PARÇACIK SÜRÜ OPTİMİZASYONU VE YAPAY SİNİR AĞLARINI KULLANARAK TOPRAK NEMİ İÇİN TAHMİNLEME PERFORMANSININ DEĞERLENDİRİLMESİ

Toprak, iklim sisteminde hayati bir rol oynar. Bu makale, hava sıcaklığı, zaman, bağıl nem ve toprak sıcaklığını içeren farklı parametreleri göz önüne alarak toprağın nemini (TM) tahmin etmek için parçacık sürüsü optimizasyonundan (PSO) ve yapay sinir ağından (YSA) oluşan bir hibrit yöntem uygular. Ayrıca, bu makale tepki yüzeyinden yararlanarak PSO-ANN parametrelerinin etkilerini araştırmaktadır. PSO algoritması, YSA'nın ağırlıklarını değiştirme sürecinde yer almaktadır. Korelasyon katsayısı ve ortalama mutlak hata, uygulanan hibrit PSO-ANN'nin performansını ölçmek için seçilmiştir. Sayısal sonuçlar, PSO-ANN hibritinin TM'yi başarılı bir şekilde tahmin etmek için uygulandığını göstermektedir.

EVALUATION OF ESTIMATION PERFORMANCE FOR SOIL MOISTURE USING PARTICLE SWARM OPTIMIZATION AND ARTIFICIAL NEURAL NETWORK

Soil plays a vital role in the climate system. This paper performs a hybrid method that comprises particle swarm optimization (PSO) and artificial neural network (ANN) to estimate soil moisture (SM) by considering different parameters that include air temperature, time, relative humidity and soil temperature. Besides, this paper investigates the effects of the parameters of PSOANN by using from the response surface. PSO algorithm involves changing the weights of ANN. Paper chooses the coefficient of determination and mean absolute error to measure the performance of the performed hybrid PSO-ANN. The numerical results show that hybrid PSO-ANN is applied to estimate SM successfully

PDF

___

[1] G. Shukla, R. D. Garg, H. S. Srivastava and P. K. Garg, “An effective implementation and assessment of a random forest classifier as a soil spatial predictive model” International Journal of Remote Sensing, vol. 39, no. 8, Jan, pp. 2637-2669, 2018.
[2] Y. Qu, X. Qian, H. Song, Y. Xing, Z. Li and J. Tan, “Soil Moisture Investigation Utilizing Machine Learning Approach Based Experimental Data and Landsat5-TM Images: A Case Study in the Mega City Beijing” Water, vol. 10, Apr, pp. 423, 2018.
[3] V. Moosavi, A. Talebi, M. H. Mokhtari and M. R. Hadian, “Estimation of spatially enhanced soil moisture combining remote sensing and artificial intelligence approaches” International journal of remote sensing, vol. 37, no. 23, Oct, pp. 5605-5631, 2016.
[4] D. Kundu, R. W. Vervoort and F. F. van Ogtrop, “The value of remotely sensed surface soil moisture for model calibration using SWAT” Hydrological Processes, vol. 31, no. 15, May, pp. 2764-2780, 2017.
[5] Q. Yang, H. Zuo and W. Li, “Land Surface Model and Particle Swarm Optimization Algorithm Based on the ModelOptimization Method for Improving Soil Moisture Simulation in a Semi-Arid Region” Plos One, vol. 11, no. 3, Mar, 2016.
[6] R. Eberhart and J. Kennedy, “A new optimizer using particle swarm theory” Proceedings of the Sixth International Symposium Micro Machine and Human Science, 1995, pp. 39-43.
[7] University of Toronto, “Environmental datasets” Available: https://www.utm.utoronto.ca/geography/resources/ environmental-datasets. [Accessed Feb. 04, 2019]