پیش بینی تبخیر-تعرق روزانه برنج در مقیاس مزرعه با استفاده از رویکرد یادگیری ماشین

هما نوغان کار; محمود رائینی; محمد علی غلامی سفیدکوهی; مجید مبینی

پیش بینی تبخیر-تعرق روزانه برنج در مقیاس مزرعه با استفاده از رویکرد یادگیری ماشین

محل انتشار: مجله تحقیقات آب و خاک ایران، دوره: 53، شماره: 12

سال انتشار: 1401

نوع سند: مقاله ژورنالی

زبان: فارسی

مشاهده: 175

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

دریافت فایل کامل مقاله

صدور گواهی نمایه سازی
من نویسنده این مقاله هستم

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > یادگیری ماشین

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

https://civilica.com/doc/1658177

شناسه ملی سند علمی:

JR_IJSWR-53-12_006

تاریخ نمایه سازی: 30 اردیبهشت 1402

چکیده مقاله:

پیش بینی کوتاه مدت تبخیر-تعرق روزانه گیاه در کشاورزی دقیق و مدیریت آبیاری اهمیت فراوانی دارد.در این مقاله، روشی برای پیش بینی کوتاه مدت نقشه های تبخیر-تعرق روزانه گیاه برنج با استفاده از تصاویر ماهواره ای و الگوریتم های یادگیری ماشین ارائه شده است.پس از تلفیق باندهای تصاویر لندست ۸ و مودیس با استفاده از روش STARFM، تصاویر تبخیر-تعرق روزانه به کمک الگوریتم METRIC تولید و برای پیش بینی نقشه های تبخیر-تعرق روزهای بعدی به عنوان ورودی به ماشین بردار ارتباط (RVM) و حافظه کوتاه-مدت طولانی (LSTM) اعمال شدند. دو سناریو برای پیش بینی در نظر گرفته شد. در سناریوی اول، با استفاده از یک تصویر و یک گام زمانی شش روزه، تصویر شش روز بعد پیش بینی شد. در سناریوی دوم، پیش بینی برای روزهای متوالی تا شش روز انجام شد.ضریب همبستگی بین مقادیر پیش بینی شده توسط RVM و مقادیر واقعی برای سناریوی اول و دوم به ترتیب ۸۹/۰ و ۸۴/۰ بدست آمد که نشان دهنده دقت قابل قبول این دو سناریو در پیش بینی تبخیر-تعرق است. در سناریوی نخست، مقادیر R۲ برای دو روش RVM و LSTM به ترتیب برابر با ۸/۰ و ۵۹/۰ بدست آمد که نشان می دهد RVM در مقایسه با LSTM از دقت بیشتری برای پیش بینی تبخیر-تعرق برخوردار است. مقدار RMSE برای RVM در سناریوی اول و دوم به ترتیب برابر با ۵۶/۰ و ۸۲/۰ و مقدار MAE نیز به ترتیب برابر با ۴۳/۰ و ۶۶/۰ بدست آمد که نشان از خطای کمتر ناشی از پیکره بندی انجام شده در سناریوی اول می باشد.

کلیدواژه ها:

الگوریتم METRIC ، تلفیق تصاویر ماهواره ای ، ماشین بردار ارتباط ، LSTM

نویسندگان

هما نوغان کار

گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

محمود رائینی

گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

محمد علی غلامی سفیدکوهی

گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

مجید مبینی

دانشکده مهندسی برق، موسسه آموزش عالی صنعتی مازندران، بابل، 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 :

Ahmed AM, Deo RC, Feng Q, Ghahramani A, Raj N, ...
Allen RG, Tasumi M, Morse A, Trezza R, Wright JL, ...
Allen RG, Tasumi M, Trezza R. (۲۰۰۷b). Satellite-based energy balance ...
Althoff D, Bazame HC, Filgueiras R, Dias SHB. (۲۰۱۸). Heuristic ...
Babaeian E, Paheding S, Siddique N, Devabhaktuni VK, Tuller M. ...
Bchir, A., M’nassri, S., Dhib, S., Amri, A. E., & ...
Bhandari SK. (۲۰۲۱). Application of machine learning for estimating reference ...
Carter C, Liang S. (۲۰۱۹). Evaluation of ten machine learning ...
Chen, J. M., & Liu, J. (۲۰۲۰). Evolution of evapotranspiration ...
Damavandi, H.G., Shah, R., Stampoulis, D., Wei, Y., Boscovic, D. ...
Dingre, S. K., & Gorantiwar, S. D. (۲۰۲۰). Determination of ...
Dong, J., Zhu, Y., Jia, X., Han, X., Qiao, J., ...
Dou X, Yang Y. (۲۰۱۸). Evapotranspiration estimation using four different ...
Elbeltagi, A., Kumari, N., Dharpure, J. K., Mokhtar, A., Alsafadi, ...
Ferreira LB, da Cunha FF, de Oliveira RA, Fernandes Filho ...
Filgueiras R, Mantovani EC, Dias SHB, Fernandes Filho EI, da ...
Gao F, Masek J, Schwaller M, Hall F. (۲۰۰۶). On ...
Liakos KG, Busato P, Moshou D, Pearson S, Bochtis D. ...
Luo, J., Dou, X., & Ma, M. (۲۰۲۲). Evaluation of ...
Newcome, M. E. (۲۰۲۱). The application of unmanned aerial vehicle ...
Numata I, Khand K, Kjaersgaard J, Cochrane MA, Silva SS. ...
Patil AP, Deka PC. (۲۰۱۶). An extreme learning machine approach ...
Reyes-Gonz´alez A, Kjaersgaard J, Trooien T, Hay C, Ahiablame L. ...
Roy DK. (۲۰۲۱). Long short-term memory networks to predict one-step ...
Roy DK, Sarkar TK, Kamar SSA, Goswami T, Muktadir MA, ...
Sheffield, J., Wood, E. F., Pan, M., Beck, H., Coccia, ...
Talib A, Desai AR, Huang J, Griffis TJ, Reed DE, ...
Tikhamarine Y, Malik A, Kumar A, Souag-Gamane D, Kisi O. ...
Tipping ME. (۲۰۰۱). Sparse bayesian learning and the relevance vector ...
Vapnik VN. (۱۹۹۹). An overview of statistical learning theory. IEEE ...
Yang R, Singh SK, Tavakkoli M, Amiri N, Karami MA, ...
Esmaeili S, Khoshkhoo Y, Babaei Kh, Asadi Oskouei E. (۲۰۱۸). ...

نمایش کامل مراجع