ارائه یک مدل شبکه عصبی RBF برای پیش‌بینی روزهای کاری عملیات خاک‌ورزی تولیدات محصولات
Subject Areas : Farm Management
ارمغان کوثری مقدم
1
(
گروه مهندسی بیوسیستم، دانشگاه تبریز، تبریز، ایران
)
عباس روحانی
2
(
گروه مهندسی مکانیک بیوسیستم، دانشگاه فردوسی مشهد، مشهد، ایران
)
Lobat Kosari-Moghaddam
3
(
گروه علوم و مهندسی آب، دانشگاه فردوسی مشهد، مشهد، ایران
)
مهدی اسماعیل پور تروجنی
4
(
گروه مهندسی مکانیک بیوسیستم، دانشگاه فردوسی مشهد، مشهد، ایران
)
Keywords: شبکه عصبی مصنوعی, رگرسیون خطی چندگانه, احتمال روزهای کاری, توابع پایه‌ای شعاعی,
Abstract :
هدف از این مطالعه تعیین احتمال روزهای کاری (PWD) برای عملیات خاک‌ورزی با استفاده از داده‌های هواشناسی و به کمک روش مدلسازی رگرسیونی خطی چندگانه (MLR) و شبکه عصبی مصنوعی توابع پایه‌ای شعاعی (RBF) بوده است. در هر دو مدل، هفت متغیر شامل دمای متوسط، بیشینه و کمینه، رطوبت نسبی، بارندگی، سرعت باد و تبخیر و تعرق بر پایه روزانه به عنوان پارامترهای ورودی در نظر گرفته شدند. احتمال روزهای کاری نیز به عنوان خروجی مدل‌های ایجاد شده، در نظر گرفته شد. معیارهای عملکردی شامل مجذور مربعات خطا (RMSE)، میانگین درصد خطای مطلق (MAPE) و ضریب تبیین (R2) بودند. نتایج نشان داد که مقادیر R2 برای مدل‌های MLR و RBF به ترتیب برابر 78/0 و 99/0 بوده است. هر دو مدل عملکرد قابل قبولی داشتند؛ اما مدل RBF عملکرد دقیق‌تری نسبت به مدل MLR داشت. مقادیر RMSE و MAPE نیز برای مدل RBF کمتر از مدل MLR بدست آمد. بنابراین مدل RBF به عنوان بهترین مدل برای پیش‌بینی احتمال روزهای کاری انتخاب شد. علاوه بر این، نتایج این مدل‌ها با یک مدل رطوبت خاک که پیش‌تر ارائه شده بود، مقایسه شد. نشان داده شد که نتایج مدل‌های مورد مطالعه با نتایج مدل رطوبت خاک سازگاری خوبی داشته است، اگرچه که مدل RBF بالاترین ضریب تبیین را داشت (R2=99%). در نهایت می‌توان بیان نمود که مدل RBF ایجاد شده می‌تواند برای پیش‌بینی احتمال روزهای کاری در راستای سیاست‌گذاری‌های مدیریتی در بخش کشاورزی مورد استفاده قرار گیرد.
Ahaneku, I. E., & Onwualu, A. P. (2007). Predicting suitable field workdays for soil tillage in north central Nigeria. Nigerian Journal of Technology, 26(1), 81-90.
Allen, R.G., Pereira, L.S., Raes, D. and Smith, M. (1998). Crop Evapotranspiration-Guidelines for Computing Crop Water Requirements. FAO Irrigation and drainage paper 56. United Nations Food and Agriculture Organization, Rome.
Ardabili, S. F., Mahmoudi, A., & Gundoshmian, T. M. (2016). Modeling and simulation controlling system of HVAC using fuzzy and predictive (radial basis function, RBF) controllers. Journal of Building Engineering, 6, 301-308.
American Society of Agricultural Engineers (2000). Agricultural Machinery Management Data. ASAE D497.4 MAR99. 2950 Niles Rd., St. Joseph, MI 49085-9659, USA ph. 616-429-0300, fax 616-429-3852, ASAE-The Society for Engineering in Agricultural, Food, And Biological Systems.
Ataíde, L. T., Caramori, P. H. da Silva Ricce, W., Silva, D. A. B., & de Souza, J. R. P. (2012). The probability of potentially useful work days during the year in Londrina Probabilidade de dias potencialmente úteis de trabalho durante o ano em Londrina. Semina: Ciências Agrárias, Londrina 33(6), 2215-2226.
Babeir, A. S., Colvin, T. S., & Marley, S. J. (1986). Predicting field tractability with a simulation model. Transactions of the ASAE, 29(6), 1520-1525.
Baier, W. (1973). Estimation of field workdays in Canada from the versatile soil moisture budget. Canadian Agricultural Engineering, 15(2), 84-87.
Bietresato, M., Calcante, A., & Mazzetto, F. (2015). A neural network approach for indirectly estimating farm tractors engine performances. Fuel, 143, 144-154.
De Toro, A. & Hansson, P. A. (2004). Analysis of field machinery performance based on daily soil workability status using discrete event simulation or on average workday probability. Agricultural Systems, 79(1), 109-129.
Elhami, B., Khanali, M., & Akram, A. (2017). Combined application of artificial neural networks and life cycle assessment in lentil farming in Iran. Information Processing in Agriculture, 4(1), 18-32.
Fang, T., & Lahdelma, R. (2016). Evaluation of a multiple linear regression model and SARIMA model in forecasting heat demand for district heating system. Applied Energy, 179, 544-552.
