OC, gypsum, CCE, sand and particals larger than sand, EC and ACEC for barley production potential respectively and important parameters for watermelon production potential, can be as follows: gypsum, sand, slop, particals larger than sand percentage pH and EC صصNowdays, by the increasing of population and agriculture land destruction it is necessary to optimize the land use. So, one of the most important process in sustainable agriculture, is estimating of production potential, which in this context, simplified models of reality are used to determine the production potential and land suitability. In this study, regression and artificial neural network methods were used to estimate the potential production of barley and watermelons in part of khajeh region located between ۳۸۱۱' ۳۰ to ۳۸۷' ۳۰ north latitude and ۴۶۳۷'۳۰ to ۴۶۴۴'۳۰ east longitude. To achieve for determined purposes, the study carried out ۸۰ samples from ۰ to ۵۰cm of ۲۶ selected units barley and water melons farms based on Servati research work (۲۰۱۳). In this manner yields of barley and water
Application of regression analysis and artificial neural network in estimating of production potential for barley and water melons in khajeh region
زینی، مریم
Zeyni, Maryam
جعفرزاده، علی‌اصغر، استاد راهنما
قربانی، محمدعلی، استاد مشاور
نجفی، نصرت‌الله، استاد مشاور
سیاه و سفید
نمایه‌سازی قبلی
