توسعه مدل شبکه عصبی برآورد تبخیر-تعرق واقعی گیاه در یک سامانه کشت هیدروپونیک

توسعه سامانه های آبیاری هوشمند با هدف تامین به هنگام و به میزان مورد نیاز آب گیاه یک راهبرد مهم برای افزایش کمیت و کیفیت محصولات کشاورزی با حداقل مصرف آب می باشد. از طرفی تعیین میزان آب مورد نیاز گیاه تا حد زیادی به برآورد دقیق تبخیر-تعرق در پوشش گیاهی وابسته است. در این تحقیق از مدل شبکه عصبی برای برآورد تبخیر-تعرق در یک سیستم کشت دوار هیدروپونیک کاهو در فضای بسته استفاده شد. مدت زمان کشت 30 روز و بازه های زمانی داده برداری 10 دقیقه بود. تبخیر-تعرق واقعی گیاه کاهو در سیستم کشت هیدروپونیک مذکور در راستای طراحی سامانه آبیاری به کمک مدل منطق فازی برآورد گردید و با توجه به نتایج مطلوب حاصل از ارزیابی محصول کاشته شده و آب مصرفی، کارایی آن به اثبات رسید. لذا از آن به عنوان معیاری برای اعتبارسنجی مدل شبکه عصبی این پژوهش استفاده شد. تعداد داده برای مدل شبکه عصبی حدود 4500 بوده که به طور تصادفی به سه قسمت، 70درصد(آموزش)، 15درصد(ارزیابی) و 15درصد (آزمون) تقسیم گردید. به منظور یافتن مناسب ترین معماری شبکه عصبی، ساختارهای مختلفی ارزیابی شد. بهترین نتیجه در الگوریتم BR با سه لایه پنهان و توپولوژی 10-10-8 و نیز تابع انتقال tansig در تمامی لایه ها، به دست آمد. برای این ساختار، خطا مطلق و ضریب تعیین به ترتیب0.43 و 99.98 درصد تعیین گردید. همچنین در شبکه یک لایه با توجه به سادگی، الگوریتم BR با یک لایه پنهان با تعداد 8 نرون و تابع انتقال logsig در لایه پنهان و تابع tansig در لایه خروجی به عنوان بهترین مدل انتخاب شد. خطا مطلق و ضریب تعیین این ترکیب به ترتیب 0.79 98.84 درصد به دست آمد. با توجه آنالیز حساسیت،رطوبت و دما به ترتیب به عنوان مهمترین پارامترهای موثر در پیش بینی تبخیر-تعرق حاصل شدند.