LSTM Modeling and Optimization of Rice (Oryza sativa L.) Seedling Growth using Intelligent Chamber
محل انتشار: مجله هوش مصنوعی و داده کاوی، دوره: 11، شماره: 4
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 48
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JADM-11-4_006
تاریخ نمایه سازی: 20 دی 1402
چکیده مقاله:
An intelligent growth chamber was designed in ۲۰۲۱ to model and optimize rice seedlings' growth. According to this, an experiment was implemented at Sari University of Agricultural Sciences and Natural Resources, Iran, in March, April, and May ۲۰۲۱. The model inputs included radiation, temperature, carbon dioxide, and soil acidity. These growth factors were studied at ambient and incremental levels. The model outputs were seedlings' height, root length, chlorophyll content, CGR, RGR, the leaves number, and the shoot's dry weight. Rice seedlings' growth was modeled using LSTM neural networks and optimized by the Bayesian method. It concluded that the best parameter setting was at epoch=۱۰۰, learning rate=۰.۰۰۱, and iteration number=۵۰۰. The best performance during training was obtained when the validation RMSE=۰.۲۸۸۴.
کلیدواژه ها:
نویسندگان
Hamid Ghaffari
Sari Agricultural Sciences and Natural Resources University, Iran.
Hemmatollah Pirdashti
Sari Agricultural Sciences and Natural Resources University, Iran.
Mohammad Reza Kangavari
Iran University of Science and Technology, Tehran, Iran.
Sjoerd Boersma
Department of Farm Technology, Wageningen University & Research, Wageningen, the Netherlands.
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 :