تجزیه و تحلیل و مدل‌سازی عملکرد، انتشارات CO2 و میزان انرژی برای تولید ریحان در ایران با استفاده از شبکه‌های عصبی مصنوعی

Subject Areas : Farm Management

سجاد رستمی ¹ , سمیه چوبین ² , بهرام حسین‌زاده سامانی ³ , زهرا اسمعیلی ⁴ , حماد ذرعی‌فروش ⁵

1 - گروه مهندسی مکانیک بیوسیستم، دانشگاه شهرکرد، شهرکرد، ایران
2 - گروه مهندسی مکانیک بیوسیستم، دانشگاه شهرکرد، شهرکرد، ایران
3 - گروه مهندسی مکانیک بیوسیستم، دانشگاه شهرکرد، شهرکرد، ایران
4 - گروه مهندسی مکانیک بیوسیستم، دانشگاه شهرکرد، شهرکرد، ایران
5 - گروه مهندسی مکانیزاسیون، دانشگاه گیلان، رشت، ایران

Received: 2015-10-24 Accepted : 2016-01-17 Published : 2017-03-01

Keywords: شبکه‌های عصبی مصنوعی, ریحان, کربن دی‌اکسید, جریان انرژی,

Abstract :

این مطالعه با هدف بررسی رابطه بین انرژی­‌های ورودی و عملکرد تولید ریحان گلخانه‌ای و هم­چنین گازهای گلخانه‌ای انتشار یافته از این محصول انجام شد. داده‌ها از24 گلخانه به روش پرسشنامه‌ای و بصورت چهره به چهره با کشاورزان جمع­آوری گردید. نتایج حاصل از این مطالعه نشان داد که انرژی ورودی کل 119852.9مگاژول بر هکتار وانرژی خروجی کل 61040مگاژول بر هکتار می‌باشد. بالاترین سهم از مصرف انرژی مربوط به الکتریسیته با 52200 مگاژول برهکتار و به دنبال آن پلاستیک با 23220 مگاژول بر هکتار و کودهای شیمیایی با 13894مگاژول بر هکتار قرار گرفتند. شاخص نسبت انرژی و بهره‌وری به ترتیب 45/. و21/. محاسبه شد که هر دو نشان می‌دهند کارایی انرژی در بخش کشاورزی پایین می‌باشد هم­چنین انرژی خالص 72706.9- برآورد شد و کل گازهای گلخانه‌ای منتشر شده از تولید ریحان  9595.6کیلوگرم معادل  Co2 محاسبه شد. بیشترین انتشار گاز‌های گلخانه‌ای در این مطالعه مربوط به الکتریسیته با 2.216کیلوگرم معادل  Co2بود. نتایج مدلسازی ثابت کرد که شبکه‌های عصبی مصنوعی می‌تواند عملکرد ریحان و انتشار گازهای گلخانه‌ایCo2 با درجه بالایی از دقت و صحت R2=0.99)  و(MSE= 0.00023 پیش‌بینی کند.

References:

Al-Ghandoor, A., Jaber, J., Al-Hinti, I., & Mansour, I. (2009). Residential past and future energy consumption: Potential savings and environmental impact. Renewable and Sustainable Energy Reviews, 13(6), 1262-1274.

Alam, M.S., Alam, M.R., & Islam, K. (2005). Energy flow in agriculture: Bangladesh. American Journal of Environmental Sciences, 1(3), 213-220.

Alluvione, F., Moretti, B., Sacco, D., & Grignani, C. (2011). EUE (energy use efficiency) of cropping systems for a sustainable agriculture. Energy, 36(7), 4468-4481.

Barut, Z. B., Ertekin, C., & Karaagac, H. A. (2011). Tillage effects on energy use for corn silage in Mediterranean Coastal of Turkey. Energy, 36(9), 5466-5475.

Canakci, M., Topakci, M., Akinci, I., & Ozmerzi, A. (2005). Energy use pattern of some field crops and vegetable production: Case study for Antalya Region, Turkey. Energy Conversion and Management, 46(4), 655-666.

Chauhan, N. S., Mohapatra, P. K., & Pandey, K.P. (2006). Improving energy productivity in paddy production through benchmarking An application of data envelopment analysis. Energy Conversion and Management, 47(9), 1063-1085.

Coxworth, E., Leduc, P., & Hultgreen, G. (1995). Analysis of crop production systems for reducing carbon emissions, stashing carbon in soils and providing raw materials for bioenergy production. Agriculture Canada.

