مقاله شبیه سازی الگوی خیس شدگی منطقه ریشه گیاهان تحت آبیاری قطره ای با استفاده از تکنیک شبکه های عصبی مصنوعی که چکیده‌ی آن در زیر آورده شده است، در زمستان ۱۳۸۴ و بهار ۱۳۸۵ در گیاه و زیست بوم از صفحه ۹۲ تا ۱۰۸ منتشر شده است.
نام: شبیه سازی الگوی خیس شدگی منطقه ریشه گیاهان تحت آبیاری قطره ای با استفاده از تکنیک شبکه های عصبی مصنوعی
این مقاله دارای ۱۷ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله الگوی خیس شدگی منطقه ریشه گیاهان
مقاله شبکه های عصبی مصنوعی
مقاله دبی آب آبیاری
مقاله مدل فیزیکی

نویسنده(ها):
جناب آقای / سرکار خانم: پروانک بروجنی کامران

چکیده و خلاصه‌ای از مقاله:
الگوی خیس شدگی خاک منطقه ریشه گیاهان (قطر و عمق خاک خیس خورده) در محل تخلیه قطره چکان ها تابعی از ویژگی های فیزیکی خاک، دبی و مدت زمان کاربرد آب می باشد. با توجه به گوناگونی فاکتورهای موثر بر الگوی خیس شدگی خاک منطقه ریشه گیاهان تحت آبیاری قطره ای و قابلیت شبکه های عصبی مصنوعی به نظر می رسد با جمع آوری اطلاعات برای محدوده به نسبت وسیعی از تغییرات پارامترهای موثر بتوان شکل و روند پیشروی جبهه رطوبتی در خاک را پیش بینی کرد. در این تحقیق، در سال ۱۳۸۳ از خاک های اراضی زراعی حاشیه رودخانه زاینده رود اصفهان و برای ترکیب های مختلف متغیرها (شامل بافت لوم شنی و دبی های کاربردی ۲، ۴، ۸ و ۱۲ لیتر در ساعت با حجم آب آبیاری ۴۸ لیتر) ابتدا شکل و روند پیشروی جبهه رطوبتی با استفاده از یک مدل فیزیکی اندازه گیری شد. سپس با استفاده از نرم افزار Matlab Ver 7 یک شبکه عصبی مصنوعی با نام ANN-SL برای پیش بینی شکل و روند پیشروی جبهه رطوبتی در خاک و در محل تخلیه قطره چکان ها طراحی گردید. نتایج حاصل از مقایسه مدل فیزیکی با شبکه عصبی ANN-SL نشان داد که در این خاک برای هر چهار دبی کاربردی، شبکه عصبی ANN-SL به خوبی قادر به پیش بینی روند پیشروی جبهه رطوبتی می باشد. در شبکه طراحی شده، مقدار ریشه میانگین مربعات خطا (RMSE) برابر ۰٫۲۶۰۲ محاسبه شد. هم چنین ضریب تبیین شبکه R2=0.991 به دست آمد. کوچک بودن RMSE و بزرگ بودن R2 شبکه نشان می دهد که میزان هماهنگی بین روند تغییرات جبهه رطوبتی مشاهده شده از آزمایش ها و پیش بینی های شبکه عصبی بسیار خوب بوده است. آنالیز حساسیت روی پارامترهای ورودی به شبکه عصبی ANN-SL نشان داد که حذف پارامترهای حجم آب آبیاری و زمان آبیاری باعث ضعیف شدن عملکرد شبکه می شود، البته تاثیر حذف پارامتر حجم آب آبیاری در عملکرد شبکه زیادتر از تاثیر حذف پارامتر زمان آبیاری می باشد. حذف خصوصیات فیزیکی خاک تاثیر اندکی در عملکرد شبکه دارد (p<0.05) با توجه به نتایج به دست آمده، میزان خطای شبکه عصبی ANN-SL در برآورد روند پیشروی جبهه رطوبتی حدود یک درصد می باشد که در کارهای عملی آبیاری ناچیز است. لذا استفاده از شبکه عصبی ANN-SL برای پیش بینی الگوی خیس شدگی خاک منطقه ریشه گیاهان (وضعیت پیشروی جبهه رطوبتی) تحت آبیاری قطره ای در شرایط مشابه توصیه می شود.