| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 3,074 |
| تعداد مقالات | 34,301 |
| تعداد مشاهده مقاله | 47,138,852 |
| تعداد دریافت فایل اصل مقاله | 78,044,460 |
مقایسه مدل های رگرسیون چند متغیره خطی و شبکه های عصبی مصنوعی برای برآورد عملکرد گندم دیم در مناطقی از زاگرس مرکزی | ||
| زراعت دیم ایران | ||
| مقاله 1، دوره 5، شماره 2 - شماره پیاپی 10، آذر 1395، صفحه 119-133 اصل مقاله (586.96 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/idaj.2016.109661 | ||
| نویسندگان | ||
| عبدالمحمد محنت کش* 1؛ شمس الله ایوبی2؛ احمد جلالیان3؛ امیر احمد دهقانی4 | ||
| 1بخش تحقیقات خاک و آب، مرکز تحقیقات کشاورزی و منابع طبیعی چهارمحال و بختیاری ، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد، ایران | ||
| 2گروه خاکشناسی دانشگاه صنعتی اصفهان، اصفهان، ایران | ||
| 3گروه خاکشناسی دانشگاه آزاد واحد خوراسگان، خوراسگان، ایران | ||
| 4گروه مهندسی آبیاری، دانشگاه کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
| چکیده | ||
| با توجه به اهمیت گندم در تغذیه انسان و سطح زیر کشت وسیع این محصول به صورت دیم در ایران، این پژوهش با هدف ارزیابی کارایی مدلهای رگرسیون چند متغیره خطی و شبکههای عصبی مصنوعی برای پیشبینی عملکرد دانه و زیستتوده گندم دیم (رقم سرداری)، در یک بررسی دو ساله اجرا شد. در دو منطقه از زاگرس مرکزی، 202 نقطه نمونهبرداری تحت کشت گندم دیم و در اجزای مختلف شیب شامل قله شیب، شانه شیب، شیب پشتی، پای شیب و انتهای شیب انتخاب شد. در زمان برداشت گندم، از این نقاط نمونه خاک و نمونه عملکرد گندم جمعآوری شد. ویژگیهای اولیه و ثانویه پستی و بلندی در هر نقطه، از مدلهای رقومی ارتفاع استخراج و از دادههای هواشناسی دو منطقه استفاده شد. 54 خصوصیت مختلف خاک، پستی و بلندی، بارندگی و مدیریت به عنوان ورودیهای هر مدل و عملکرد دانه و زیستتوده گندم به عنوان خروجیهای هر دو مدل در نظر گرفته شد. ضرایب تبیین مدلهای شبکه عصبی مصنوعی و رگرسیون چند متغیره خطی به ترتیب برای پیشبینی عملکرد دانه برابر 84 و 15درصد و برای پیشبینی زیستتوده هوایی برابر 76 و 6 درصد بود. ریشه دوم میانگین مربعات خطای (RMSE) این مدلها نیز به ترتیب در پیشبینی عملکرد دانه برابر 033/0 و 092/0 و در پیشبینی زیستتوده برای شبکه عصبی مصنوعی و رگرسیون چند متغیره خطی به ترتیب برابر 037/0 و 102/0 بود. نتایج نشان از توانایی بهتر شبکه های عصبی مصنوعی نسبت به رگرسیون چند متغیره خطی در برآورد عملکرد دانه و زیستتوده گندم دیم در مناطق مورد مطالعه داشت. | ||
| کلیدواژه‌ها | ||
| رگرسیون چند متغیره خطی؛ زاگرس؛ شبکه های عصبی مصنوعی؛ گندم دیم | ||
| عنوان مقاله [English] | ||
| Comparison of multivariate linear regression and artificial neural networks models for estimating of rainfed wheat yield in some central Zagros areas | ||
| نویسندگان [English] | ||
| Abdolmohammad Mehnatkesh1؛ S. Ayyubi2؛ A. Jalalyan3؛ A.A. A.A. Dehgani4 | ||
| 1Agriculture and Natural Resources Research Center of Chaharmahal and Bakhtiari, Agricultural Research Education and Extension Organization (AREEO), Shahrekord, Iran | ||
| 2Department of Soil Science, Isfahan University of Technology, Isfahan, Iran | ||
| 3Department of Agronomy, Khorasgan branch, Islamic Azad University, Khorasgan, Iran | ||
| 4Department of Irrigation engenering,Gorgan University of Agriculture and Natural Resources, Gorgan, Iran | ||
| چکیده [English] | ||
| Given the importance of wheat in human nutrition and its cultivation in large-area under rainfed in Iran, this study was aimed to evaluate the efficiency of artificial neural networks and linear multiple regression models to predict biomass and grain yields of wheat (cv. Sardari), in two-year study. In two stations (Koohrang and Ardal), 202 sampling points were selectedin the various hillslopes includes summit, shoulder, back slope, foot slope and toe slope. Atthe harvesting stage, the soil and plant samples were collected. Primary and secondary terrain attributes were extracted from digital elevation models, and meteorological data were used in two regions. Topography, 54 different soil characteristics, rainfall and management as the inputs as well as biomass and grain yields were considered as the outputs of both models. Artificial neural networks and multiple linear regression models, respectively, accounted for 84% and 15% of variations (R2) in grain yield prediction, and 76% and 6% in prediction of biomass yield. The root mean square error (RMSE) of the models also were equal to 0.033 and 0.092 to predict grain yield, and 0.037 and 0.102 to predict the biomass based on artificial neural network and multiple linear regression models, respectively. The results showed a better ability of artificial neural networks in comparison with multiple linear regression to estimate grain and biomass yields of wheat in the target areas. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks, multiple linear regressions, Zagros, Rainfed wheat | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,312 تعداد دریافت فایل اصل مقاله: 1,262 |
||