این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تولید محصولات زراعی و باغی، جلد ۵، شماره ۱۶، صفحات ۲۸۳-۲۹۰
عنوان فارسی پیش‌بینی عملکرد سویا در شرایط دیم با استفاده از سیستم استنتاج نروفازی (ANFIS)
چکیده فارسی مقاله یکی از روش‌های پیش‌بینی عملکرد گیاهان زراعی دیم استفاده از مشخصات آب و هوایی می‌باشد. پیش‌بینی عملکرد گیاهان زراعی نقش مهمی در سیاست‌گذاری‌های بخش کشاورزی ایفا می‌کند. آشکارترین کاربرد آن، تعیین اعتبار لازم جهت خرید گیاهان زراعی و قیمت‌گذاری آن برای سال آینده می‌باشد. تاکنون از مدل‌های ریاضی شامل آنالیز رگرسیون و نیز شبکه‌های عصبی مصنوعی جهت پیش‌بینی عملکرد گیاهان زراعی دیم استفاده شده است. در این پژوهش با استفاده از سیستم استنتاج نروفازی (ANFIS) و داده‌های هواشناسی 11 سال زراعی (1388 - 1377)، روشی جدید جهت پیش‌بینی عملکرد گیاهان زراعی سویای دیم در منطقه گنبد استان گلستان به‌کار گرفته شده است. مشخصات مورد استفاده به‌عنوان ورودی سیستم استنتاج نروفازی (ANFIS) شامل میانگین هفتگی بارندگی، درجه حرارت، درصد رطوبت و تعداد ساعات آفتابی و خروجی آن میزان عملکرد گیاهان زراعی بر حسب کیلوگرم در هکتار می‌باشد. تحلیل رگرسیون چند مرحله‌ای پیش رو برای انتخاب مشخصات بهینه جهت پیش‌بینی عملکرد گیاهان زراعی با استفاده از نرم‌افزار SPSS 18 و ایجاد، آموزش و آزمون سیستم استنتاج نروفازی (ANFIS) با استفاده از نرم‌افزار Matlab R2011a انجام شد. ANFIS به‌کار گرفته شده در این پژوهش دارای تابع عضویت از نوع "constant" در لایه خروجی و تابع عضویت از نوع "gaussmf" در لایه ورودی می‌باشد. تعداد توابع عضویت برای هر کدام از ورودی ها 3 تابع و برای لایه خروجی 1 تابع بود. نتایج به‌دست آمده نشان داد که سیستم استنتاج نروفازی ارائه شده با 21 قانون قادر به پیش‌بینی عملکرد گیاهان زراعی سویای دیم با مقدار RSME برابر با 170/102 می‌باشد.
کلیدواژه‌های فارسی مقاله سویا، سیستم استنتاج نروفازی (ANFIS)، عملکرد، پیش‌بینی
عنوان انگلیسی Soybean Yield Prediction Using Adaptive Nero-Fuzzy Interface System (ANFIS)
چکیده انگلیسی مقاله Productivity of rainfed crops may be predicted using the climatic parameters. Crop yield prediction has an important role in agricultural policies including determining the crop price. Well-known prediction methods are regression method and arterial neural networks. In this paper soybean yield is predicted using Adaptive Nero-Fuzzy Interface System (ANFIS) and 11 years of climatic data (1998-2009) in Gonbad-e-Kavous region of Golestan province, Iran. Mean weekly rainfall, mean weekly temperature, mean weekly relative humidity and mean weekly sun shine hours were ANFIS inputs and its output was soybean grain yield (kg/ha). Stepwise Regression for Feature selection from climatic data was done with the SPSS18 software and ANFIS was created, trained and tested with MATLAB R2011a software. Trained ANFIS has ‘constant’ membership function in output layer and ‘gaussmf’ membership function in input layer. Each input has 3 membership functions and each output has one membership function. Root Mean Square Error (RMSE) criterion was used to evaluate the performance of the ANFIS. The results showed that the proposed ANFIS with 21 rules has a prediction error (RMSE) of 102.170.
کلیدواژه‌های انگلیسی مقاله Soybean, Adaptive nerofuzzy interface system, Yield
نویسندگان مقاله سید جواد سجادی | s j sajadi
gonbadkavous university, iran
دانشگاه گنبد کاووس
سازمان اصلی تایید شده: دانشگاه گنبد کاووس (Gonbad kavoos university)

حسین صبوری | h. sabouri
gonbadkavous university, iran
دانشگاه گنبد کاووس
سازمان اصلی تایید شده: دانشگاه گنبد کاووس (Gonbad kavoos university)

حسینعلی فلاحی | h a fallahi
golestan agricultural and environmental research center, gonbadkavous research station, iran
مرکز تحقیقات کشاورزی و منابع طبیعی استان گلستان، ایستگاه تحقیقات کشاورزی گنبد کاووس
سازمان اصلی تایید شده: مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی گلستان

نشانی اینترنتی http://jcpp.iut.ac.ir/browse.php?a_code=A-10-1-273&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات