محاسبه تبخير و تعرق واقعي گياه سير به روش مدل سازي چندگانه تحت شرايط كاشت لايسيمتر

Forecasting of garlic (Allium sativum L.) evapotranspiration by using multiple modeling

چكيده 1 روش هاي متعدد ي به منظور پيش بيني فرايندهايي مانند تبخ ير و تعرق پديده ها وجود دار ن د كه در اين ميان ، روش هاي فراابتكاري تركيبي (مدل سازي چندگانه) از قابليت بيش تري برخوردارند . در اي ن مطالعه از دو مدل فراابتكاري تركيبي شامل تلفيق عصبي- ژنتيك و عصبي- فازي در كنار شبكه عصبي مصنوعي جهت پيش بيني نياز آ بي گ ياه سير به عنوان گ ياهي با اهم ي ت دارو ي ي و ارزش غذ ايي بالا ، استفاده گرديد. به اين منظور از اطلاعات هواشناسي دماي حداقل و حداكثر هوا، رطوبت نسبي حداقل و حداكثر هوا، ساعات آفتا بي، سرعت باد و لا يسيمتري گ ياه س ير ط ي سال هاي 1387 و 1388 مستقر در ايستگاه هواشناسي دانشكده كشاورزي دانشگاه بوعلي سينا، براي مدل كردن روش ها ي هوشمند 4/ 11 ميلي متر و ميانگين دو ساله آن 79 / استفاده شد . حداكثر مقدار تبخ ير و تعرق س ير از لا يسيمتر 22 ميلي متر در روز به دست آمد . نتايج مدل سازي تبخ ير و تعرق گ ياه س ير نشان از برتر ي روش تلف يق ي عصبي- ژنتيك در مقا يسه با دو روش عص بي و عص بي- فازي د اشت. به عبارت د يگر به ينه سازي شبكه عصبي مصنوع ي موفق تر از منطق فاز ي بود به طوري كه الگوريتم ژنتي ك در تركي ب با شبكه عص بي توانست خطا ي آزمون شبكه را نسبت به عص بي- فازي به ميزان 24 درصد كاهش دهد . اما ترك ي ب منطق فاز ي نه تنها سبب بهبود نتايج شبكه عصبي مصنوعي نشد، بلكه دقت پيش بين ي را به مي زان درصد كاهش داد .آماره ميانگين مجذور مربعات خطا در برآور د تبخ ير و تعرق گ ياه س ير با مدل به ينه 0 به دست آمد . معيارها ي / 0 م يلي متر در روز و مقدار ضريب تعيين آن 88 / عصبي- ژنتيك برابر 12 ضريب تع يين، عرض از مبدا و ش يب خط برازش داده شده به داده هاي برآورد شده از مدل ترك يب ي عصبي- ژن تيك در طول دوره (دو سال ) در مقا يسه با مدل ترك يبي عص بي- فاز ي نيز بيانگر كارآيي اين مدل مي باشند. واژه هاي كليدي: تبخير و تعرق، عصبي- ژنتيك، عصبي- فازي، گياه سير، همدان

Abstract1 Estimation and evaluation of crop water requirement is important key in scheduling, management and using from agricultural water resources. Many methods for estimation of phenomena are available that in this regard multiple modeling methods are prevalent. In this study Adaptive Neural Network based Genetic Algorithm and Co-Active Neuro-Fuzzy Inference System in side Artificial Neural Network for estimation of garlic evapotranspiration were used. For modeling from meteorological data including minimum and maximum temperature, minimum and maximum relative humidity, wind speed and sunshine hours and lysimeter data in climatology Station of Bu-Ali Sina University Agriculture Faculty during 2008-2009 for modeling were used. The garlic lysimeter Evapotranspiration maximum and average were 11.22 and 4.79 mmd-1 respectively. Results showed that Adaptive Neural Network based Genetic Algorithm were more accurate than Co-Active Neuro-Fuzzy Inference System. In other words, optimization of Artificial Neural Network more successful operation of fuzzy logic can be. Also, Artificial Neural Network was more appropriate to Co-Active Neuro-Fuzzy Inference System. So that Adaptive Neural Network based Genetic Algorithm than Co-Active Neuro-Fuzzy Inference System reduced 24 percent the testing error. But Co-Active Neuro-Fuzzy Inference System not only improves the results of artificial neural network was not, but reduced 12 percent the prediction accuracy. For the best architecture of Adaptive Neural Network based Genetic Algorithm, statistical parameters were RMSE= 0.12 mmd-1 and r=0.88. Coefficient of determination criteria, the width of the origin and the slope of line fitted to data estimated the Adaptive Neural Network based Genetic Algorithm model period (two years) compared with the Co-Active Neuro-Fuzzy Inference System model also showed, this model is efficiency. Keywords: Evapotranspiration, Adaptive neural network based genetic algorithm, Co-active neuro-fuzzy inference system, Garlic, Hamedan