Hayhoe, H., & Baier, W. (1974). Markov chain model for sequences of field workdays. Canadian Journal of Soil Science, 54(2),137-148.
Hwang, S. (2007). Days available for harvesting switchgrass and the cost to deliver switchgrass to a biorefinery, unpublished dissertation, Oklahoma State University, USA.
Kamali, G., Behyar, M., & Minbashian, R. (2011). Determining the date of effective weeds spraying in sugarcane fields in Haft Tappeh considering the effect of meteorological parameters. Journal of Geography and Regional Development, 8(15), 247-265(In Persian).
Kosari-Moghaddam, A., Sadrnia, H., Aghel, H., & Bannayan, M. (2015). Predicting working days for secondary tillage and planting operation in fall. Journal of Agricultural Machinery, 6(2), 537-546 (In Persian).
Kosari-Moghaddam, A., Taheri-rad, A., Rostami, M. J. K., & Esmailpour-Troujeni, M. (2016). The comparison of available working days of rice harvesting at conventional and mechanized methods in Gorgan. The 10th national congress on biosystems engineering and mechanization. Ferdowsi University of Mashhad, Mashha, Iran (In Persian).
Maran, J. P., Manikandan, S., Thirugnanasambandham, K., Nivetha, C. V., & Dinesh, R. (2013). Box–Behnken design based statistical modeling for ultrasound-assisted extraction of corn silk polysaccharide. Carbohydrate Polymers, 92(1), 604-611.
Mirzazadeh, A., Abdollahpour, S., Mahmoudi, A., & Bukat, A. (2012). Intelligent modeling of material separation in combine harvester’s thresher by ANN. International Journal of Agriculture and Crop Sciences, 4(23), 1767-1777.
Nesheli, Y. M., Beheshti, B., & Shad, M. (2012). The effect of rainfall and relative humidity for determination of working days for harvesting paddy crop on Amol Region. The 6th National Conference on New Ideas in Agriculture. Agricultural Faculty Islamic Azad University, 1- 2 March, Khorasgan Branch, Iran (In Persian).
Omrani, A., Shiekhdavoodi, M. J., & Shomeili, M. (2011). Influence of meteorological parameters on suitable workdays and timeliness cost in sugarcane harvesting operation. Journal of Life Science and Biomedicine, 2(6), 274-277.
Pakravan, M., Kavoosi Kelashemi, M., Alipour, H. (2011). Forecasting Iran’s rice imports during 2009-2013. International Journal of Agricultural Management and Development, 1(1), 39-44.
Pishgar-Komleh, S. H., Keyhani, A., Mostofi-Sarkari, M. R., & Jafari, A. (2012). Application of response surface methodology for optimization of picker-husker harvesting losses in corn seed. Iranica Journal of Energy and Environment, 3(2), 134-142.
Rohani, A., Ranjbar, I., Abbaspour-Fard, M. H., Ajabshir, Y., & Valizadeh, M. (2010). Evaluation regression techniques in prediction of tractor repair and maintenance costs. Journal of Agricultural Engineering Research, 11(3), 87-96.
Rotz, C. A., & Harrigan, T. M. (2005). Predicting suitable days for field machinery operations in a whole farm simulation. Applied Engineering in Agriculture, 21(4), 563-571.
Rostami, S., Choobin, S., Hosseinzadeh, B., Esmaeili, Z., & Zareiforoush, H. (2017). Analysis and modeling of yield, CO2 emissions, and energy for basil production in Iran using artificial neural networks. International Journal of Agricultural Management and Development, 7(1), 47-58.
Saglam, C., & Tobi, I. (2011). Distribution of tractor available workdays over the southeastern Anatolia project (GAP) area. African Journal of Agricultural Research, 6(30), 6416-6424.
Savin, L., Matić-Kekić, S., Dedović, N., Simikić, M., & Tomić, M. (2014). Profit maximisation algorithm including the loss of yield due to uncertain weather events during harvest. Biosystems Engineering, 123, 56-67.
Selirio, I., & Brown, D. (1972). Estimation of spring workdays from climatological records. Canadian Agricultural Engineering, 14(2), 79-81.
Simalenga, T. E., & Have, H. (1992). Estimation of soil tillage workdays in a semi-arid area. Journal of Agricultural Engineering Research, 51, 81-89.
Soltanali, H., Nikkhah, A., & Rohani, A. (2017). Energy audit of Iranian kiwifruit production using intelligent systems. Energy, 139, 646-654.
Tatari, M., Koochekian, A. & Mahalati, M. N. (2009). Dryland wheat yield prediction using precipitation and edaphic data by applying of regression models. Iranian Journal of Field Crops Research, 7(2), 357-365.
Wen, X. L., Wang, H. T., & Wang, H. (2012). Prediction model of flow boiling heat transfer for R407C inside horizontal smooth tubes based on RBF neural network. Procedia Engineering, 31, 233-239.
Wiljes, H. d., & Zaat, J. C. (1968). The influence of climate upon the number of weather-working hours in combine harvesting in the Netherlands. Theoretical and Applied Climatology, 16(1), 105-114.
Witney, B. (1988). Choosing and Using Farm Machines. Edinburgh, Land Technology Ltd, pp: 412.
Witney, B., Oskoui, K. E., & Speirs, R. (1982). A simulation model for predicting soil moisture status. Soil and Tillage Research, 2(1), 67-80.
