مقایسه برخی روشهای هوش محاسباتی برای تخمین عملکرد گندم آبی و سیبزمینی در منطقه چالدران
عنوان اصلي به زبان ديگر
Comparison of some computational intelligence methods for yield prediction of irrigated wheat and potato in Chalderan region
نام نخستين پديدآور
/مریم گلنژاد
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: کشاورزی
تاریخ نشرو بخش و غیره
، ۱۳۹۸
نام توليد کننده
، میرزائی
مشخصات ظاهری
نام خاص و کميت اثر
۸۱ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مدیریت منابع خاک گرایش منابع خاک و ارزیابی اراضی
زمان اعطا مدرک
۱۳۹۸/۰۶/۱۶
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
تخمین به موقع و دقیق پیش از برداشت محصولات زراعی مانند گندم و سیبزمینی میتواند در برنامهریزی از جمله قیمتصگذاری، صادرات، واردات، انبارداری و تأمین بهصموقع محصولات زراعی مفید باشد .از آنجاییصکه عملکرد سیبصزمینی علاوه بر رقم، تابع رویدادصهای اقلیمی است، لذا هدف از این تحقیق، تعیین مدلی است تا بتواند عملکرد سیبزمینی و گندم را از روش های فائو و شبکه-های عصبی مصنوعی، عصبی ـ الگوریتم ژنتیک، عصبی ـ ازدحام ذرات و نروفازی ـ ازدحام ذرات استفاده و تحلیل این روشصها با نرمصافزار متلب انجام شد .جهت نیل به اهداف مشخص شده، ویژگی-های مورفولوژیکی، فیزیکی و شیمیایی۸ ۰ خاکرخ از منطقه مورد مطالعه قرار گرفت .بر اساس نتایج حاصله خاکهای تحت بررسی بر مبنای کلید ردهصبندی ۲۰۱۴ در پنج رده انتیصسول، اینسپتیصسول، مالیسول، ورتیصسول و آلفیصسولصها ردهصبندی شدند .همچنین طبق نتایج ارزیابی اقلیمی، منطقه برای کشت محصولات گندم و سیبصزمینی کاملا متناسب (S۱) است .پیشبینی نتایج ارزیابی کمی نیز بیانگر این است که روش فائو دارای ضرایب تبیین ۰/۶۳ و ۰/۷۴ بین تولید پیش بینیصشده و تولید مشاهده شده به ترتیب برای گندم و سیب زمینی دارد که نسبتا قابل قبول است .میزان تولید برآورد شده با دو مدل فائو و هوش محاسباتی نیز متفاوت بوده و ناشی از شکل مختلف مدلصهاست و نتایج آزمون همبستگی نیز مؤید این مطلب بوده و در سطح احتمال ۵ درصد معنیصدار میباشد .در روش شبکهصهای عصبی مصنوعی برای هر دو محصول، اضافه شدن تعداد ویژگیصها با ضریب تبیین بالاتر باعث افزایش دقت مدل شد .در این تحقیق مدلصهای نروفازی ـ ازدحام ذرات و عصبی ـ ازدحام ذرات مناسبصترین مدل برای گندم و سیبصزمینی با ۸ ویژگی حاصل شد که این مدلصها در سطح احتمال ۱ درصد معنیصدار و ریشه میانگین مربعات خطا آن برابر ۱۱ و ۱۳درصد است و ضریب تبیین مدل برابر ۹۶/۰ و۹ ۳ /۰به ترتیب برای گندم و سیبصزمینی است .روشصهای تلفیقی شبکه عصبی، میانگین مربعات خطا بسیار کمتری برخوردار بوده و از بین روشصهای مورد بررسی، روش تلفیقی نروفازی ـ ازدحام ذرات از ریشه میانگین مربعات خطای کمتری نسبت به بقیه مدلصها برخوردار است و از بین ویژگیصهای اقلیمی و خاکی، دما در دوره رشد، بافت و ظرفیت تبادل کاتیونی از مهمصترین عناصر تأثیرگذار در عملکرد محصولات انتخابی در روشصهای تلفیقی میصباشند
متن يادداشت
Timely and accurate prediction of pre-harvest crops such as wheat and potato can be programmed, including pricing, import, export, warehousing and timely supply of agricultural products is beneficial and The wheat and potato yield in addition to genetic characteristics, is a function of climatic events soil properties. The aim of this study was to determine model with using parameters climatic and soil properties estimated yield of wheat and potato before harvest and This research models neural network, ANN-GA, ANN-PSO and ANN-PSO-GA was used to estimate yield. Soil physical and chemical characteristics of 80 soil profiles were studied. According to keys to soil taxonomy 2014, soils were classified in Entisols, Inceptisols, Alfisols, vertisols and molisols with high variability. Based on evaluation results, region climate was highly suitable for wheat and potato. The results of Quantitive land evaluation revealed, have significant correlation and accuracy FAO methods for estimation of land production potential and coefficient of correlation values between land production potential and observed yield in FAO is 0.74 and 0.63 for potato and wheat respetively. Production potential is different in two models which is related to differences in the forms of the models and results are siginificant (P>5 ). The results showed that increasing the number of parameters in the regression model in all cities is Increase the accuracy of the model. The best intelligence model with eight parameters were obtained in the wheat that the model is significant at the one percent level and root mean square error model equal 11, 13 for wheat and potato respectively. The coefficient of determination is 0.93 and 0.95 for potato and wheat respectivelly. Different methods neural networks to estimate in compare with regression methods, was less the root mean square error and ANN-GA-PSO method had the lowest root mean square error between neural network methods and Among the parameters studied, temperature in the growing season, lime and texture was the most important elements affecting performance
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Comparison of some computational intelligence methods for yield prediction of irrigated wheat and potato in Chalderan region
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )