Neural network modeling of water consumption
DOI:
https://doi.org/10.28983/asj.y2021i5pp88-92Keywords:
water consumption, irrigation, artificial neural network, optimization, modelAbstract
Optimizing water management for irrigated agriculture requires the development of modern approaches to determining and predicting water consumption, despite the large number of already developed models. The article presents approaches to neural network modeling of water consumption. The advantage of such modeling is high accuracy and ability to adapt to changing parameters of the model, which distinguishes them from traditional methods and allows you to provide optimal results in terms of minimizing errors and increasing the tightness of the relationship between variables.
Downloads
References
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.
Downloads
Published
Issue
Section
License
Copyright (c) 2021 The Agrarian Scientific Journal
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
