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:

209
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

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

استناد:

اطلاعات مقاله نشریه

عنوان

توسعه توابع تولید غلات مهم دشت قزوین در شرایط کم آبی و تنش شوری با استفاده از مدل AquaCrop و شبکه عصبی مصنوعی

صفحات

 صفحه شروع 123 | صفحه پایان 137

چکیده

 در بهره برداری از آب های با کیفیت پایین در مناطق خشک و نیمه خشک, مدیریت آبیاری برای افزایش بهره وری مصرف آب ضروری می باشد. ﺗ ﻌ ﯿ ﯿ ﻦ ﺗ ﺎ ﺑ ﻊ تولید آب-ﺷ ﻮ ری-ﻋ ﻤ ﻠ ﮑ ﺮ د ابزار مهمی برای مدیریت آبیاری است. در این پژوهش, توانایی مدل گیاهی AquaCrop در مدیریت های مختلف آبیاری و در سطوح مختلف شوری برای غلات عمده دشت قزوین شامل گندم, جو و ذرت ارزیابی شد. نتایج بررسی, ضریب تبیین را برای عملکرد گندم, جو و ذرت به ترتیب 0/97, 0/86 و 0/91 نشان داد. بنابراین مدل مزبور در شرایط شوری و کم آبیاری با تقریب خوبی می تواند عملکرد را ارزیابی نماید. برای تعیین توابع تولید بهینه هر محصول نتایج مدل گیاهی با سه مدل رگرسیون ﺧ ﻄ ﯽ , غیرخطی و همچنین شبکه عصبی مصنوعی مقایسه گردید. ﻧ ﺘ ﺎ ﯾ ﺞ ﻧ ﺸ ﺎ ن داد ﮐ ﻪ مدل شبکه عصبی توانست عملکرد را نسبت به مدل AquaCrop با همبستگی بالا (0/99) برآورد نماید. در صورتی که این مقادیر در تابع خطی برای گیاه گندم و جو و ذرت به ترتیب0/98, 0/95, 0/78 و در تابع نمایی 0/92, 0/86 و 0/81 بود. همچنین, خطای محاسبه شده در روش شبکه عصبی برای گیاه گندم, جو, ذرت به ترتیب 40/16, 62/09 و 87/08 کیلوگرم بود که این میزان به ترتیب در مقایسه با مدل خطی 75%, 70% و 95% و نسبت به مدل نمایی 90%, 85% و 93% کاهش داشت. بهترین شبکه آموزش دیده برای تعیین تابع تولید آب-شوری برای جو و گندم پنج نرون و برای ذرت هفت نرون در ساختار شبکه ی تک لایه معرفی گردید. تحلیل حساسیت به کار رفته برای گیاهان گندم وجو نشان داد که مدل های رگرسیون خطی, نمایی و شبکه عصبی نسبت به پارامتر مقدار آب آبیاری و میزان شوری آب و خاک حساسیت کم دارند و تنها حساسیت گیاه ذرت نسبت به پارامتر شوری خاک در محدوده متوسط قرار گرفت.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    بلوک آذری، سارا، بابازاده، حسین، ابراهیمی پاک، نیازعلی، موسوی جهرمی، سیدحبیب، و رمضانی اعتدالی، هادی. (1400). توسعه توابع تولید غلات مهم دشت قزوین در شرایط کم آبی و تنش شوری با استفاده از مدل AquaCrop و شبکه عصبی مصنوعی. پژوهش آب در کشاورزی (علوم خاک و آب)، 35(2 (ب) )، 123-137. SID. https://sid.ir/paper/411788/fa

    Vancouver: کپی

    بلوک آذری سارا، بابازاده حسین، ابراهیمی پاک نیازعلی، موسوی جهرمی سیدحبیب، رمضانی اعتدالی هادی. توسعه توابع تولید غلات مهم دشت قزوین در شرایط کم آبی و تنش شوری با استفاده از مدل AquaCrop و شبکه عصبی مصنوعی. پژوهش آب در کشاورزی (علوم خاک و آب)[Internet]. 1400؛35(2 (ب) ):123-137. Available from: https://sid.ir/paper/411788/fa

    IEEE: کپی

    سارا بلوک آذری، حسین بابازاده، نیازعلی ابراهیمی پاک، سیدحبیب موسوی جهرمی، و هادی رمضانی اعتدالی، “توسعه توابع تولید غلات مهم دشت قزوین در شرایط کم آبی و تنش شوری با استفاده از مدل AquaCrop و شبکه عصبی مصنوعی،” پژوهش آب در کشاورزی (علوم خاک و آب)، vol. 35، no. 2 (ب) ، pp. 123–137، 1400، [Online]. Available: https://sid.ir/paper/411788/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.
  • 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