ورود

Login to your account

Username
Password *
Remember Me

شبکه عصبی آبیاری

کلیدواژه ها : شبکه عصبی، شبکه عصبی آبیاری، آبیاری، ترجمه کشاورزی

این مقاله کاربرد شبکه های عصبی مصنوعی ( ANN ها) در پیش بینی تخلیه آب چشمه به صورت هفتگی را نشان میدهد. این تحقیق بر مبنای تخلیه آب چشمه هفتگی از چشمه ای است که در نزدیکی رانیچاوری در ناحیه تهری گارهاول در اتوارخاند هند قرار گرفته است. پنج مدل برای پیش بینی تخلیه آب چشمه  بر مبنای دوره های هفتگی با استفاده از بارش، تبخیر، دما با یک وقفه زمانی ساخته شد. همه مدل ها به همراه  یک و دو لایه مخفی ساخته شدند. هر مدل با  انجام آزمون های زیاد از طریق انتخاب معماری های شبکه متفاوت و تعداد متفاوتی از نورون های پنهان ساخته شد :  در نهایت مدلی که بهترین پیش بینی را داشت از طریق مقایسه تمام مدل های ساخته شده شد. مدل ها با سه الگوریتم متفاوت امتحان شدند: الگوریتم انتشار سریع، الگوریتم پس‌انتشار دسته ای و الگوریتم لونبرگ-مارکوارت . این کار با استفاده از داده هفتگی بدست آمده از 1999 تا 2005 انجام شد. بهترین مدل شبیه سازی در سه الگوریتم ارائه شده با استفاده از معیارهای آماری مثل ضریب همبستگی (R) ، ضریب قطعیت یا بازده ناش-سوتکلیف (DC) ارائه داده شد. در آخر، تعداد بهینه نورون ها برای بدست آوردن بهترین مدل بررسی شد. نتایج تمرین و تست نشان داد که مدل ها میزان تخلیه آب چشمه هفتگی را به طرز رضایت بخشی نشان می دهند. بر مبنای این معیارها، نتایج مدل مبتنی بر ANN با محاسبات تخلیه آب چشمه تطابق بهتری داشتند. در این تحقیق مدل های LMR نیز ایجاد شدند و اگرچه آنها نیز نتایج خوبی داشتند اما وقتی که آنها را با متدولوژی ANN مقایسه می کنیم، ANN مقدارهای بهینه شده بهتری را به ما میدهد.

1.    مقدمه
فرایند شبیه سازی تخلیه آب یک چشمه خیلی پیچیده است. این فرایند اغلب یک پدیده غیر خطی است که تغییر زمانی و فضائی در آن مشاهده می شود. مدل سازی تخلیه چشمه در مدیریت بهتر منابع آب نقش حیاتی دارد. خیلی از مدل ها مثل مدل های جعبه سیاه، مدل های مفهومی و مدل های فیزیکی به شکل خاص برای بارش، رواناب و فرایند رسوب ساخته شده اند. از سوی دیگر، مدل های خیلی کمی هستند که برای ارزیابی دقیق تخلیه چشمه ساخته شده باشند و در خیلی از مواقع ابزارهای ساده ای مثل مدل های تئوریک خطی و مدل های جعبه سیاه مزیت هایی دارند. به هر حال این مدل ها در نشان دادن فرایند غیر خطی مثل بارش، رواناب یا تولید رسوب شکست می خورند  . در سال های اخیر استفاده موفق از تکنیک های هوش مصنوعی مثل ANN ها، یک بُعد جدید به مدل سازی این سیستم های پیچیده افزوده است تا بتوان مسئله های متنوع مربوط مهندسی منابع آب و مهندسی هیدرولوژی/هیدرولیک را ازین طریق حل کرد  . در سال های اخیر یک توسعه جدید به نام مدل سازی دورگه هم برای پیش بینی بهتر و توسعه مدل بهتر به وجود آمده است ANFIS، منطق فازی ANN ، ANN-GA از این جمله هستند. بر خلاف مدل های ریاضی که به دانش دقیقی از متغیر های مشارکت کننده نیاز دارند، یک شبکه عصبی مصنوعی به خوبی آموزش داده شده می تواند رفتار فرایند را تخمین بزند. این یک حقیقت ثابت شده است که شبکه های عصبی توانائی تعمیم قوی دارند که به معنای این است که وقتی که آنها را به درستی آموزش دهیم، قادر به ارائه کردن نتایج دقیق حتی برای مواردی که از پیش نمی شناسند هستند

+ برای مشاهده متن انگلیسی ترجمه شده کلیک کنید

منبع : http://www.hindawi.com/journals/aai/2011/686258/

برای سفارش این ترجمه تخصصی کشاورزی با ما تماس بگیرید