مدل‌سازی‌ متغیرهای‌ مؤثر ‌بر ‌عملکرد مزارع ‌نیشکر با استفاده از شبکه عصبی بازگشتی عمیق

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی بیوسیستم ، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران.

2 گروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه تبریز، ایران

3 گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه تبریز ، تبریز، ایران.

4 گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه شهید چمران اهواز، اهواز، ایران.

چکیده

در این پژوهش، یکی از اهداف اصلی شرکت‌های کشت و صنعت نیشکر خوزستان، یعنی افزایش عملکرد مزارع نیشکر با بهره‌گیری از روش‌های داده‌کاوی، مورد بررسی قرار گرفت. این پژوهش از نوع تحلیلی بوده و شامل داده‌های آبیاری، زهکشی، خاک و گیاه 1201 مزرعه است که در سال‌های زراعی 1393 تا 1396 از شرکت کشت و صنعت امیرکبیر گردآوری شده‌اند. تحلیل‌ها با استفاده از نرم‌افزار پایتون انجام شد. در این پژوهش، چهار الگوریتم شبکه عصبی بازگشتی طولانی‌ کوتاه مدت (LSTM)، شبکه عصبی چندلایه پرسپترون (MLP)، درخت تصمیم و ماشین بردار پشتیبان (SVM) مورد استفاده قرار گرفت و دو روش کاهش بعد تحلیل مؤلفه‌های اصلی (PCA) و الگوریتم تحلیل ‌مؤلفه‌های مستقل(ICA) اعمال شد. در تحلیل مؤلفه‌های اصلی (PCA)، متغیرهای نهایی شامل واریته محصول، بافت خاک، نسبت سطح سمپاشی، هدایت الکتریکی خاک، زهکشی و کود شیمیایی نیتروژن شناسایی شدند. با وجود این، در تحلیل مؤلفه‌های مستقل، متغیرهای نهایی شامل واریته محصول، هدایت الکتریکی خاک، هدایت الکتریکی آب، سن گیاه، تعداد دفعات آبیاری و بافت خاک بودند. نتایج نشان داد که الگوریتم شبکه عصبی بازگشتی طولانی‌مدت (LSTM) در روش کاهش بعد تحلیل مؤلفه‌های اصلی (PCA) عملکرد بهتری داشت. مقادیر R² برابر با 97%، RMSE برابر با 79/51، و RRMSE برابر با 89/0 برای این الگوریتم در روش PCA به دست آمد که نسبت به روش ICA که مقادیر R² برابر با 91%، RMSE برابر با 75/62، و RRMSE برابر با 798/0 بود، که نتایج بهتری ارائه داد. این نشان می‌دهد که PCA توانایی بهتری در کاهش ابعاد برای این مدل داشته است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Modeling variables affecting the yield of sugarcane fields using deep recurrent neural network

نویسندگان [English]

  • Hassan Zaki Dizaji 1
  • Kimia Shirini 2
  • Adel Taheri hajivand 3
  • nasim monjezi 4
1 Biosystems Engineering Dept., Agricultural faculty, Shahid Chamran University of Ahvaz, Ahvaz, Iran,
2 Department of Computer Engineering, Faculty of Electrical and Computer Engineering, Tabriz University, Tabriz, Iran
3 Department of Biosystem Engineering, Faculty of Agriculture, Tabriz University, Tabriz, Iran
4 Biosystems engineering Dept., Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran
چکیده [English]

In this research, one of the main goals of Khuzestan sugarcane Agro-industry companies, i.e. increasing the yield of sugarcane fields by using data mining methods, has been investigated. This research is of analytical type and includes the irrigation, drainage, soil and plant data of 1201 farms which were collected from Amirkabir Agriculture Company in 2013 to 2016 crop years. In this research, four algorithms of long-short recurrent neural network (LSTM), multilayer neural network perceptron (MLP), decision tree and support vector machine (SVM) were used, and two dimension reduction methods, principal component analysis (PCA) and algorithm Independent component analysis (ICA) was applied using Python software. In the principal component analysis (PCA), the final variables including crop variety, soil texture, spraying area ratio, soil electrical conductivity, drainage and nitrogen fertilizer were identified. While in the analysis of independent components, the final variables included product variety, soil electrical conductivity, water electrical conductivity, plant age, the number of times of irrigation and soil texture. The results showed that the long-term recurrent neural network (LSTM) algorithm performed better in the principal component analysis (PCA) dimension reduction method. The values of R² equal to 97%, RMSE equal to 51.79, and RRMSE equal to 0.89 were obtained for this algorithm in the PCA method, compared to the ICA method, which had values of R² equal to 91%, RMSE equal to 62.75, and RRMSE equal to 0.798. , which provided better results. This shows that PCA had a better ability to reduce the dimensionality for this model.

کلیدواژه‌ها [English]

  • Deep Learning
  • Recurrent Neural Network with Long Short-Term Memory
  • yield Prediction
  • Sugarcane
مهندسی بیوسیستم ایران

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 02 بهمن 1403

فایل ها

سابقه مقاله

  • تاریخ دریافت: 15 تیر 1403
  • تاریخ بازنگری: 01 دی 1403
  • تاریخ پذیرش: 02 بهمن 1403

هم رسانی

ارجاع به این مقاله

آمار