کاربرد شبکه های عصبی مصنوعی و تکنیک تحلیل مولفه های اصلی(pca) در تخمین زمان پیشروی در آبیاری جویچه ای

در این مطالعه، از شبکه های عصبی مصنوعی به منظور تخمین زمان پیشروی آب با استفاده از داده های اندازه گیری شده دبی ورودی، ضریب زبری مانینگ، شیب، طول فارو، شماره منحنی نفوذ، وزن مخصوص ظاهری و رطوبت اولیه استفاده شده است. برای این منظور از یک سری آزمایش های صحرایی انجام شده به روش آبیاری جویچه ای در پنج مزرعه آزمایشی گلمکان مشهد، توتون ارومیه، مرکز تحقیقات کشاورزی صفی آباد دزفول، دانشگاه بیرجند و موسسه اصلاح بذر کرج در طی دورهی زمانی تابستان 1376 تا تابستان 1385 که دارای طیف گسترده ای از نظر بافت خاک (سبک، متوسط و سنگین) می باشند، استفاده شد. از مجموع 240 داده ی موجود، 60 درصد اولیه (144 داده) جهت آموزش شبکه، 20 درصد جهت صحت سنجی (48 داده) و 20 درصد باقیمانده (48 داده) برای آزمون شبکه ها انتخاب شدند. متغیرهای ورودی با استفاده از آنالیز حساسیت شبکه به متغیرهای ورودی و همچنین روش تحلیل مولفه های اصلی (pca) تعیین شدند. نتایج نشان داد که شبکه های عصبی توانایی خوبی در پیش بینی زمان پیشروی داشته و با دقت بالایی زمان پیشروی را تخمین می زنند. بهترین نتایج (r^2=0.995) مربوط به مدلی است که برای پیش بینی زمان پیشروی در جویچه، از مولفه های اصلی (pca) در متغیرهای ورودی استفاده می کند. نتایج همچنین نشان می دهند مدلی که از پارامتر رطوبت اولیه برای تعیین زمان پیشروی استفاده می کند (r^2=0.848)، در مقایسه با مدل هایی که از پارامترهای ضریب زبری مانینگ (r^2=0.492) و شماره منحنی نفوذ (r^2=0.417) استفاده می کنند، از عملکرد بالاتری برخوردار است.

Estimation of advance time in furrow irrigation using Artificial Neural Network and Principle Component Analysis (PCA) technique

In this study, Neural Network Technique is used to predict advance time using inflow rate, n coefficient, slope, length of furrow, infiltration curve number, initial soil moisture and bulk density by ANN and PCA Technique. Field measurements on furrows of different length and slopes in Mashhad, Dezful, Orumia, Birjand and Karaj having various soil Textures were used in this study. In the Training phase 144 advance time measured data were initially used and then 96 other field measurements were used for cross validation (48) and evaluation (48) phase. The enter parameters determined by using the sensitivity analysis Network and Principle Component Analysis (PCA) technique The obtained results showed Neural Network Technique is well capable of estimating advance Time with high accuracy. The best results (R2= 0.995) obtained from models that used of Principle Component Analysis as enter parameters. The models that used of initial soils moisture content (R2= 0.848) have higher accuracy in comparison to models that used of infiltration curve number (R2= 0.417) and Coefficient of Manning formula (R2= 0.492).