ترجمه فارسی عنوان مقاله
بهینه سازی پیش بینی تقاضای آب با هوش مصنوعی با مجموعه دادههای کوتاه
عنوان انگلیسی
Optimisation of water demand forecasting by artificial intelligence with short data sets
کد مقاله | سال انتشار | تعداد صفحات مقاله انگلیسی |
---|---|---|
138290 | 2018 | 8 صفحه PDF |
منبع
Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)
Journal : Biosystems Engineering, Available online 5 April 2018
فهرست مطالب ترجمه فارسی
چکیده
کلمات کلیدی
1.مقدمه
2. روش تحقیق
2.1. شبکه های عصبی مصنوعی و چارچوب آموزش بیزی
شکل 1- شبکه عصبی پرسپترون چندلایه.
2.2. الگوریتم های ژنتیک و شبکه های عصبی مصنوعی تحت چارچوب آموزش بیزی
شکل 2- فرایند بهینه سازی با استفاده از NSGA-II.
2.3. موردکاوی
3. نتایج و بحث
جدول 1- متغیرهای تصمیمگیری هر کروموزوم الگوریتم ژنتیک (NSGA-II)
3.1. تکامل تابع های هدف در طی فرایند بهینه سازی
شکل 3- جبهه پارتو برای نسل آخر.
3.2. مدل های شبکه های عصبی مصنوعی بهینه
جدول 2- مقادیر بهترین دو مدل ANN
شکل 4- پراکندگی طرح و پیش بینی تقاضای آب بین تقاضای آب مشاهده شده و پیش بینی شده (دوره آزمون) برای مدل 1(a) و مدل 2 (b) با مقدار R2 به ترتیب 91% و 96%.
4. نتیجه گیری
ترجمه کلمات کلیدی
رباتیک تکاملی مدل پیش بینی مطلوب، سری های کوتاه مدت، آبیاری،
کلمات کلیدی انگلیسی
Evolutionary robotics; Optimal forecasting models; Short time series; Irrigation;
ترجمه چکیده
کشاورزی آبی یکی از عامل های اصلی است که در سال های اخیر باعث کاهش آب شربِ در دسترس شده است. بنابراین، ضروری است ابزارهای جدید ایجاد شوند که به مدیران منطقه آبیاری در فرایند تصمیمگیری روزانه شان درباره استفاده از آب و انرژی کمک کنند. از سوی دیگر، عصر جدید کلان دادهها و فناوریهای اطلاعات و ارتباطات (ICT) حجم زیادی از اطلاعات را در دسترس ساخته است، این مطلب منجر به توسعه ابزارهای جدید پیش بینی شده است. با این حال، کیفیت و کمیت این اطلاعات در بسیاری از حوزه ها نظیر کشاورزی آبی محدود شده است. در نتیجه، روش بررسی توسعه مدل های پیش بین جدید باید دوباره فرمول بندی شود. از این رو، در این مقاله، روش جدید برای پیش بینی کوتاه مدت تقاضای آب آبیاری روزانه هنگام محدودیت دسترسی به دادهها توسط معماری شبکه های عصبی مصنوعی (ANN) دینامیک، الگوریتم های ژنتیک (GA) و چارچوب بیزی ایجاد شده است. روش تحقیق در منطقه آبیاری MD بِمبزار (جنوب اسپانیا) اجرا شد. مدل توسعه یافته صحت پیش بینی را بین 3 تا 11% با توجه به فعالیت قبلی بهبود داد. بهترین مدل ANN پیش بینی خطای استاندارد (SEP) و ضریب تعیین (R2) به ترتیب با مقادیر 8.7% و 96% دارد. صحت مدل توسعه یافته این مدل را تبدیل به ابزاری قوی برای مدیریت روزانه مناطق آبیاری می کند.
© 2018 IAgrE. نشر توسط شرکت مسئولیت محدود الزویر. تمام حقوق محفوظ است.
ترجمه مقدمه
در دهه های اخیر، دسترسی به آب شرب به خاطر افزایش دائمی تقاضای آب مصرفی کشاورزی و انسانی و تغییر آب و هوا کاهش یافته است. از سوی دیگر، در مناطقی با آبیاری زیاد، کانال های توزیع آب قدیمی با شبکه های آبیاری تحت فشار جدید جایگزین شده است که تحت تقاضا عمل می کند. در نتیجه، عدمحتمیت مرتبط با تقاضاهای آب آبیاری و هزینه های آب در بسیاری از مناطق آبیاری افزایش یافته است (فرناندز گارسیا، رودریگز دیاز، کاماچو رویاتو، موتسینوس و بربل، 2014)، این موضوع چالش های جدی در مدیریت روزانه مناطق آبیاری ایجاد کرده است. بنابراین، ابزارهای جدید برای کاهش عدمحتمیت مرتبط با تقاضای آب و بهینه-سازی مدیریت روزانه منطقه آبیاری برای اطمینان از آینده کشاورزی آبی ضروری است.
