شبیه سازی الگوی خیس شدگی منطقه ریشه گیاهان تحت آبیاری قطره ای با استفاده از تکنیک شبکه های عصبی مصنوعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 شبیه سازی الگوی خیس شدگی منطقه ریشه گیاهان تحت آبیاری قطره ای با استفاده از تکنیک شبکه های عصبی مصنوعی دارای ۲۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد شبیه سازی الگوی خیس شدگی منطقه ریشه گیاهان تحت آبیاری قطره ای با استفاده از تکنیک شبکه های عصبی مصنوعی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی شبیه سازی الگوی خیس شدگی منطقه ریشه گیاهان تحت آبیاری قطره ای با استفاده از تکنیک شبکه های عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن شبیه سازی الگوی خیس شدگی منطقه ریشه گیاهان تحت آبیاری قطره ای با استفاده از تکنیک شبکه های عصبی مصنوعی :

نام کنفرانس، همایش یا نشریه : گیاه و زیست بوم

تعداد صفحات :۲۲

الگوی خیس شدگی خاک منطقه ریشه گیاهان (قطر و عمق خاک خیس خورده) در محل تخلیه قطره چکان ها تابعی از ویژگی های فیزیکی خاک، دبی و مدت زمان کاربرد آب می باشد. با توجه به گوناگونی فاکتورهای موثر بر الگوی خیس شدگی خاک منطقه ریشه گیاهان تحت آبیاری قطره ای و قابلیت شبکه های عصبی مصنوعی به نظر می رسد با جمع آوری اطلاعات برای محدوده به نسبت وسیعی از تغییرات پارامترهای موثر بتوان شکل و روند پیشروی جبهه رطوبتی در خاک را پیش بینی کرد. در این تحقیق، در سال ۱۳۸۳ از خاک های اراضی زراعی حاشیه رودخانه زاینده رود اصفهان و برای ترکیب های مختلف متغیرها (شامل بافت لوم شنی و دبی های کاربردی ۲، ۴، ۸ و ۱۲ لیتر در ساعت با حجم آب آبیاری ۴۸ لیتر) ابتدا شکل و روند پیشروی جبهه رطوبتی با استفاده از یک مدل فیزیکی اندازه گیری شد. سپس با استفاده از نرم افزار Matlab Ver 7 یک شبکه عصبی مصنوعی با نام ANN-SL برای پیش بینی شکل و روند پیشروی جبهه رطوبتی در خاک و در محل تخلیه قطره چکان ها طراحی گردید. نتایج حاصل از مقایسه مدل فیزیکی با شبکه عصبی ANN-SL نشان داد که در این خاک برای هر چهار دبی کاربردی، شبکه عصبی ANN-SL به خوبی قادر به پیش بینی روند پیشروی جبهه رطوبتی می باشد. در شبکه طراحی شده، مقدار ریشه میانگین مربعات خطا (RMSE) برابر ۰.۲۶۰۲ محاسبه شد. هم چنین ضریب تبیین شبکه R2=0.991 به دست آمد. کوچک بودن RMSE و بزرگ بودن R2 شبکه نشان می دهد که میزان هماهنگی بین روند تغییرات جبهه رطوبتی مشاهده شده از آزمایش ها و پیش بینی های شبکه عصبی بسیار خوب بوده است. آنالیز حساسیت روی پارامترهای ورودی به شبکه عصبی ANN-SL نشان داد که حذف پارامترهای حجم آب آبیاری و زمان آبیاری باعث ضعیف شدن عملکرد شبکه می شود، البته تاثیر حذف پارامتر حجم آب آبیاری در عملکرد شبکه زیادتر از تاثیر حذف پارامتر زمان آبیاری می باشد. حذف خصوصیات فیزیکی خاک تاثیر اندکی در عملکرد شبکه دارد (p<0.05) با توجه به نتایج به دست آمده، میزان خطای شبکه عصبی ANN-SL در برآورد روند پیشروی جبهه رطوبتی حدود یک درصد می باشد که در کارهای عملی آبیاری ناچیز است. لذا استفاده از شبکه عصبی ANN-SL برای پیش بینی الگوی خیس شدگی خاک منطقه ریشه گیاهان (وضعیت پیشروی جبهه رطوبتی) تحت آبیاری قطره ای در شرایط مشابه توصیه می شود.

کلید واژه: الگوی خیس شدگی منطقه ریشه گیاهان، شبکه های عصبی مصنوعی، دبی آب آبیاری، مدل فیزیکی