ارزیابی عملکرد سمپاش زراعی نرخ متغیر با استفاده از شبکه های عصبی مصنوعی
محورهای موضوعی : مجله مهندسی زیست سامانه
کلید واژه: شبکه های عصبی مصنوعی, مدل های آماری, کشاورزی دقیق, سمپاش نرخ متغیر,
چکیده مقاله :
جهت ارزیابی عملکرد پاشش یک سمپاش زراعی نرخ متغیر، از روش شبکه عصبی مصنوعی استفاده شد. داده های لازم برای مدل سازی، از آزمون های مزرعه ای به دست آمد. برای مدل سازی بده خروجی افشانک ها،727 شبکه با چهار نوع مدل عصبی مصنوعی خطی، پرسپترون چندلایه، تابع پایه شعاعی و رگرسیون تعمیم یافته آزمون شدند. برای هر افشانک 45، 22 و 23 داده به ترتیب برای آموزش، اعتبارسنجی و آزمایش استفاده شد. مدل تابع پایه شعاعی با یک لایه ورودی، 4 لایه پنهان و4 لایه خروجی کمینه خطا به عنوان بهترین مدل انتخاب شد. برای سنجش توانایی مدل عصبی در پیش گویی بده افشانک ها، نتایج حاصل از این روش با مدل آماری مقایسه شد. بر اساس نتایج، میانگین مقادیرR2 افشانک ها در مدل آماری برابر با 980/0، 979/0، 981/0 و 980/0 و در مدل های عصبی مذکور به ترتیب برابر با 994/0، 988/0، 997/0 و 990/0 به دست آمد. هم چنین میانگین ضریب تغییرات با استفاده از مدل های آماری و شبکه عصبی به ترتیب برابر با 96/18 درصد و 05/19 درصد بود. نتایج نشان داد، که مدل شبکه عصبی مصنوعی در مقایسه با مدل آماری روش دقیق تری برای پیش گویی بده سمپاش بر اساس تغییرپذیری های مکانی سم در مزارع است
To evaluate the application of a variable rate sprayer, artificial neural network (ANN) was used. Data were collected from field experiments. To model the output flow of nozzles, 727 nets were tested by 4 neural network models include linear, MLP, RBF and GRNN. For each nozzle 45, 22 and 23 data were used for train, verification and test, respectively. Among tested models, RBF model with one input, 4 hidden and one output layers was selected as the best model. To investigate the capability of ANN for prediction of sprayer flow, this model was compared by statistical model. According to the results, average value of R2 for statistical model was 0.980, 0.979, 0.981 and 0.980 and for ANN was 0.994, 0.988, 0.997 and 0.990, respectively. Also, averages CV for statistical and neural network models were 18.96% and 19.05%, respectively. Totally, results indicated that ANN model is more accurate than statistical model for prediction of sprayer flow in variable rate spraying
_||_