مکیه همدانی - دانش آموخته کارشناسی ارشد مکانیزاسیون کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان
مرتضی تاکی - استادیار گروه مهندسی ماشین های کشاورزی و مکانیزاسیون، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان
مجید راهنما - استادیار گروه مهندسی ماشین های کشاورزی و مکانیزاسیون، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان
عباس روحانی - استادیار گروه مهندسی ماشینهای کشاورزی و مکانیزاسیون، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان
مصطفی رحمتی جنیدآباد - دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد

در این تحقیق، دو مدل شبکه عصبی (MLP-RBF) و رگرسیون چندگانه (MLR)، به منظور تخمین چهار متغیر تاثیرگذار شامل دمایهوا، دمای گیاه، دمای سقف و رطوبت هوای داخلی یک گلخانه دوطرفه شیشه ای مورد بررسی قرار گرفتند. همچنین میزان تبادل انرژی بیناجزای مختلف این گلخانه توسط مدلهای تجربی انتقال حرارت، مورد بررسی قرار گرفت. بدین منظور، از فاکتورهای محیطی شامل دما ورطوبت هوای بیرون گلخانه و همچنین تابش در سطح افق، به عنوان ورودی مدل ها، استفاده شد. در این مطالعه از دو الگوریتم آموزشبایاس پس انتشار خطا (Bayesian regulation backpropagation) و لونبرگ ماکوارت پس انتشار خطا (Levenberg-Marquardt backpropagation) به منظور آموزش هر دو مدل شبکه عصبی استفاده شد. مدل های فوق با الگوریتم های نهایی موجود، با 40 و 80% ازکل مجموعه ی داده ها مورد آموزش قرار گرفتند. در این تحقیق به منظور اعتماد هرچه بیشتر به نتایج مدل و همچنین افزایش قابلیتکاربردی بودن نتایج، از روش اعتبارسنجی K-fold استفاده شد. فاکتورهای تاثیرگذار مدل های فوق در هر مرحله مورد ارزیابی و بهبود قرارگرفتند. نتایج نشان داد، مدل RBF نسبت به دو مدل دیگر از توانایی بیشتری به منظور تخمین متغیرهای فوق، برخوردار است. دقت اینمدل، حدود 50 % نسبت به دول مدل دیگر بیشتر بود و همچنین قابلیت کارکرد آن با مجموعه داده های کمتر نسبت به بقیه بیشتر بود.همچنین مدل RBF نسبت به سایرین با دقت بیشتری میزان تبادل انرژی بین اجزای گلخانه را تخمین زد و می تواند در هوشمندسازی ایننوع گلخانه مورد استفاده قرار گیرد.

شبکه عصبی، گلخانه دوطرفه، مدلسازی، گلخانه های هوشمند، رگرسیون چندگانه