ارزیابی و مقایسه مدل AquaCrop و مدل های هوشمند جهت پیش بینی عملکرد گندم (مطالعه موردی: شهرستان های میاندوآب و مهاباد)

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 276

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SPS-34-1_001

تاریخ نمایه سازی: 14 بهمن 1403

چکیده مقاله:

امروزه بیش از هر زمان دیگری افزایش تولید محصولات استراتژیک مانند گندم نیاز به استفاده صحیح از منابع آب دارد. مدل AquaCrop یکی از مدل های پویا و کاربرپسند بوده که توسط سازمان خواروبار جهانی فائو توسعه داده شده است. اما این مدل به پارامترهای ورودی نسبتا زیادی نیاز داشته و در صورت وجود سناریوهای متعدد، مدلی وقت گیر می باشد. در تحقیق حاضر برای رفع این مشکل و توسعه مدلی با داده های ورودی کمتر، با استفاده از مدلهای هوشمند ANN، SVR و SVR-FFA و با ایجاد ۴۴۰ سناریو در ۲ مزرعه عملکرد مدلAquaCrop مقایسه گردید. مزارع ۹۹WestW۲ و WestW۱۰ به ترتیب در شهرستان های میاندوآب و مهاباد واقع گردیده و عملکرد (ton/ha) ۶.۵۸۸ و (ton/ha) ۵.۰۵ را داشته اند. نتایج اجرای مدل ها با استفاده از ۵ معیار مورد ارزیابی قرار گرفت. نتایج این تحقیق نشان داد که برای هر دو مزرعه ۹۹WestW۲ و WestW۱۰ مدل SVR-FFA۳ توانست کم ترین میزان خطا را داشته باشد، به طوریکه برای شاخص عملکرد مقدار RMSE برای مزارع مذکور به ترتیب (ton/ha) ۰.۰۳۳ و (ton/ha) ۰.۰۶۹ به دست آمد. مدل های SVR و ANN نیز پس از مدل SVR-FFA توانستند عملکرد مناسبی را از خود نشان دهند. در نهایت مدل های هوشمند SVR-FFA، SVRو ANN با وجود کمترین تعداد ورودی قادر به پیش بینی مقادیر عملکرد در کم ترین زمان و با بیش ترین دقت بوده اند. در هر حال، نتایج نشان داد هر چه ورودی های مدل ها کم تر شود، پیش بینی مدل ها نیز ضعیف تر خواهد بود..

نویسندگان

میلاد شرفی

گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

جواد بهمنش

گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

وحید رضاوردی نژاد

گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

سعید صمدیان فرد

گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ahmadi F, Radmanesh F and Mirabbasi N, ۲۰۱۵. Comparison between ...
  • Araya A, Vara Prasad P, Ciampitti IA, Rice CW and ...
  • Benimam H, Si-Moussa C, Laidi M and Hanini S, ۲۰۲۰. ...
  • Change, ۲۰۰۷. Intergovernmental panel on climate. "Climate change: the physical ...
  • Dibike YB, Velickov S, Solomatine D and Abbott MB, ۲۰۰۱. ...
  • Doorenbos J and Kassam A, ۱۹۷۹. Yield response to water. ...
  • Eskandari A, Nouri R, Meraji H and Kiaghadi A, ۲۰۱۲. ...
  • Fan L and Zhang L, ۲۰۲۲. Multi-system fusion based on ...
  • Fatih M, ۲۰۰۹. Investigation of the effect of different irrigation ...
  • Fister I, Fister Jr I?, Yang XS and Brest J, ...
  • Ghorbani MA, Shamshirband S, Haghi DZ, Azani A, Bonakdari H ...
  • Gu N, Zhang J, Wang G, Liu C, Wang Z ...
  • Guarin JR and Asseng S, ۲۰۲۲. Improving Wheat Production and ...
  • Gupta S, ۲۰۲۱. Artificial neural network modeling and exposure assessments: ...
  • Hagan MT and Menhaj MB, ۱۹۹۴. Training feedforward networks with ...
  • Hamel LH, ۲۰۱۱. Knowledge Discovery with Support Vector Machines (Vol. ...
  • Han J, Zhang Z, Cao J, Luo Y, Zhang L, ...
  • Holzworth DP, Snow V, Janssen S, Athanasiadis IN, Donatelli M, ...
  • Kamari A, Gharagheizi F, Shokrollahi A, Arabloo M and Mohammadi ...
  • Kareem FA, Shariff AM, Ullah S, Keong LK and Mellon ...
  • Kargar K, Samadianfard S, Parsa J, Nabipour N, Shamshirband S, ...
  • Kibue GW, Liu X, Zheng J, Pan G, Li L ...
  • Kim IS, Son JS, Park CE, Kim I and Kim ...
  • Kumar Srivastava A and Singh H, ۲۰۱۶. An enhance firefly ...
  • Ma C, Liu M, Ding F, Li C, Cui Y, ...
  • Mallikarjuna Rao G, Dangeti S and Amiripalli SS, ۲۰۲۲. An ...
  • Marichelvam M and Geetha M, ۲۰۱۴. Solving tri-objective multistage hybrid ...
  • Moazenzadeh R, Mohammadi B, Shamshirband S and Chau K, ۲۰۱۸. ...
  • Nait Amar M and Zeraibi N, ۲۰۱۹. A combined support ...
  • Nasiri M, Modarrs R and Dastoorani M, ۲۰۱۰. Validation of ...
  • Nguyen VD, Nguyen HT, Vranova V, Nguyen LT, Bui QM ...
  • Niedbała G, ۲۰۱۹. Simple model based on artificial neural network ...
  • Osaba E, Yang XS, Dia, F, Onieva E, Masegosa AD ...
  • Raes D, Steduto P, Hsiao TC and Fereres E, ۲۰۰۹. ...
  • Sharafi M, Samadian Fard S and Hashemi S, ۲۰۲۱. Monthly ...
  • Shifteh Some’e B, Ezani A and Tabari H, ۲۰۱۳. Spatiotemporal ...
  • Steduto P, Hsiao TC, Raes D and Fereres E, ۲۰۰۹. ...
  • Swe LM, Shrestha RP, Ebbers T and Jourdain D, ۲۰۱۵. ...
  • Verma A, ۲۰۲۲. SVM, CNN and VGG۱۶ Classifiers of artificial ...
  • Yang XS, ۲۰۰۹. Firefly algorithms for multimodal optimization. International Symposium ...
  • Yang XS, ۲۰۱۰. Nature-Inspired Metaheuristic Algorithms. Luniver press ...
  • Yang XS and He X, ۲۰۱۳. Firefly algorithm: recent advances ...
  • Yazdansepas A, Akbari A, Sanjari AG, Rezaie M, Chaichi M, ...
  • Zhang, C, Xie Z, Wang Q, Tang M, Feng S ...
  • Zhang T, Su J, Liu C and Chen WH, ۲۰۱۹. ...
  • نمایش کامل مراجع