پیش بینی عملکرد مزارع نیشکر با استفاده از سیستم فازی- عصبی تطبیقی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد دانشگاه شهید چمران اهواز .

2 استادیار گروه آبیاری و زهکشی، دانشکده علوم آب، دانشگاه شهید چمران اهواز.

3 استاد گروه آبیاری و زهکشی، دانشکده علوم آب، دانشگاه شهید چمران اهواز.

چکیده

     پارامترها و عوامل مختلفی از قبیل عمق سطح ایستابی نسبت به سطح زمین، شوری بخش اشباع خاک، عمق آب آبیاری، نوع خاک، رقم و سن گیاه بر عملکرد مزارع نیشکر تأثیر می‌گذارند. با بررسی این پارامترها و تعیین میزان اثر هر یک از آنها بر عملکرد مزارع نیشکر، می­توان راهکارهایی ارائه داد که با بهره گیری از امکانات و شرایط موجود حداکثر عملکرد را در مزارع نیشکر به‌دست آورد. بدین منظور در این تحقیق سعی شد با استفاده از روش بدیع سیستم استنتاج فازی- عصبی تطبیقی عملکرد مزارع نیشکر مدل‌سازی گردد. داده­های مورد نیاز جهت انجام این تحقیق مربوط به یک دوره سه ساله می­باشد که از کشت و صنعت میرزا کوچک خان تهیه گردید. نتایج نشان داد مدل پیشنهاد شده با ضریب همبستگی برابر  978/0 ، RMSE 35/1 و میزان خطای 2/3 دارای دقت بالایی در پیش بینی عملکرد مزارع نیشکر می­باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Performance Forecasting of Sugarcane Fields using Adaptive Neuro-Fuzzy Inference System (ANFIS)

نویسندگان [English]

  • Maryam Ahmadvand 1
  • Abdolrahim Hoshmand 2
  • Adedali Naseri 3
1 M.Sc Graduated Student,Department of Irrigation & Drainage. Shahid Chamran,University, Ahvaz,Iran
2 Assistant Professor, Department of Irrigation & Drainage. Shahid Chamran,University, Ahvaz,Iran
3 Professor, Department of Irrigation & Drainage. Shahid Chamran,University, Ahvaz,Iran
چکیده [English]

     Sugarcane fields are affected by different parameters and factors such as ground water table, salinity of saturated soil, depth of irrigation, variety and age of plants and etc. Evaluating effects of  these parameters, it is possible to propose solutions to maximize sugarcane fields performance.In this paper Adaptive Neuro - Fuzzy Inference System (ANFIS) is used to model the performance of sugarcane fields. This study is performed based on three years data of "Mirza koochak khan cultivation and industry". Results showed that the proposed model has a correlation factor of 0.978, RMSE of 1.35 and error of 3.2 The proposed model has a very high accuracy in performance forecasting of sugarcane fields.
 
 

کلیدواژه‌ها [English]

  • sugarcane fields
  • Performance forecasting
  • Adaptive Neuro-Fuzzy Inference System