Dalgaard, T. (2000). Farm types-How can they be used to structure, model and generalize farm    data? In Agricultural data for life cycle assessments. Agricultural Economics Research Institute (LEI).

Dyer, J. A., & Desjardins, R. L. (2006). Carbon dioxide emissions associated with the manufacturing of tractors and farm machinery in Canada. Biosystems Engineering, 93(1), 107-118.

Erdal, G., Esengün, K., Erdal, H., & Gündüz, O. (2007). Energy use and economical analysis of sugar beet production in Tokat Province of Turkey. Energy, 32(1), 35-41.

Hatirli, S. A., Ozkan, B., & Fert, C. (2005). An econometric analysis of energy input–output in Turkish agriculture. Renewable and Sustainable Energy Reviews, 9(6), 608-623.

Khan, S., Khan, M., Hanjra, M., & Mu, J. (2009). Pathways to reduce the environmental footprints of water and energy inputs in food production. Food Policy, 34(2), 141-149.

Khodi, M., & Mousavi, S. (2009). Life cycle assessment of power generation technology using GHG emissions reduction approach. In 7th National Energy Congres,(pp. 22-23).

Khoshnevisan, B., Rafiee, S., Omid, M., Mousazadeh, H., & Clark, S. (2014a). Environmental impact assessment of tomato and cucumber cultivation in greenhouses using life cycle assessment and adaptive neuro-fuzzy inference system. Journal of Cleaner Production, 73, 183-192.

Khoshnevisan, B., Shariati, H. M., Rafiee, S., & Mousazadeh, H. (2014b). Comparison of energy consumption and GHG emissions of open field and greenhouse strawberry production. Renewable and Sustainable Energy Reviews, 29, 316-324.

Lal, R. (2004). Carbon emission from farm operations. Environment International,30, 981-990.

Mahdavian, A., Banakar, A., Mohammadi, A., Beigi, M., & Hosseinzadeh, B. (2012). Modelling of Shearing Energy of Canola Stem in Quasi-Static Compres-sive Loading Using Artificial Neural Network (ANN). Middle-East Journal of Scientific Research, 11(3), 374-381.

Mohammadshirazi, A., Akram, A., Rafiee, S., Avval, S.H.M.,& Kalhor, E.B.( 2012). An analysis of energy use and relation between energy inputs and yield in tangerine production. Renewable and Sustainable Energy Reviews,16, 4515-4521.                                                     

Mousavi-Avval, S. H., Rafiee, S., Jafari, A., & Mohammadi, A. (2011). Improving energy use efficiency of canola production using data envelopment analysis (DEA) approach. Energy, 36(5), 2765-2772.

Ozkan, B., Akcaoz, H., & Karadeniz, F. (2004). Energy requirement and economic analysis of citrus production in Turkey. Energy Conversion and Management, 45(11), 1821-1830.

Pahlavan, R., Omid, M., & Akram, A. (2012). The relationship between energy inputs and crop yield in greenhouse basil production. Journal of Agricultural Science and Technology, 14(6), 1243-1253.

Pishgar-Komleh, S., Ghahderijani, M., & Sefeedpari, P. (2012). Energy consumption and CO 2 emissions analysis of potato production based on different farm size levels in Iran. Journal of Cleaner Production, 33, 183-191.

Rahman, M., & Bala, B. (2010). Modelling of jute production using artificial neural networks. Biosystems Engineering, 105(3), 350-356.

Royan, M., Khojastehpour, M., Emadi, B., & Mobtaker, H. G. (2012). Investigation of energy inputs for peach production using sensitivity analysis in Iran. Energy Conversion and Management, 64, 441-446.

Safa, M., & Samarasinghe, S. (2011). Determination and modelling of energy consumption in wheat production using neural networks:A case study in Canterbury province, New Zealand. Energy, 36(8), 5140-5147.

Soltani, A., Rajabi, M., Zeinali, E., & Soltani, E. (2013). Energy inputs and greenhouse gases emissions in wheat production in Gorgan, Iran. Energy, 50, 54-61.

Tabatabaeefar, A., Emamzadeh, H., Varnamkhasti, M. G., Rahimizadeh, R., & Karimi, M. (2009). Comparison of energy of tillage systems in wheat production. Energy, 34(1), 41-45.

Unakitan, G., Hurma, H., & Yilmaz, F. (2010). An analysis of energy use efficiency of canola production in Turkey. Energy, 35(9), 3623-3627.

Zangeneh, M., Omid, M., & Akram, A. (2010). A comparative study on energy use and cost analysis of potato production under different farming technologies in Hamadan Province of Iran. Energy, 35(7), 2927-2933.