Применение искусственных нейронных сетей для управления орошением
DOI:
https://doi.org/10.28983/asj.y2021i4pp84-88Ключевые слова:
управление, орошение, искусственная нейронная сеть, оптимизация, модельАннотация
Современные методы точного земледелия, основанные на требованиях простанственно-временной оптимальности полива сельскохозяйственных культур, требуют новых подходов, так как достижение требуемой точности невозможно без применения современных цифровых технологий и интеллектуальных методов. В статье представлена модель оперативного управления орошением на основе искусственной нейронной сети. Преимуществами являются малая погрешность нейросетевого алгоритма и его способность адаптироваться к изменяющимся условиям в отличие от традиционных методов, что позволяет обеспечивать оптимальные результаты для различных типов почв и видов сельскохозяйственных культур.
Скачивания
Библиографические ссылки
Затинацкий, С.В., Панкова Т.А. Ресурсосберегающая математическая модель нормирования орошения // Научное обозрение. – 2013. – № 11. – С. 10–13.
Камышова Г.Н., Корсак В.В., Фалькович А.С., Холуденева О.Ю. Математическое моделирование в компонентах природы (интерактивный курс): учеб.-практ. пособие.– Саратов, 2012. – 155 с.
Корсак В.В., Пронько Н.А., Клокова В.А., Холуденева О.Ю. Программа расчета дефицитов водного баланса поливных культур // Научная жизнь. – 2014. – № 6. – С. 77–83.
Кравчук А.В., Корсак В.В., Кудайбергенова И.Р. Параметры увлажнения почвы в проведении экологических режимов орошения культур // Вестник учебно-методического объединения по образованию в области природообустройства и водопользования. – 2018. – № 11. – С. 126–130.
Ольгаренко В. И., Ольгаренко И. В., Кисаров О.П., Селюков В.И. Информационные технологии планирования водопользования в хозяйствах // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. – 2012. – №78. – С. 279–290.
Охрана окружающей среды в России. 2020: стат. сборник / Росстат. – M., 2020. – 113 с.
Хайкин С. Нейронные сети: полный курс. 2-е изд. – М.; СПб., 2019. – 1103 с.
Beale M., Hagan M., Demuth H. Neural Network ToolboxTM User’s Guide. The Math Works, Inc, 2015. 406 p.
Giusti E., Marsili –Libelli S. Fuzzy decision support system for irrigation and water conservation in agriculture // Environmental Modeling&Software, 2015, Vol. 63, 73–86.
Kamilaris A., Prenafeta-Bold? FX. Deep learning in agriculture: a survey// Computers and Electronics in Agriculture, 2018, Vol. 147, 70–90.
Navarro-Hellin H., Martinez-del-Ricon J., Domingo-Miguel R., Soto F. A decision support system for managing irrigation in agriculture // Computers and Electronics in Agriculture, 2016, Vol. 124, 121–131.
Schmidhuber J. Deep Learning in neural networks: An overview // Neural Networks, 2015, V. 61, 85–117.
Umair, S.M., and Usman, R.: Automation of Irrigation System Using ANN-based Controller. International Journal of Electrical and Computer Sciences, 2010, 10, 41–47.
Xiaohong, P., Zhi, M., Laisheng, X., Guodong, L.: A Water-Saving Irrigation System Based on Fuzzy Control Technology and Wireless Sensor Network. In: 5th International Conference on Wireless Communications, Networking and Mobile Computing, Beijing, 2009, 1–4.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2021 Аграрный научный журнал
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
