Нейросетевое моделирование водопотребления
DOI:
https://doi.org/10.28983/asj.y2021i5pp88-92Ключевые слова:
водопотребление, орошение, искусственная нейронная сеть, оптимизация, модельАннотация
Оптимизация управления водными ресурсами для орошаемого земледелия требует развития современных подходов к определению и прогнозированию водопотребления, несмотря на большое число уже разработанных моделей. В статье представлены подходы к нейросетевому моделированию водопотребления. Преимуществами такого моделирования являются высокая точность и способность адаптации к изменяющимся параметрам модели, что отличает их от традиционных методов и позволяет обеспечивать оптимальные результаты с точки зрения минимизации ошибок и увеличения тесноты связи между переменными.
Скачивания
Библиографические ссылки
Дифференцированные оросительные нормы сельскохозяйственных культур для почвенно-климатических условий Республики Крым / А.Н. Бабичев [и др.] // Пути повышения эффективности орошаемого земледелия. – 2017. – № 4(68). – С. 133–137.
Информационные технологии планирования водопользования в хозяйствах / В.И. Ольгаренко [и др.] // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. – 2012. – №78. – С. 279–290.
Определение суммарного водопотребления сельскохозяйственных культур в аридных зонах / В.В. Корсак [и др.] // Научная жизнь. – 2016. – № 1. – С. 41–51.
Панкова Т.А. Исследование изменчивости биоклиматических коэффициентов люцерны от влагообеспеченности сельскохозяйственного поля// Научная жизнь. – 2014. – №4. – С. 43–49.
Хайкин С. Нейронные сети: полный курс. 2-е изд. – М.; СПб., 2019. – 1103 с.
Черемисинов А.А., Черемисинов А.Ю. Обзор расчетных методов определения суммарного испарения орошаемых сельскохозяйственных полей // Научный журнал Российского НИИ проблем мелиорации. – 2016. – №1(21). – С. 41–51.
Ahooghalandari M., Khiadani M., Jahromi M. E. Developing equations for estimating reference evapotranspiration in Australia // Water Resources Management. 2016. Vol. 30 (11). P. 3815-3828.
Antonopoulos V.Z., Antonopoulos A.V. Daily reference evapotranspiration estimates by arti?cial neural networks technique and empirical equations using limited input climate variables // Computers and Electronics in Agriculture. 2017. No. 132. P. 86–96.
Beale M., Hagan M., Demuth H. Neural Network ToolboxTM User’s Guide. The Math Works, Inc, 2015. 406 p.
Chapter 2 - FAO Penman-Monteith equation. – URL: http://www.fao.org/docrep/x0490e/x0490e06.htm.
Dou X., Yang Y. Evapotranspiration estimation using four di?erent machine learning approaches in di?erent terrestrial ecosystems// Computers and Electronics in Agriculture. 2018. No. 148. P 95–106.
Laaboudi A., Mouhouche B., Draoui B. Neural network approach to reference evapotranspiration modeling from limited climatic data in arid regions // International Journal of Biometeorology. 2012. No. 56, P. 831–841.
Lu J., Sun G., McNulty G.S., Amatya M.D. A comparison of six potential evapotranspiration methods for regional use in the southeastern united states// Journal of the American Water Resources Association. 2005. No. 41(3). P. 621–633.
Schmidhuber J. Deep Learning in neural networks: An overview // Neural Networks. 2015. Vol. 61 P. 85–117.
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.
