مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

508
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

711
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

برآورد دمای خاک از داده های هواشناسی با استفاده از مدل های یادگیری ماشین سریع، شبکه عصبی مصنوعی و رگرسیون خطی چندگانه

صفحات

 صفحه شروع 895 | صفحه پایان 906

چکیده

 دمای خاک عامل کلیدی است که فرآیندها و خصوصیات فیزیکی, شیمیایی و بیولوژیکی خاک را کنترل می کند؛ لذا بر کمیت و کیفیت تولید محصولات کشاورزی تأثیر می گذارد. هدف از انجام این پژوهش برآورد دمای خاک با استفاده از پارامترهای هواشناسی به روش های مختلف ماشین یادگیری بوده است. بدین منظور داده های هواشناسی و دمای خاک در عمق های 5, 10, 20, 30, 50 و 100 سانتی متری از 17 ایستگاه سینوپتیک استان خوزستان مربوط به 25 سال (1994 تا 2018) گردآوری شد. مدل های شبکه عصبی پرسپترون چندلایه (MLPNN), ماشین یادگیری سریع (ELM) و رگرسیون خطی چندگانه (MLR) برای برآورد دمای خاک استفاده شدند. داده های دمای هوا, سرعت باد, رطوبت نسبی هوا, فشار بخار, تبخیر و بارندگی به عنوان ورودی برای آموزش مدل ها استفاده شدند. نتایج نشان داد که تمام مدل ها برآوردی بهتری از دمای لایه سطحی خاک (عمق 30-0 سانتی متری) داشته و با افزایش عمق دقت آن ها کاهش می یابد, به طوری که بهترین دقت برآورد دمای خاک مربوط به عمق 5 و کمترین آن مربوط به عمق 100 سانتی متری بود. نتایج نشان داد مدل های MLR, MLPNN و ELM عملکردی مطلوب در مدل سازی دمای خاک در تمام عمق ها داشتند. برای مدل های MLR, MLPNN, ELM به ترتیب مقادیر R2 از 864/0-700/0, 997/0-967/0 و 996/0-967/0, مقادیر RMSE از 823/2-557/2, 072/0-034/0 و 078/0-028/0 درجه سلسیوس و مقادیر MAE از 529/1-398/1, 063/0-023/0 و 065/0-023/0 درجه سلسیوس بود. نتایج نشان داد که دو مدل MLPNN و ELM دارای عملکردی تقریبا مشابه و بهتر از مدل رگرسیون خطی چندگانه بودند؛ اما به دلیل سرعت محاسبات بسیار بالای مدل ELM, پیشنهاد می گردد از مدل MLPNN برای تخمین دمای نیمرخ خاک استفاده شود.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    زادمهر، حسین، و فرخیان فیروزی، احمد. (1399). برآورد دمای خاک از داده های هواشناسی با استفاده از مدل های یادگیری ماشین سریع, شبکه عصبی مصنوعی و رگرسیون خطی چندگانه. تحقیقات آب و خاک ایران (علوم کشاورزی ایران)، 51(4 )، 895-906. SID. https://sid.ir/paper/364659/fa

    Vancouver: کپی

    زادمهر حسین، فرخیان فیروزی احمد. برآورد دمای خاک از داده های هواشناسی با استفاده از مدل های یادگیری ماشین سریع, شبکه عصبی مصنوعی و رگرسیون خطی چندگانه. تحقیقات آب و خاک ایران (علوم کشاورزی ایران)[Internet]. 1399؛51(4 ):895-906. Available from: https://sid.ir/paper/364659/fa

    IEEE: کپی

    حسین زادمهر، و احمد فرخیان فیروزی، “برآورد دمای خاک از داده های هواشناسی با استفاده از مدل های یادگیری ماشین سریع, شبکه عصبی مصنوعی و رگرسیون خطی چندگانه،” تحقیقات آب و خاک ایران (علوم کشاورزی ایران)، vol. 51، no. 4 ، pp. 895–906، 1399، [Online]. Available: https://sid.ir/paper/364659/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button