آمار

تعداد نشریات26
تعداد شماره‌ها377
تعداد مقالات3,324
تعداد مشاهده مقاله4,977,518
تعداد دریافت فایل اصل مقاله3,405,057
قنبری عدیوی, الهام, حاجی زاده, شهرزاد. (1403). مکانیسم توجه به خود در مدل‌های شبکه عصبی حافظه طولانی کوتاه مدت، برای پیش‌بینی تقاضای آبیاری: ارزیابی و تحلیل عملکرد. سامانه مدیریت نشریات علمی, (), -. doi: 10.22098/mmws.2024.15492.1481
الهام قنبری عدیوی; شهرزاد حاجی زاده. "مکانیسم توجه به خود در مدل‌های شبکه عصبی حافظه طولانی کوتاه مدت، برای پیش‌بینی تقاضای آبیاری: ارزیابی و تحلیل عملکرد". سامانه مدیریت نشریات علمی, , , 1403, -. doi: 10.22098/mmws.2024.15492.1481
قنبری عدیوی, الهام, حاجی زاده, شهرزاد. (1403). 'مکانیسم توجه به خود در مدل‌های شبکه عصبی حافظه طولانی کوتاه مدت، برای پیش‌بینی تقاضای آبیاری: ارزیابی و تحلیل عملکرد', سامانه مدیریت نشریات علمی, (), pp. -. doi: 10.22098/mmws.2024.15492.1481
قنبری عدیوی, الهام, حاجی زاده, شهرزاد. مکانیسم توجه به خود در مدل‌های شبکه عصبی حافظه طولانی کوتاه مدت، برای پیش‌بینی تقاضای آبیاری: ارزیابی و تحلیل عملکرد. سامانه مدیریت نشریات علمی, 1403; (): -. doi: 10.22098/mmws.2024.15492.1481

مکانیسم توجه به خود در مدل‌های شبکه عصبی حافظه طولانی کوتاه مدت، برای پیش‌بینی تقاضای آبیاری: ارزیابی و تحلیل عملکرد

مدل سازی و مدیریت آب و خاک
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 13 شهریور 1403
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22098/mmws.2024.15492.1481
نویسندگان
الهام قنبری عدیوی* 1؛ شهرزاد حاجی زاده2
1دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد. شهرکرد، ایران
2دانش آموخته کارشناسی ارشد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران
چکیده
پیش‌بینی تقاضای آبیاری، اطلاعات ارزشمندی را برای برنامه‌ریزی و تصمیم‌گیری کشاورزی فراهم می‌کند. کشاورزان با پیش بینی دقیق نیازهای آبیاری می توانند توزیع آب را بهینه کرده و از هدر رفتن آب جلوگیری کنند. این مطالعه یک مدل جدید برای پیش‌بینی تقاضای آبیاری معرفی می‌کند. مکانیزم خودتوجهی (Self-Attention mechanism : SA)، با شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) برای پیش‌بینی تقاضای آبیاری همراه است. SALSTM مکانیزم‌های خودتوجهی را در بر می‌گیرد، که مدل را قادر می‌سازد در حین انجام پیش‌بینی‌ها، بر مرتبط‌ترین بخش‌های دنباله ورودی تمرکز کند. مکانیسم SALSTM، اجازه می‌دهد تا وزن‌های مختلف را به مراحل یا ویژگی‌های زمانی مختلف اختصاص دهد و بر آموزنده‌ترین آنها، برای پیش‌بینی نیاز آبیاری، تأکید دارد. SALSTM می‌تواند روابط غیرخطی پیچیده‌ای را بین ویژگی‌های ورودی مختلف، مانند داده‌های هواشناسی، شرایط خاک، و ویژگی‌های محصول ثبت کند. با ترکیب قدرت LSTM و مکانیسم‌های توجه به خود، SALSTM می‌تواند الگوهای پیچیده و تعاملات بین این عوامل را بیاموزد و آن را قادر می‌سازد تا پیش‌بینی دقیق‌تری از نیازهای آبیاری انجام دهد. این توانایی به ویژه در گرفتن روابط ظریفی که در سیستم‌های کشاورزی وجود دارد مفید است. در این بررسی رطوبت نسبی، دما، سرعت باد، بارندگی و تبخیر و تعرق پتانسیل محصول، به عنوان ورودی مدل ها استفاده شد. مدل SALSTM با مدل‌های LSTM، شبکه عصبی بازگشتی (RNN)، شبکه عصبی تابع پایه شعاعی (RBFN) و رگرسیون خطی چندگانه (MLR) محک‌گذاری شد. در این مطالعه همچنین عملکرد مدل‌های SALSTM را در پیش‌بینی دقیق میزان تقاضای آبیاری با کمک چندین زبان برنامه‌نویسی از جمله Python، MATLAB و R ارزیابی و مقایسه گردید. نتایج نشان داد که مدل SALSTM، بهتر از سایر مدل‌ها عمل می‌کند. مدل SALSTM دارای کمترین میانگین خطای مطلق (MAE) با مقدار 1.212 بود، به دنبال آن 345/1 برای مدل LSTM، مقدار 555/1 برای مدل RNN مقدار 678/1 برای مدل RBFN و مقدار 879/1 برای مدل MLR بدست آمد.
کلیدواژه‌ها
مدیریت آبیاری؛ مدل های ترکیبی؛ کشاورزی هوشمند؛ پیش بینی تقاضا
آمار
تعداد مشاهده مقاله: 125


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب