مدل‌سازی انرژی مصرفی و میزان انتشار گازهای گل‌خانه‌ای در روند تولید نیشکر در مزارع راتون با استفاده از شبکه‌های عصبی مصنوعی (بررسی موردی کشت و صنعت دعبل خزایی استان خوزستان)

نویسندگان

چکیده

این بررسی برای تجزیه ‌و تحلیل و مدل‌سازی انرژی مصرفی و میزان انتشار گازهای گل‌خانه‌ای در روند تولید نیشکر در مزارع راتون در استان خوزستان بررسی شد. اطلاعات لازم برای انجام این مطالعه در سال 1394 به شکل 113 پرسش‌نامه و بررسی حضوری از شرکت کشت و صنعت دعبل خزایی به دست آمد. نتایج حاصل از این بررسی نشان داد کل انرژی نهاده 7978‎/145117 مگاژول بر هکتار برآورد شد. بیشترین میزان مصرف نهاده با مقدار 39‎/79534 مگاژول بر هکتار و سهم 54 درصد به الکتریسیته تعلق داشت. همچنین میزان انتشار گازهای گل‌خانه‌ای 3482‎/17823 کیلوگرم کربن دی‌اکسید بر هکتار محاسبه شد. بهترین ساختار برای شبکه عصبی جهت عملکرد و انتشار گازهای گل‌خانه‌ای به‌ترتیب 1-19-7-6 و 1-5-5 تخمین زده شد. مدل برای عملکرد محصول نیشکر و میزان نشر گازهای گل‌خانه‌ای در مزارع راتون به‌ترتیب دارای ضریب همبستگی خطا 96 و 99 درصد و میزان و میانگین مربعات خطا به‌ترتیب دارای مقادیر 17763522 و 528 بوده و بنابراین شبکه عصبی می‌تواند به خوبی عملکرد محصول نیشکر و میزان نشر گازهای گل‌خانه‌ای را در مزارع راتون پیش‌بینی و مدل‌سازی کند.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling of energy consumption and GHG (greenhouse gas) emissions in sugarcane production in ratoon farms using artificial neural networks (A case study in Ahwaz)

نویسندگان [English]

  • sepide harooni
  • mohammad javad sheykh davoodi
  • mostafa kiani deh kiani
چکیده [English]

This study was carried out in Khouzestan province of Iran. Data were collected from 113 ratoon farms in Debel Khazai Agro-Industry with face to face questionnaire method. The objective of this study was to predict sugarcane production yield and GHG (greenhouse gas) emissions on the basis of energy inputs. Accordingly, several ANN (artificial neural network) models were developed and the prediction accuracy of them was evaluated using the quality parameters. The results illustrated that average total input and output energy of sugarcane production were 145117.7978 and 87096.42 MJ.ha-1, respectively. Electricity, chemical fertilizers and water for irrigation were the most influential factors in energy consumption. The ANN model with 6-7-19-1 and 5-5-1 structure were the best for predicting the sugarcane yield and GHG emissions, respectively. The coefficients of determination (R2) of the best topology were 0.96 and 0.99 for sugarcane yield and GHG emissions, respectively. The values of RMSE for sugarcane production and GHG emission were found to be 17763522 MJ.ha-1 and 528, respectively.

کلیدواژه‌ها [English]

  • Ratoon-Artificial neural networks-Energy-Sugarcane-

فایل ها

هم رسانی

ارجاع به این مقاله

آمار