Determination of soil tilth and feasibility study for estimation of soil moisture content using intelligent systems

Rahimi Ajdadi, Fatemeh and Abbaspour-Gilandeh, Yousef and Mollazade, Kaveh and PR Hasanzadeh, Reza (2016) Determination of soil tilth and feasibility study for estimation of soil moisture content using intelligent systems. Doctoral thesis, University of Mohaghegh Ardabili.

[img] Text (تعیین کیفیت شخم و امکان سنجی تخمین رطوبت خاک با استفاده از سیستم های هوشمند)
Fatemeh Rahimi Ajdadi.pdf

Download (419kB)
Official URL: http://www.uma.ac.ir

Abstract

Determining tillage quality during operation cause to reach the optimum tillage quality with the minimum cost due to adjust the working parameter. The objective of phase 1 was to develop an algorithm based on image processing so that it is able to separate nine different clod sizes. Imaging was taken in three different heights. Textual features from the images was extracted by four methods, including first order statistics of histogram, gray level co-occurrence matrix; run length matrix and local binary pattern. Feature selection stage was done by CfsSubsetEval method. Networks with topology of 19-19-1, 14-22-1, and 17-20-1 neurons represented the best classification performance for heights of 60, 80, and 100 cm, respectively. The best overall accuracy of the ANN classifier was obtained from images taken at the height of 60 cm (72.04%). The present approach had higher performance in estimating mean weight diameter up to about 35 mm (80%) and thus it is recommended to implement in variable rate secondary tillage machines. In phase 2, it was conducted to determine the soil moisture content with the aim of developing a non-contact method using image processing and artificial intelligence. The experiments were done in the moisture ranges between 6 and 21 %w.b. with three types of soil textures, including semi-heavy, moderate and light, and three weighted proportions of organic matter including zero, 0.1 and 0.2. For color feature extraction, seven color models were used. Mean comparison and then stepwise multivariate regression was applied to data mining. In addition to the general model, 12 other models in sub-groups of texture and organic matter have been developed. Two methods of ANFIS and stepwise multivariate regression were used to predict the soil moisture. The results showed that two color models of RGB and normalized RGB contributed the effective features. In the general model, the best performance of ANFIS was obtained with the input (the number of 5) and output membership functions of Bell and Linear, respectively, and hybrid optimization method (r=0.957, RMSE=0.829). According to the results, the general model could predict the soil moisture with the error less than 1.1%. This reached to less than 0.3% for some sub-models. The correlation coefficient of the general model predicted by stepwise regression was 0.918. It was found that for 11 models of total 13, ANFIS have represented better performances than multivariate regression, in terms of prediction of soil moisture content. Keywords: ANFIS, clode of soil, color model, mean weight diameter, textual feature.

Item Type: Thesis (Doctoral)
Persian Title: تعیین کیفیت شخم و امکان سنجی تخمین رطوبت خاک با استفاده از سیستم های هوشمند
Persian Abstract: تعیین کیفیت شخم در حین خاکورزی با امکان تنظیم پارامترهای مربوطه، این امکان را فراهم می¬کند که با کمترین هزینه، به شخمی با کیفیت مطلوب دست یافت. هدف از فاز اول، ابداع الگوریتمی با استفاده از پردازش تصاویر بود که قابلیت تفکیک 9 اندازه کلوخه مختلف را دارا باشد. تصویربرداری¬ها در سه ارتفاع مختلف اخذ گردید. ویژگی¬های بافتی از تصاویر خاک شخم¬خورده با چهار روش آماره¬های درجه¬ی اول هیستوگرام ، ماتریس هم رویدادی، ماتریس طول گام و الگوی محلی دودویی استخراج گردید. انتخاب ویژگی بوسیله روش CfsSubsetEval انجام گرفت. شبکه¬های با توپولوژی 1-19-19، 1-22-14 و 1-20-17 نورون، بهترین عملکرد طبقه¬بندی را به ترتیب در ارتفاع¬های 60، 80 و 100 سانتی¬متری ارائه کردند. بهترین صحت کلی کلاسیفایر شبکه عصبی از تصاویر مربوط به ارتفاع 60 سانتی¬متر بدست آمد (04/72%). تکنیک حاضر در تخمین قطر متوسط وزنی توده¬های تا 35 میلی¬متر، از صحت بالاتری برخوردار بوده (80%) و ازاین¬جهت، در ماشین¬های خاکورزی ثانویه¬ی نرخ متغیر توصیه می¬شود. در فاز دوم، به اندازه¬گيري رطوبت خاك، با هدف توسعه روشی غیرتماسی با استفاده از پردازش تصویر و هوش مصنوعی پرداخته¬شد. آزمایشات مربوطه در گستره¬ی رطوبتی 6 الی 21% با سه نوع بافت خاک، شامل نیمه-سنگین، متوسط و سبک و سه سطح ماده آلی، شامل 0، 1/0 و 2/0 وزنی انجام گردید. در مرحله استخراج ویژگی¬های رنگی از 7 فضای رنگی و برای کاهش ابعاد، از مقایسه¬ی میانگین¬ها و رگرسیون چندمتغیره گام¬به¬گام استفاده شد. علاوه¬بر مدل عمومی، 12 مدل دیگر به تفکیک بافت و ماده آلی توسعه داده¬شدند. پیش¬بینی رطوبت خاک با دو روش ANFIS و رگرسیون چندگانه گام¬به¬گام انجام شد. نتایج نشان دادکه دو مدل رنگی RGB و RGB نرمال، دارای بیشترین ویژگی¬های مؤثر در پیش¬بینی رطوبت خاک بوده¬اند. در مدل عمومی، بهترین عملکرد ANFIS با تابع عضویت ورودی نوع زنگوله¬ای و تعداد 5 عدد، تابع عضویت خروجی خطی و روش بهینه¬سازی هیبرید بدست آمد (957/0= r و 440/1=RMSE). طبق نتایج بدست¬آمده، مدل عمومی رطوبت خاک را با خطای زیر 1/1% رطوبت پیش¬بینی کند. این مقدار برای برخی از مدل¬های تفکیک شده به زیر 3/0% نیز می¬رسید. ضریب همبستگی مدل عمومی حاصل از رگرسیون چندمتغیره گام¬به¬گام 918/0 بود. همچنین مشخص شد که در 11 مدل از 13 مدل موجود، تمامی شاخص¬های عملکرد بدست¬آمده از ANFIS در مقایسه با رگرسیون چندمتغیره، مقادیر بهتری را ارائه کرده¬اند. كليدواژه¬ها: سیستم عصبی- فازی تطبیقی، کلوخه خاک، قطر متوسط وزنی، مدل رنگی، ویژگی بافتی
Supervisor:
SupervisorE-mail
Abbaspour-Gilandeh, YousefUNSPECIFIED
Advisor:
AdvisorE-mail
Mollazade, KavehUNSPECIFIED
PR Hasanzadeh, RezaUNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Date Deposited: 23 Oct 2018 11:34
Last Modified: 11 Dec 2018 22:59
URI: http://repository.uma.ac.ir/id/eprint/1261

Actions (login required)

View Item View Item