ارزیابی شبکه عصبی پرسپترون چند لایه در شبیه سازی رطوبت خاک ایستگاه فراخیل- قائمشهر
عنوان مقاله: ارزیابی شبکه عصبی پرسپترون چند لایه در شبیه سازی رطوبت خاک ایستگاه فراخیل- قائمشهر
شناسه ملی مقاله: ICSDA07_163
منتشر شده در هفتمین کنگره سالانه بین المللی توسعه کشاورزی، منابع طبیعی، محیط زیست و گردشگری ایران در سال 1402
شناسه ملی مقاله: ICSDA07_163
منتشر شده در هفتمین کنگره سالانه بین المللی توسعه کشاورزی، منابع طبیعی، محیط زیست و گردشگری ایران در سال 1402
مشخصات نویسندگان مقاله:
صدف احمدنژاد - دانشجوی کارشناسی ارشد هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
مهدی نادی - استادیار هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
پویا عاقل پور - دانشجوی دکتری هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
خلاصه مقاله:
صدف احمدنژاد - دانشجوی کارشناسی ارشد هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
مهدی نادی - استادیار هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
پویا عاقل پور - دانشجوی دکتری هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
تحقیق جاری بمنظور ارائه مدلی عددی برای برآورد رطوبت سطحی خاک طراحی شده است. این بررسی مبتنی بر اندازه گیری مستقیم زمینی رطوبت خاک در اعماق ۵ (SM۵) و ۱۰ (SM۱۰) سانتیمتری و مدل شبکه عصبی پرسپترون چند لایه (MLP) انجام می پذیرد. بدین منظور ایستگاه هواشناسی قراخیل- قائمشهر در استان مازندران مدنظر قرار گرفت و از متغیرهای متعدد هواشناسی (۱۶ متغیر) بعنوان ورودی مدل ها استفاده گردید. داده ها در مقیاس روزانه و طی دوره ۲۰۱۷-۲۰۲۰ مورد بررسی قرار گرفتند که از این میان ۷۵% از روزها بعنوان فاز آموزش و ۲۵% از روزها بعنوان فاز آزمون درنظر گرفته شدند. مولفه های مرتبط با دمای هوا و خاک، رطوبت نسبی هوا، تبخیر و فشار بخار اثرگذارترین عوامل بر روی رطوبت روزانه خاک شناخته شدند که از ترکیب های آنها بعنوان متغیرهای ورودی به مدل استفاده گردید. مقایسه تخمین ها و اندازه گیری های واقعی نشان داد که مدل MLP دارای دقت مطلوب در برآورد رطوبت خاک بوده است (R(۲)=۰.۶۱۴) برای SM۵ و R(۲)=۰.۵۸۰ برای SM۱۰). در تخمین SM سطحی بدون حضور مستقیم در محل، رویکرد جاری حاکی از عملکرد رضایتبخش بوده و ارزش تحقیقاتی برای نواحی مشابه اقلیمی را دارا می باشد.
کلمات کلیدی: تخمین رطوبت خاک، مدل سازی یادگیری ماشین، MLP، پرسپترون، قراخیل
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1951469/