ارائه مدلی داده رانه برای پیش بینی عملکرد شکر استحصالی از نیشکر

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 192

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JAM-12-4_007

تاریخ نمایه سازی: 28 آذر 1401

چکیده مقاله:

پیش بینی عملکرد محصول یکی از مسائل مهم در حوزه ی کشاورزی می باشد و به عوامل مختلفی از جمله شرایط آب وهوایی، ویژگی های خاک، ویژگی های محصول و برنامه های مدیریتی وابسته می باشد. پیش بینی دقیق عملکرد محصول می تواند در تصمیم گیری ها و بهینه سازی فرآیندها به کشاورزان و صنایع وابسته به کشاورزی کمک نماید و در نهایت منجر به افزایش تولید شود. نیشکر یکی از مهم ترین محصولات استراتژیک کشاورزی و منبع تامین شکر در جهان می باشد. هدف پژوهش حاضر پیش بینی و بررسی عوامل موثر بر میزان شکر استحصالی از نیشکر در مزارع شرکت کشت وصنعت نیشکر امیرکبیر با استفاده از الگوریتم های یادگیری ماشین می باشد. داده های جمع آوری شده برای این پژوهش مربوط به بازه زمانی سال های ۱۳۹۶-۱۳۸۹ شامل ۳۲۲۳ نمونه می باشد که شامل چهار مجموعه داده آب وهوایی، محصول، خاک و مدیریت مزرعه می باشد. برای مدل سازی پژوهش از الگوریتم های جنگل تصادفی، آدابوست، تقویت گرادیان حداکثری و ماشین بردار پشتیبان استفاده شده و در محیط ژوپیترنوت بوک پایتون پیاده سازی شده اند. مدل جنگل تصادفی با صحت ۹۲.۲% برای پیش بینی شکر استحصالی در بین مدل های ارائه شده بهترین عملکرد را دارد.

نویسندگان

فاطمه نادرنژاد

دانشجوی کارشناسی ارشد، گروه مدیریت بهره وری، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران

دین محمد ایمانی

گروه مدیریت بهره وری، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران

محمد رضا رسولی

گروه مهندسی سیستم های هوشمند، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Balakrishnan, N., & Muthukumarasamy, G. (۲۰۱۶). Crop production-ensemble machine learning ...
  • Bocca, F. F., & Rodrigues, L. H. A. (۲۰۱۶). The ...
  • Brownlee, J. (۲۰۲۰a). How to Develop Your First XGBoost Model ...
  • Brownlee, J. (۲۰۲۰b). A Gentle Introduction to XGBoost for Applied ...
  • Brownlee, J. (۲۰۲۰c). Extreme Gradient Boosting (XGBoost) Ensemble in Python. ...
  • Charoen-Ung, , & Mittrapiyanuruk, P. (۲۰۱۸). Sugarcane Yield Grade Prediction ...
  • Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & ...
  • Shooshtari, M. B., Ahmadian, S., & Asfiaa, G. (۲۰۰۸). Sugarcane ...
  • Sishodia, R. P., Ray, R. L., & Singh, S. K. ...
  • Veenadhari, S., Misra, B., & Singh, C. (۲۰۱۴). Machine learning ...
  • نمایش کامل مراجع