کاربرد مدل‌های شبکه عصبی مصنوعی در تخمین عملکرد محصول شلیل مغان تحت آبیاری شیاری دوطرفه

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی دکتری سازه های آبی/ گروه مهندسی آب، دانشگاه تبریز

2 دانشیار/ موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات آموزش و ترویج کشاورزی، کرج

3 دانشجوی کارشناسی‌ارشد / گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

چکیده

حوضة آبریز دریاچة ارومیه به‌دلیل استفاده بی‌رویه از منابع آب به‌ویژه در بخش کشاورزی و کاهش نزولات جوی در تأمین نیازهای اکولوژیک خود با بحران روبه‌رو شده است. لذا، بهبود سیستم‌های آبیاری سطحی موجود می‌تواند راه‌کار مناسبی در کاهش مصرف و استفادة بهینه از منابع آب در این حوضه باشد. در همین راستا، به‌منظور بررسی و مقایسه تأثیر رویکرد آبیاری شیاری دوطرفه بر عملکرد و کارایی مصرف آب در محصول شلیل رقم مغان مورد پژوهش در سال زراعی 99-1398 در اراضی شهرستان میان‌دوآب واقع در جنوب دریاچة ارومیه اجرا و عملکرد محصول از طریق مدل‌های شبکة تابع پایة شعاعی (RBF) و شبکة پیش‌خور تعمیم‌یافته (GFF) برآورد شد. برای این منظور، یک مجموعه داده شامل 140 داده در دو سطح آبیاری کرتی T1 (شاهد) و آبیاری شیاری دوطرفه T2 (تیمار) و مشخصات خاک منطقه به‌عنوان پارامترهای ورودی استفاده شد. 80 درصد (112 داده) برای آموزش و 20 درصد (28 داده) برای آزمایش شبکه استفاده شد. در این پژوهش روش مدیریت زمان آبیاری نیز در نظر گرفته شد. به‌نحوی‌که در هر آبیاری، میزان آب مورد نیاز در هر دو بخش شاهد و تیمار بر اساس نیاز آبی شلیل مغان و فواصل آبیاری تعیین شد. نتایج نشان داد که رویکرد آبیاری شیاری دوطرفه و نیز اعمال تیمار برنامه­ریزی آبیاری زمان واقعی موجب افزایش بهره‌وری آب (72/0 کیلوگرم بر مترمکعب) در این مزرعه شد. هم‌چنین نتایج مدل‌سازی نشان داد که مدل RBF با آموزش Levenberg Marquardt و چهار لایۀ پنهان پتانسیل بالایی در تخمین عملکرد محصول شلیل مغان دارد. در مجموع، با اعمال پارامتر سطوح آبیاری به‌عنوان ورودی، مدل شبکة عصبی مصنوعی می‌تواند تخمین مطلوب‌تری (RMSE = 0.035) از عملکرد محصول شلیل مغان ارائه دهد.

کلیدواژه‌ها


Akbarpour, A., Khorashadizadeh, A., Shahidi, A., & Ghochanian, A. (2013). Evaluation of artificial neural network model in estimation of Saffron crop performance based on climate parameters. Saffron Research Journal, 1(1), 27-35.
Alvarez, A. (2009). Predicting average regional yield and production of wheat in the Argentine Pampas by an artificial neural network approach. European Journal of Agronomy, 30, 70-77. 
Bagheri, S., Gheisari, M., Aubi, Sh. A., & Lavaie, N. (2012). Prediction of forage maize yield using artificial neural networks. Journal of Plant Production Research (JOPPR), 19(4), 77-94.
Bariklo, A., Alamdari P., Moravaj 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.
Esmaielzadeh-KordKheili, S. (2012). Estimition of rice yield using statistical methods, artificial neural network and multi-regression methods in Giullan. M.Sc. Thesis, Vali-Asr University, Rafsanjan (in Persian).
FAO. (1992). CROPWAT a computer program for irrigation planning and management, by M. Smith. FAO Irrigation and Drainage Paper No. 46. Rome.
Fathi Tarshizi, M. (2012). Field evaluation of surface irrigation models under irrigation with saline water (Case study of furrow irrigation). M.Sc. Thesis, Ferdowsi University of Mashhad, Mashhad (in Persian).
Gershenfeld, N. A., & Gershenfeld, N. (1999). The nature of mathematical modeling. Cambridge university press.
Ghorbani, M. A., Shahabboddin, Sh., Zare Haghi, D., Azani, A., Bonakdari, H., & Ebtehaj, I. (2017). Application of Firefly algorithm-based support vector machines for prediction of filed capacity and permanent wilting point. Soil and Tillage Research, 172, 32-38.
Kaul, M., Hill, R.L., & Walthall, C. (2005). Artificial neural networks for corn and soybean yield prediction. Agricultural Systems, 85, 1-18. 
Landeras, G., Ortiz-Barredo, A., & López, J. (2009). Forecasting weekly evapotranspiration with ARIMA and artificial neural network models. Irrigation and Drainage Engineering, ASCE, 135, 323-334.
Merdun, H., Çınar, Ö., Meral, R., & Apan, M. (2009). 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.
Nourani, V., & Babakhani, A. (2012). Integration of artificial neural networks with radial basis function interpolation in earthfill dam seepage modeling. Journal of Computing in Civil Engineering, 27(2), 183-195.
Piri, J., Amin, S., Moghaddamnia, A., Keshavarz, A., Han, D., & Remesan, R. (2009). Daily pan evaporation modeling in a hot and dry climate. Journal of Hydrologic Engineering, ASCE, 15(8), 803-811.
Rahmani, E., Liaghat, A., & Khalili, A. (2008). Estimating barley yield in eastern azerbaijan using drought indices and climatic parameters by artificial neural network (ANN). Iranian Journal of Soil and Water Research, 39(1), 47-56 (in Persain).
Smith, B.A., Hoogenboom, G., & McClendon, R.W. (2009). Artificial neural networks for automated year-round temperature prediction. Computers and Electronics in Agriculture, 68(1), 52-61.  
Seiler, R.A., & Kogan, F. (1998). AVHRR-based vegetation and temperature condition indices for drought detection in Argentiana. Advances in Space Research, 21(3), 481-484.
Taghizadeh Mehrjerdi, R., Seyedjalali, S.A., & Sarmadian, F. (2016). Prediction of corn spatial yield by soil digital mapping in Gotend region (Khuzestan Province, Iran). Journal of plant production, 19 (4), 70-96.
Talebi, H. (2018). Calibration and improvement of furrow irrigation performance indices (case study: Moghan Agriculture, Industry and Animal Husbandry). M.Sc. Thesis,  Mohaghegh Ardabili University, Ardabil (in Persian). 
Zareh-Abyaneh, H. (2012). Evaluation of Artificial Neural Network and Geostatistical Methods in Estimating the Spatial Distribution of Irrigated and Dry Wheat Yield (Case Study: Khorasan Razavi). Physical Geography Research Quarterly, 44 (4), 23-42 (in Persian).