
تعداد نشریات | 162 |
تعداد شمارهها | 6,623 |
تعداد مقالات | 71,542 |
تعداد مشاهده مقاله | 126,884,878 |
تعداد دریافت فایل اصل مقاله | 99,925,382 |
پیشبینی رطوبت خاک گلخانه با استفاده از شبکه عصبی مصنوعی و حسگرهای شبکه بیسیم | ||
مهندسی بیوسیستم ایران | ||
دوره 53، شماره 4، بهمن 1401، صفحه 341-356 اصل مقاله (1.95 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijbse.2023.341992.665482 | ||
نویسندگان | ||
فائزه بهزادی پور1؛ محمود قاسمی نژاد رائینی* 2؛ سامان آبدانان مهدی زاده2؛ مرتضی تاکی2؛ بیژن خلیلی مقدم3؛ محمدرضا زارع بوانی4 | ||
1دانشجوی دکتری، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران | ||
2دانشیار دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران | ||
3دانشیار دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران | ||
4استادیار دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران | ||
چکیده | ||
رطوبت خاک یکی از اصلیترین عوامل تعیین کننده برای رشد بهتر گیاهان به ویژه در گلخانهها که امروزه بصورت گستردهای مورد استقبال قرار گرفتهاند، میباشد. اندازهگیری رطوبت خاک و عوامل محیطی بصورت پیوسته و سالانه، علاوه بر وقتگیر بودن، هزینههای زیادی را در پی دارد. از اینرو یکی از ابزارهای پیشبینی کننده هوشمند که امروزه با کمترین میزان خطا جایگاه وسیعی در علم کشاورزی به خود اختصاص داده، ابزار شبکه عصبی میباشد. در این پژوهش به منظور کنترل رطوبت خاک توسط نقشه پیشبینی رطوبت مبتنی بر شبکه عصبی مصنوعی، درصد رطوبت و دمای خاک، میزان نور، دما و رطوبت محیط در گلخانهای واقع در شمال شرقی خوزستان، طی دو فصل زمستان و بهار اندازهگیری و ثبت گردید. نتایج نشان از پیشبینی دقیق نقشه رطوبتی خاک در فصل زمستان و بهار به ترتیب با کمترین میزان خطای استاندارد (12/1 و 71/1) و بالاترین ضریب تعیین (R2) به ترتیب 94/0 و 78/0 بین مقادیر اندازهگیری شده واقعی و مقادیر پیشبینی شده در مرحله آموزش و بالاترین ضریب تعیین در مرحله آزمایش برای فصل زمستان و بهار به ترتیب 87/0 و 93/0 توسط شبکه عصبی مصنوعی داشتند. بنابراین دقت قابل توجه در پیشبینی رطوبت خاک توسط این نرمافزار نشان از اهمیت و قابلیت اطمینان بالای آن در امور کشاورزی و گلخانهای دارد که به موجب آن، کنترل رطوبت خاک آسانتر گردیده و تنشهای رطوبتی کمتری برای خاک و به تبع آن برای گیاه رخ میدهد. | ||
کلیدواژهها | ||
پیش &rlm؛ بینی؛ شبکه عصبی مصنوعی؛ گلخانه؛ نقشه رطوبت خاک؛ هوشمند | ||
مراجع | ||
Ahmad, S., Kalra, A. & Stephen, H. (2010). Estimating soil moisture using remote sensing data: a machine learning approach. Advances in Water Resource. 33 (1). 69–80. Akbarzadeh, A., Mehrjardi, R.T., Lake, H.R. & Ramezanpour, H. (2009). Application of artificial intelligence in modeling of soil properties (Case study: Roodbar Region, North of Iran). Environmental Research Journal. 3 (2). 19–24. Alavi, A.H., Gandomi, A.H., Mollahassani, A., Heshmati, A.A. & Rashed, A. (2010). Modeling of maximum dry density and optimum moisture content of stabilized soil using artificial neural networks. Journal of Plant Nutrition and Soil Science. 173 (3). 368–379. Angelopoulos, C.M., Nikoletseas, S. & Theofanopoulos, G.C. (2011). A smart system for garden watering using wireless sensor networks. In: 9th Association for Computing Machinery (ACM) International Symposium on Mobility Management and Wireless Access. 167–170. Aqeel-ur, R., Shaikh, Z.A., Yousuf, H., Nawaz, F., Kirmani, M. & Kiran, S. (2014). Crop irrigation control using Wireless Sensor and Actuator Network (WSAN). In: International Conference on Information and Emerging Technologies (ICIET). 1–5. Baaghideh, M., Entezari, A. & Kordi, A. (2019). Investigation of the Relationship between Soil Temperature and Climate Parameters in the Northwest of Iran (1992-2015). Journal of Geography and Regional Development Research. 16(1). 279-307. (In Farsi). Barikloo, A., Alamdari, P., Moravej, K. & Servati, M. (2017). Prediction of Irrigated Wheat Yield by using Hybrid Algorithm Methods of Artificial Neural Networks and Genetic Algorithm. Journal of Water and Soil. 31(3). 715-726. (In Farsi). Cai, W., Ruihua, W., Xu, L. & Ding, X. (2020). A method for modelling greenhouse temperature using gradient boost decision tree. Information Processing in Agriculture. 1-12. Charoenhirunyingyos, S., Honda, K., Kamthonkiat, D. & Ines, A.V.M. (2011). Soil moisture estimation from inverse modeling using multiple criteria functions. Computers and Electronics in Agriculture. 75(2). 278–287. Cordeiro, M., Markert, C., S.Araujo, S., G.S. Campos, N., S.Gondim, R., L.Coelho da silva, T. & R. da Rocha, A. (2022). Towards smart farming: fog-enabled intelligent irrigation system using deep neural networks. Future Generation computer systems. 129. 115-124. Dursun, M. &Özden, S. (2014). An efficient improved photovoltaic irrigation system with artificial neural network based modeling of soil moisture distribution – A case study in Turkey. Computer and Electronics in Agriculture. 102. 120- 126. Dursun, M. & Karaman, M.R. (2009). Artificial neural network based modeling of spatial distribution of phosphorus on the tomato area. Asian Journal of Chemistry. 21 (1). 239–247. Hafezi, N., Sheikhdavoodi, M. J., Sajadiye, A. M. & Khorasani Ferdavani, M. E. (2014). Neural modeling for predicting the moisture content of potato slices in a vacuum-radiant dryer. Journal of Agricultural Engineering. 39(1). 39-53. (In Farsi). Izgi, E., Oztopal, A., Yerli, B., Kaymak, M.K. & Sahin, A.D. (2012). Short-mid-term solar power prediction by using artificial neural networks. Journal of the International Solar Energy. 86 (2). 725– 733. Karthikeyan, L. & Mishra, A. K. (2021). Multi-layer high-resolution soil moisture estimation using machine learning over the United States. Remote Sensing of Environment. 266(112706). 1-19. Khanali, M., Mobli, H., Ghasemi Mobtaker, H. & Sherafat, M. (2018). Modeling of Energy Consumption and Environmental Indices of Production and Processing of Tea with Regression and Artificial Neural Network Models. Journal of Agricultural Mechanization. 4(1). 15-25. (In Farsi). Kim, Y. & Evans, R.G. (2009). Software design for wireless sensor-based site-specific irrigation. Computer and Electronics in Agriculture. 66 (2). 159–165. Merdun, H., Çınar, Ö., Meral, R. & Apan, M. (2006). Comparison of artificial neural network and regression pedotransfer functions for prediction of soil water retention and saturated hydraulic conductivity. Soil and Tillage Research. 90. 108–116. Moravejalahkami, B. & Baghshahi, M. (2020). Feasibility Study of the Construction and Moreno, A., Gilabert, M.A. & Martinez, B. (2011). Mapping daily global solar irradiation over Spain: a comparative study of selected approaches. Journal of the International Solar Energy. 85(9). 2072–2084. Ozden, S. & Dursun, M. (2011). Remote monitoring and control of PV powered drip irrigation system with soil moisture sensors. In: The Third International Conference on Computer Engineering and Technology (ICCET). 239–244. Ramirez-Beltran, N.D., Calderon-Arteaga, C., Harmsen, E., Vasquez, R. & Gonzalez, J. (2010). An algorithm to estimate soil moisture over vegetated areas based on in situ and remote sensing information. International Journal of Remote Sensing. 31 (10). 2655–2679. Sabziparvar, A. A., Tabari, H. & Aeini, A. (2010). Estimation of Mean Daily Soil Temperature by Means of Meteorological Data in Some Selected Climates of Iran. Journal of Science and Technology of Agriculture and Natural Resources (Water and Soil Science). 14(52). 125-137. (In Farsi). Sanuade, O. A., Hassan, A. M., Akanji, A. O., Olaojo, A. A., Oladunjoye, M. A. & Abdulraheem, A. (2020). New empirical equation to estimate the soil moisture content based on thermal properties using machine learning techniques. Arabian Journal of Geosciences. 13-377. Taki, M., Ajabshirchi, Y., Ranjbar, S. F., Rohani, A. & Matloobi, M. (2016). Prediction of Soil Temperature and Inside air Humidity in a SemiSolar Greenhouse Equipped with Cement North Wall by Artificial Neural Network; Case study: Tabriz city. Journal of Agricultural Mechanization. 3(1). 76-89. (In Farsi). Taneja, P., Vasava, H. K., Daggupati, P. & Biswas, A. (2021). Multi-algorithm comparison to predict soil organic matter and soil moisture content from cell phone images. Geoderma. 385 (114863). 1-15. Veronez, M.R., Wittmann, G., Reinhardt, A.O. & Da Silva, R.M. (2010). Surface temperature estimation using artificial neural network. In: International Society for Photogrammetry and Remote Sensing (ISPRS) TC VII Symposium. 612–617. Wang, N., Zhang, N.Q. & Wang, M.H. (2006). Wireless sensors in agriculture and food industry – recent development and future perspective. Computer and Electronics in Agriculture. 50 (1). 1–14. Yamaç, S. S., Şeker, C. & Negiş, H. (2020). Evaluation of machine learning methods to predict soil moisture constants with different combinations of soil input data for calcareous soils in a semiarid area. Agricultural Water Management. 234(106121). 1-11. Yang, C.C., Prasher, S.O. & Mehuys, G.R. (1997). An artificial neural network to estimate soil temperature. Canadian Journal of Soil Science. 77 (3). 421–429. Zhang, J., Liu, K. & Wang, M. (2021). Downscaling groundwater storage data in China to a 1-km resolution using machine learning methods. Remote Sensing. 13(3). 1-19. Zhao, W., Sanchez, ´ N., Lu, H. & Li, A. (2018). A spatial downscaling approach for the SMAP passive surface soil moisture product using random forest regression. Journal of Hydrology. 563. 1009–1024. | ||
آمار تعداد مشاهده مقاله: 640 تعداد دریافت فایل اصل مقاله: 356 |