انقلاب فناوریهای اطلاعات و ارتباطات (ICT) و توسعه حسگرهای جدید، در سال های اخیر، ثبت اطلاعات قوی را در هر ثانیه یا حتی میلی ثانیه ممکن ساخته است. این تکامل در حسگرها و ICT نشان می دهد که فرصت هایی برای توسعه کلان دادهها و ابزارهای مدیریت جدید برطبق پیش بینی ها و هوش مصنوعی (AI) وجود دارد. علاوه بر این، توسعه رایانش ابری و ذخیره مجازی هزینه ذخیره سازی کلان دادهها را کاهش داده است (بین و زین، 2013). بنابراین، در عصر کلان دادهها، دادهها در نقش مطالب خام ضروری اقتصاد در هر بخشی از اقتصاد نفوذ کرده است (لیو، بائو، ژو، 2014). با این حال، دسترس پذیری دادهها در حوزه های کشاورزی آبی به لحاظ کیفی و کمّی خیلی ضعیف است. از این رو، مدل های توسعه برطبق این دادهها باعث مشکلات جدی در فرایند تصمیمگیری روزانه مدیران منطقه آبیاری می شود.
کلان دادهها و AI در حوزه مدیریت آب در پیش بینی آب شناسی احتمالی (ژانگ، لیانگ، یو و ژونگ، 2011)، پیش بینی میزان آب زیرزمینی (شیرمحمدی، وفاخواه، موسوی و مقدم نیا، 2013)، پیش بینی نفوذ آبیاری در زمین شخم زده شده (مطر، آلازبا و زین العابدین، 2015) و حتی پیش بینی حجم فیلتر در فیلترهای ماسه ریز-آبیاری (پویگ-بارگس، دوران-روس، آربات، باراگان و رامیرز دی کارتاگنا، 2012) استفاده شده است. با این حال، ابزارهای پیش بینی مفید برای تقاضای آب روزانه در شبکه های توزیع پرفشار برای مدیران مناطق آبیاری خیلی کم است.
پولیدو کالوو و گوتیرز استرادا (2009) مدل پیش بینی تقاضای آب روزانه را با استفاده از رویکرد منطق فازی (FL) و شبکه های عصبی مصنوعی (ANN) ایجاد کردند. در این اثر، الگوریتم های ژنتیک (GA) برای بهینه سازی شکل مجموعه ها، میزان همپوشانی مجموعه های فازی و تعاریف قواعد فازی غیر از معماری ANN برحسب آزمون و خطا تعیین شدند. گونزالز پریرا، پویاتو، موتسینوس و دیاز (2015) شبکه عصبی-ژنتیک مصنوعی (ANGN) را برای پیش بینی تقاضای آبیاری روزانه در منطقه آبیاری توسعه دادند. در این اثر، پارامترهایی که معماری ANN و تعمیم ANN را تعریف می کنند از بیش برازش بهینه شده توسط GA اجتناب کردند. نتایج نشان دادند که مدل پیش بینی خطاهای قابل ملاحظه داشتند هنگامی که برای مدیران (در طی دوره های تقاضای آب کمتر و بیشتر) به خاطر روش تعمیم ANN مفیدتر خواهد بود. روش توسعه یافته توسط گونزالز پریا و همکاران (2015) الزامات داده ای زیادی برای فرایند یادگیری ANN داشتند در حالی که معمولاً ارتباطات کاربران آب پایگاه داده بلندمدت مصرف آب در دسترس ندارد. بنابراین، این روش محدودیت عمده در موقعیت های دسترسی به دادههای کم دارد که باعث تعمیم اشتباه ANN می شود. با این حال، الگوریتم-های دیگر برمبنای چارچوب بیزی است (مک کی، 1992) که به صورت خودکار پارامترهای تنظیم تعمیم ANN را تنظیم می کند و پارامترهای اثربخش ANN را کاهش می دهد و به این ترتیب میزان دادههای لازم در طی فرایند آموزشی کمتر می شود. بنابراین، در این اثر، روش جدید برای پیش بینی کوتاه مدت تقاضای آب آبیاری روزانه توسط معماری جفت شده ANN دینامیک، چارچوب بیزی و GAها توسعه یافت. مدل توسعه یافته در منطقه آبیاری واقعی در جنوب اسپانیا آزمایش شد و نتایج حاصله با تحقیقات قبلی مقایسه شد.