پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,623 |
| تعداد مقالات | 71,544 |
| تعداد مشاهده مقاله | 126,892,313 |
| تعداد دریافت فایل اصل مقاله | 99,937,633 |
مدل‌سازی متغیرهای موثر بر عملکرد مزارع نیشکر با استفاده از شبکه عصبی بازگشتی عمیق | ||
| مهندسی بیوسیستم ایران | ||
| دوره 55، شماره 2، تیر 1403، صفحه 93-108 اصل مقاله (1.6 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2025.378958.665557 | ||
| نویسندگان | ||
| حسن ذکی دیزجی* 1؛ کیمیا شیرینی2؛ عادل طاهری حاجی وند3؛ نسیم منجزی4 | ||
| 1گروه مهندسی بیوسیستم ، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران. | ||
| 2گروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه تبریز، ایران | ||
| 3گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه تبریز ، تبریز، ایران. | ||
| 4گروه 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 حافظه 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 روش 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 روشICA، 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 حافظه طولانی کوتاه مدت (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، نتایج بهتری ارائه داد. این نشان می‌دهد که روش PCA توانایی بهتری در کاهش ابعاد برای این مدل داشته است. | ||
| کلیدواژه‌ها | ||
| یادگیری عمیق؛ شبکه عصبی بازگشتی با حافظه‌ی طولانی کوتاه مدت؛ پیش‌بینی عملکرد؛ نیشکر | ||
| عنوان مقاله [English] | ||
| Modelling variables affecting the yield of sugarcane fields using deep recurrent neural network | ||
| نویسندگان [English] | ||
| Hassan Zaki Dizaji1؛ Kimia Shirini2؛ Adel Taheri hajivand3؛ nasim monjezi4 | ||
| 1Biosystems Engineering Dept., Agricultural faculty, Shahid Chamran University of Ahvaz, Ahvaz, Iran, | ||
| 2Department of Computer Engineering, Faculty of Electrical and Computer Engineering, Tabriz University, Tabriz, Iran | ||
| 3Department of Biosystem Engineering, Faculty of Agriculture, Tabriz University, Tabriz, Iran | ||
| 4Biosystems 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-Term Memory (LSTM) recurrent neural network, 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 PCA method, the final variables including crop variety, soil texture, spraying area ratio, soil electrical conductivity, drainage and nitrogen fertilizer were identified. While in the ICA method, 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 LSTM recurrent neural network algorithm performed better in the 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 | ||
| مراجع | ||
|
Adibzadeh, A., Zaki Dizaji, H., & Aghili Nategh, N. (2020). Feasibility of Detecting Sugarcane Varieties by Electronic Nose Technique in Sugarcane Syrup. Iranian Journal of Biosystems Engineering, 51(1), 1-10. 10.22059/ijbse.2019.287027.665209. (in Persian). Bazrafshan, O., Ehteram, M., Moshizi, Z. G., & Jamshidi, S. (2022). Evaluation and uncertainty assessment of wheat yield prediction by multilayer perceptron model with bayesian and copula bayesian approaches. Agricultural Water Management, 273: 107881. https://doi.org/10.1016/j.agwat.2022.107881 Bocca, F.F. and Rodrigues, L.H.A., 2016. The effect of tuning, feature engineering, and feature selection in data mining applied to rainfed sugarcane yield modelling. Computers and electronics in agriculture, 128, pp.67-76. https://doi.org/10.1016/j.compag.2016.08.015 Charoen-Ung, P., Mittrapiyanuruk, P. (2019). Sugarcane Yield Grade Prediction Using Random Forest with Forward Feature Selection and Hyper-parameter Tuning. In: Unger, H., Sodsee, S., Meesad, P. (eds) Recent Advances in Information and Communication Technology 2018. IC2IT 2018. Advances in Intelligent Systems and Computing, vol 769. Springer, Cham. https://doi.org/10.1007/978-3-319-93692-5_4 de Oliveira, M.P.G., Bocca, F.F. and Rodrigues, L.H.A., 2017. From spreadsheets to sugar content modeling: A data mining approach. Computers and Electronics in Agriculture, 132, pp.14-20. https://doi.org/10.1016/j.compag.2016.11.012 Daffertshofer, A., Lamoth, C.J., Meijer, O.G., & Beek, P.J. (2004). PCA in studying coordination and variability: a tutorial. Clinical biomechanics, 19(4), 415-428. doi:10.1016/j.clinbiomech.2004.01.005 Ed-Daoudi, R., Alaoui, A., Ettaki, B., & Zerouaoui, J. (2023). Improving Crop Yield Predictions in Morocco Using Machine Learning Algorithms. Journal of Ecological Engineering, 24(6): 392-400. https://doi.org/10.12911/22998993/162769 Jhajharia, K., Mathur, P., Jain, S., and Nijhawan, S. (2023). Crop yield prediction using machine learning and deep learning techniques. Procedia Computer Science, 218: 406-417. https://doi.org/10.1016/j.procs.2023.01.023 Sarijaloo, F. B., Porta, M., Taslimi, B., and Pardalos, P. M. (2021). Yield performance estimation of corn hybrids using machine learning algorithms. Artificial Intelligence in Agriculture, 5: 82-89. https://doi.org/10.1016/j.aiia.2021.05.001 Sattari, M. T., shirini, K., & javidan, S. (2024). Evaluating the efficiency of dimensionality reduction methods in improving the accuracy of water quality index modeling in Qizil-Uzen River using machine learning algorithms. Water and Soil Management and Modelling, 4(2), 89-104. doi: 10.22098/mmws.2023.12434.1241. (in Persian). Shirini, K., Kordan, M.B. & Gharehveran, S.S. (2025) Impact of learning rate and epochs on LSTM model performance: a study of chlorophyll-a concentrations in the Marmara Sea. Journal of Supercomputing, 81, 265. https://doi.org/10.1007/s11227-024-06806-2 Taherihajivand, A., shirini, K., & samadi Gharehveran, S. (2024). Weed detection in fields using convolutional neural network based on deep learning. Agricultural Engineering, 47(1), 129-142. doi: 10.22055/agen.2024.45327.1688. (in Persian). Yu, Y., Si, X., Hu, C., & Zhang, J. (2019). A review of recurrent neural networks: LSTM cells and network architectures. Neural computation, 31(7), 1235-1270. https://doi.org/10.1162/neco_a_01199 Zaki Dizaji, H., Bahrami, H., Monjezi, N., & Sheikhdavoodi, M. J. (2019). Modeling of the Variables that Influence Sugarcane Yield using C5.0 and QUEST Decision Tree Algorithms. Journal of Agricultural Machinery, 9(2), 469-484. doi: 10.22067/jam.v9i2.69712. (in Persian). Zaki Dizaji, H., Monjezi, N., & Sheikhdavoodi, J. (2018). Investigating Effective Factors on Sugarcane Production Performance to Increase the Production of Sugarcane Using Data Mining. Iranian Journal of Biosystems Engineering, 49(3), 501-511. doi: 10.22059/ijbse.2018.248601.665021. (in Persian). Zaki Dizaji, H., Adibzadeh, A. & Aghili Nategh, N. (2021). Application of E-nose technique to predict sugarcane syrup quality based on purity and refined sugar percentage. Journal of Food Science and Technology. 58, 4149–4156. https://doi.org/10.1007/s13197-020-04879-4 | ||
|
آمار تعداد مشاهده مقاله: 106 تعداد دریافت فایل اصل مقاله: 45 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب