کاربرد شبکه های عصبی مصنوعی و GIS در تخمین پارامترهای موثر در تعیین الگوی کشت (مطالعه موردی : شهرستان نهاوند)

محورهای موضوعی : مدیریت محیط زیست

حسین بانژاد ¹ (دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان*(مسئول مکاتبات))
حمید محب زاده ² (دانشگاه آزاد اسلامی، واحد تهران جنوب، باشگاه پژوهشگران جوان و نخبگان، تهران، ایران)
احسان علیائی ³ (دانشگاه آزاد اسلامی، واحد همدان، باشگاه پژوهشگران جوان و نخبگان، همدان، ایران)

تاریخ دریافت : 1388/10/01 تاریخ پذیرش : 1389/04/24 تاریخ انتشار : 1392/01/01

کلید واژه: الگوی کشت, تخمین, سامانه اطلاعات جغرافیایی, شبکه های عصبی مصنوعی, نهاوند,

چکیده مقاله :

چکیده یکی از مهم ترین مسایل پیش روی کشاورزی فاریاب، تدوین الگوی کشت بهینه می باشد. در این راستا تخمین پارامترهای موثر بر کمیت و کیفیت آب قابل دسترس به عنوان یکی از مولفه های حایز اهمیت در اتخاذ تصمیمات مدیریتی در پیشرفت و توسعه کشاورزی پایدار امری ضروری است. در این مطالعه از تکنیک شبکه های عصبی مصنوعی برای تخمین سطح آب چاه های پیزومتری و همچنین عوامل موثر بر کیفیت آب (EC , SAR) مورد استفاده برای کشاورزی بهره گرفته شده است. بدین منظور از داده های ماهانه برداشت شده سطح آب چاه های پیزومتری در طی 7 سال و داده های مربوط به کیفیت آب در طول 4 سال در دشت نهاوند استفاده شد. همچنین تراز سطح آب زیر زمینی شهرستان نهاوند در سال86-1385با استفاده از سامانه اطلاعات مکانی ترسیم شد. کارایی مدل توسط معیارهای آماری شامل ضریب تعیین (R2) ، ریشة مربع میانگین خطا(RMSE) و میانگین قدرمطلق خطا (MAE) مورد ارزیابی قرار گرفت. نتایج برآمده نشان داد که ضریب R2برای تخمین سطح آب چاه های پیزومتری برابر 98/0 و برای SARو EC به ترتیب برابر با 991/0 و 990/0 بودند. نتایج فوق بیانگر توانایی مناسب شبکه های عصبی مصنوعی به عنوان تکنیکی برتر برای شبیه سازی پارامترهای کمی وکیفی موثر در تعیین الگوی کشت بود. همچنین نتایج حاصل از ترسیم مکانی سطح آب زیرزمینی توسط سامانه اطلاعات جغرافیایی حاکی از کمبود منابع آب های زیر سطحی در این منطقه بود .

چکیده انگلیسی:

AbstractOne of the most important issues in irrigated agriculture is determination of optimum plant pattern.Therefore, estimation of effective parameters in quality and quantity of available water is significantand is one of the most important components in adoption of management decisions in development ofsustainable agriculture. In this study, Artificial Neural Networks technique has been used forestimation of piezometer wells water level and also effective factors for water quality used inagriculture (EC, SAR). For this purpose, monthly recorded data for piezometer wells water levelduring a seven year and data related with water quality during a four years period in Nahavand plainwere used. Also, a groundwater level in Nahavand in year of 1385-86 was drawn. Efficiency of modelwas evaluated by statistical criteria including coefficient of determination (R2), root mean square error(RMSE) and mean absolute error (MAE). The derived results showed that R2 value for estimation ofpiezometer wells water level is 0.98 and for SAR and EC is 0.991 and 0.990 respectively. The aboveresults indicated the appropriate ability of Artificial Neural Networks as superior technique forsimulation of effective quality and quantity parameters in determination of plant pattern. Also theresults from spatial drowning of groundwater level by Geographic Information System indicated theshortage of water resource in this region

منابع و مأخذ:

1. R. S. Ayers, D. W. Westcot. Water Quality for agriculture.1985, 3.


2. Mohammad N. Almasti, Jagath J. Kaluarachchi. Modular neural networks to predict the nitrate distribution in ground water using the on-ground nitrogen loading and recharge data. Environmental Modelling & Software 20(2005), 851-871.


3. Hore, A., Dutta, S.,  Datta, S.,  Bhattacharjee C., 2008. Application of an artificial neural network in wastewater quality monitoring: prediction of water quality index International. Journal of Nuclear Desalination 2008 - Vol. 3, No.2  pp. 160 - 174


4. Huiqun, M., Ling, L,. 2008. Water Quality Assessment Using Artificial Neural Network, csse, vol. 1, pp.13-15, 2008 International Conference on Computer Science and Software Engineering, 2008.


5. Ihuaku Anagu, Joachim Ingwersen, Jens Utermann, Thilo Strech. Estimation of heavy metal sorption in German soils using artificial neural networks. Geoderma 152(2009), 104-112.


6. Sunddarambal palani, Shie-Yui Liong, Pavel Tkalich.An ANN application for water quality forcasting.Marine Pollution Bulletin 56(2008), 1586-1597.


7. Luis A.Garcia, Abdalla Shigidi. Using neural networks for parameter estimation in ground water. Journal of Hydrology 318(2006), 215-231.


8. Sreedhar Ganapuram,G.T Vijaya Kumar,I.V Murali Krishna,Ercan Kahya,M.cuneyd Demirel. Mapping of groundwater Potential zones in the Musi basin using remote sensing data and GIS. Advance in Engineering Software 40(2009), 506-518.


9. Bilgehan Nas, Ali Berktay. Groundwater Contamination by nitrates in the city of konya, (Turkey): A GIS perspective. Journal of Environmental Management 79(2006), 30-37.


10. Y.Yang, M.S.Rosenbaum.Artificial neural networks linked to GIS for determining sedimentology in harbours.Journal of petroleum Science and Engineering 29(2001), 213-220.


11. Thiery.F, Grieu.s, Traor´e.A. Integration of neural networks in a geographical information system for the monitoring of a catchment area. Mathematics and Computers in Simulation 76 (2008) 388–397


12. Ioannis N.Daliakopoulos, Paulin Coulibaly, Ioannis K.Tsanis. Groundwater level forecasting usig artificial neural networks. Journal of Hydrology 309(2005), 229-240.


13. Yi-Ming kuo, Chen-Wuing Liu, Kao-Hung Lin.Evaluation of the ability of an artificial neural network model to assess the variation of groundwater quality in an area of  blackfoot disease in Taiwan. Water Research 38(2004), 148-158.


14. B.F.Alemaw, E.M Shemang, T.R. Chaoka. Assessment of groundwater pollution vulnerability and modeling of the kanya wellfield in SE Botswana – a GIS approach. Physics and Chemistry of the Earth 29(2004), 1125-1128.