پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,760 |
| تعداد مشاهده مقاله | 115,143,232 |
| تعداد دریافت فایل اصل مقاله | 89,904,848 |
ارزیابی روشهای شبکهی عصبی مصنوعی و زمین آمار در برآورد توزیع مکانی عملکرد گندم دیم و آبی (مطالعهی موردی: خراسان رضوی) | ||
| پژوهش های جغرافیای طبیعی | ||
| مقاله 2، دوره 44، شماره 4، دی 1391، صفحه 23-42 اصل مقاله (1.15 M) | ||
| شناسه دیجیتال (DOI): 10.22059/jphgr.2012.30240 | ||
| نویسنده | ||
| حمید زارع ابیانه | ||
| دانشیار گروه مهندسی آب، دانشکدهی کشاورزی، دانشگاه بوعلی سینا | ||
| چکیده | ||
| پژوهش حاضر با هدف پیش‌بینی میزان عملکرد گندم آبی و دیم با روشهای زمین‌آمار کریجینگ و شبکهی عصبی مصنوعی در سطح استان خراسان رضوی انجام گرفت. بدین منظور نخست مشخّصات طول و عرض جغرافیایی هفده شهرستان مورد مطالعه، به‌عنوان ورودی‌های هر دو روش تعریف شد. خروجی هر روش نیز مقدار عملکرد گندم آبی و دیم هر شهرستان بود. در بخش زمین‌آمار سه روش کریجینگ معمولی، کریجینگ ساده و کریجنگ عمومی و در بخش شبکهی عصبی مصنوعی، ساختار پرسپترون سهلایه با الگوریتم پس‌انتشار خطا، مورد ارزیابی قرار گرفت. نتایج نشان دادند در بین روشهای زمین‌آمار، روش کریجینگ ساده با نیم‌تغییرنمای دایرهای در پیش‌بینی عملکرد گندم آبی با مجذور میانگین مربّعات خطای نرمال 120/0 و روش کریجینگ معمولی با نیم‌تغییرنمای نمایی و مجذور میانگین مربّعات خطای نرمال 348/0 در پیش‌بینی عملکرد گندم دیم مناسب بود. مقایسهی نتایج زمین‌آمار و شبکهی عصبی مصنوعی بیانگر توانایی بالای شبکهی عصبی در مقابل روش زمین‌آمار کریجینگ بود، بهطوریکه در شبکهی عصبی مصنوعی عملکرد گندم دیم و آبی به‌ترتیب با 46 و 42 درصد خطای کمتر نسبت به‌روش زمین‌آمار برآورد شد. همچنین محاسبهی شاخص ویلموت نشان داد دقّت شبکهی عصبی در پیش‌بینی عملکرد گندم دیم، 81 درصد و در گندم آبی 65 درصد بود. در حالی‌که شاخص ویلموت برای پیش‌بینی عملکرد گندم دیم و آبی به‌روش زمین‌آمار، به‌ترتیب 53 درصد و 50 درصد به‌دست آمد. درمجموع می‌توان چنین نتیجه گرفت که روش شبکهی عصبی مصنوعی با تلفیق دو عامل طول و عرض جغرافیایی، قادر به پیش‌بینی عملکرد گندم آبی و دیم پیش از برداشت با دقّت مناسب است. | ||
| کلیدواژه‌ها | ||
| خراسان رضوی؛ زمین‌آمار؛ شبکهی عصبی مصنوعی؛ عملکرد گندم؛ مختصات جغرافیایی | ||
| عنوان مقاله [English] | ||
| Evaluation of Artificial Neural Network and Geostatistical Methods in Estimating the Spatial Distribution of Irrigated and Dry Wheat Yield (Case Study: Khorasan Razavi) | ||
| نویسندگان [English] | ||
| H Zare Abyaneh | ||
| چکیده [English] | ||
| Introduction Access to agricultural information and statistics, is a prerequisite for many agricultural activities. Crop performance is measured and reported as a point data. While this parameter is a random and dynamic variable and due to the spatial variability of crop yields, it is obviously necessary to estimate of yield. Wheat is the oldest cultivated crops in different parts of the world, which is used to produce grain for bread, animal feed and industrial use. Prediction of wheat performance needs data in terms of location, amount and distribution in a given geographical area. Selected of predicting correct method of is essential and important in crop management. In recent years with the growth of science and computer technology and software development models have been used in the management. The model is effective and accurate method in overcoming the limitations and errors of point measurements. The main condition for the success of the model is to select the appropriate method based on factors. In this study, two methods were used for modeling: geostatistical method and artificial neural networks (ANN). Methods of geostatistical, due to the spatial correlation of data and artificial neural networks due to the use of input and output patterns are important as a powerful tool in forecasting. Methodology The study area is Razavi Khorasan Province that located in north-east country and at latitudes between 33O and 30' to 37O and 41' north and longitude 56O 19' to 61O and 18' east. This province area is 127 thousand kilometers with 65300 hectares agricultural land. Approximately 36500 hectares of agricultural land under cultivation is irrigated and dry wheat. In this study, we used wheat yield data from 17 cities with at least 26 years of statistics. Choice reason of these cities was according to the statistical period, the appropriate spatial distribution and no need to reconstruct the data. Wheat from terms of acreage and production rate is the most important agricultural products of the country from the economic point of view. The purpose of this study was to select the most appropriate method in estimating the spatial distribution of irrigated and dry wheat yield in Razavi Khorasan region. For this purpose geostatistics methods of ordinary kriging, simple kriging and universal kriging and ANN approach were applied. In this regard latitude and longitude information of 17 cities were used as input both methods (Geostatistic and artificial neural networks) and annual yield measurements as output. In section of neural network, learning rule of levenberge marqoate, momentum and conjugate gradient with back propagation algorithm and activation function of tangent and sigmoid for hidden layer and output layer were used. Finally, selection of the appropriate method was based on Wilmot index. Results and Discussion Results showed that among the methods of geostatistics, simple kriging with circular model with NRMSE=0.120 and ordinary kriging with exponential model with NRMSE=0.348 was suitable to forecast wheat yield. In addition, results showed that the ANN approach with three layers consisting of two neurons in input layer, four neurons in the middle layer and one neuron in output layer had required accuracy in between various structures implemented for predicting wheat yield. Comparison of ANN and geostatistical showed that ANN capability is more than kriging method. The ANN results showed that artificial neural network model, as an independent estimate, can predict wheat yield variables in all 17 cities. Also, comparison of the results of both methods with Willmot index showed the accurately of ANN in prediction of dry wheat yield (81%) and irrigated wheat yield (65%). While in geostatistical method, Wilmot index for predicting dry wheat yield and irrigated wheat yield was 53% and 50%, respectively. In general it can be concluded that the ANN approach with combining latitude and longitude can forecast irrigated and dry wheat yield with sufficient accuracy. Conclusion In this study, the statistical methods and artificial neural network were used to estimate the spatial distribution of irrigated and dry wheat yield. In both methods latitude and longitude information were used as input data. The results of this study showed the effects of latitude and longitude as independent variables in estimating the wheat yield of a regional. Also, it was found that the ANN is superior to kriging method and this method corroborate the nonlinear relationship between latitude and longitude value to wheat yield. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network, Geographic Coordinates, Kriging, Wheat | ||
|
آمار تعداد مشاهده مقاله: 3,434 تعداد دریافت فایل اصل مقاله: 1,529 |
||