استفاده از مدل ها، معادلات انتقالی، شبکه عصبی
سارا بلوک آذری؛ حسین بابازاده؛ نیازعلی ابراهیمی پاک؛ سیدحبیب موسوی جهرمی؛ هادی رمضانی اعتدالی
چکیده
در بهره‌برداری از آب‌های با کیفیت پایین در مناطق خشک و نیمهخشک، مدیریت آبیاری برای افزایش بهره‌وری مصرف آب ضروری می‌باشد. ﺗﻌﯿﯿﻦ ﺗﺎﺑﻊ تولید آب- ﺷﻮری- ﻋﻤﻠﮑﺮد ابزار مهمی برای مدیریت آبیاری است. در این پژوهش، توانایی مدل گیاهی AquaCrop در مدیریتهای مختلف آبیاری و در سطوح مختلف شوری برای غلات عمده دشت قزوین شامل گندم، جو و ذرت ...
بیشتر
در بهره‌برداری از آب‌های با کیفیت پایین در مناطق خشک و نیمهخشک، مدیریت آبیاری برای افزایش بهره‌وری مصرف آب ضروری می‌باشد. ﺗﻌﯿﯿﻦ ﺗﺎﺑﻊ تولید آب- ﺷﻮری- ﻋﻤﻠﮑﺮد ابزار مهمی برای مدیریت آبیاری است. در این پژوهش، توانایی مدل گیاهی AquaCrop در مدیریتهای مختلف آبیاری و در سطوح مختلف شوری برای غلات عمده دشت قزوین شامل گندم، جو و ذرت ارزیابی شد. نتایج بررسی، ضریب تبیین را برای عملکرد گندم، جو و ذرت به ترتیب 0/97، 0/86 و 0/91 نشان داد. بنابراین مدل مزبور در شرایط شوری و کمآبیاری با تقریب خوبی می‌تواند عملکرد را ارزیابی نماید. برای تعیین توابع تولید بهینه هر محصول نتایج مدل گیاهی با سه مدل رگرسیون ﺧﻄﯽ، غیرخطی و همچنین شبکه عصبی مصنوعی مقایسه گردید. ﻧﺘﺎﯾﺞ ﻧﺸﺎن داد ﮐﻪ مدل شبکه عصبی توانست عملکرد را نسبت به مدل AquaCrop با همبستگی بالا (0/99) برآورد نماید. در صورتی که این مقادیر در تابع خطی برای گیاه گندم و جو و ذرت به ترتیب0/98، 0/95، 0/78 و در تابع نمایی 0/92، 0/86 و 0/81 بود. همچنین، خطای محاسبه شده در روش شبکه عصبی برای گیاه گندم، جو، ذرت به ترتیب 40/16، 62/09 و 87/08 کیلوگرم بود که این میزان به ترتیب در مقایسه با مدل خطی 75%، 70% و 95% و نسبت به مدل نمایی 90%، 85% و 93% کاهش داشت. بهترین شبکه آموزش دیده برای تعیین تابع تولید آب- شوری برای جو و گندم پنج نرون و برای ذرت هفت نرون در ساختار شبکه‌ی تک لایه معرفی گردید. تحلیل حساسیت به کار رفته برای گیاهان گندم وجو نشان داد که مدلهای رگرسیون خطی، نمایی و شبکه عصبی نسبت به پارامتر مقدار آب آبیاری و میزان شوری آب و خاک حساسیت کم دارند و تنها حساسیت گیاه ذرت نسبت به پارامتر شوری خاک در محدوده متوسط قرار گرفت.