การศึกษาระบบควบคุมปริมาณน้ำให้กับพืชระยะสั้นด้วยโครงข่ายประสาทเทียม

Main Article Content

วิรัช กองสิน

บทคัดย่อ

          งานวิจัยนี้มีวัตถุประสงค์เพื่อเพิ่มประสิทธิภาพในการใช้น้ำในภาคการเกษตรในบางพื้นที่การใช้น้ำมีความจำเป็นมาก แต่ปริมาณน้ำมีอย่างจำกัด งานวิจัยนี้จะทดลองกับผักคะน้า ซึ่งเป็นพืชระยะสั้นที่จังหวัดสุพรรณบุรี นิยมเพาะปลูกและบริโภคกันอย่างกว้างขวางในหลายอำเภอ จึงมีแนวคิดในการลดอัตราการใช้น้ำในการปลูกผักคะน้าเพื่อเพิ่มผลผลิต ในการทดลองจะปลูกผักคะน้าในช่วงเดือนพฤษภาคมถึงมิถุนายน ที่อำเภอสามชุก จังหวัดสุพรรณบุรี โดยใช้พันธุ์แม่โจ้ 1 ซึ่งเป็นพันธุ์ที่นิยมปลูก โดยวิธีการหว่านซึ่งแบ่งเป็น 2 แปลง แต่ละแปลงมีขนาดกว้าง 2 เมตร ยาว 3 เมตร ซึ่งอยู่ภายในโรงเรือนแบบมุ้งทรงหลังคาโค้ง แปลงแรกใช้ระบบให้น้ำแบบตั้งเวลาและแปลงที่สองใช้ระบบให้น้ำแบบโครงข่ายประสาทเทียม ซึ่งแปลงแรกปริมาณการใช้น้ำของผักคะน้าคำนวณจากสูตร Penman Monteith ในเดือนพฤษภาคมอยู่ที่ 26.08 ลิตรต่อวัน และเดือนมิถุนายนอยู่ที่ 21.60 ลิตรต่อวัน แปลงที่สองปริมาณการใช้น้ำของผักคะน้าจะพยากรณ์จากโครงข่ายประสาทเทียมโดยใช้ข้อมูลตัวแปรจากสูตร Penman Monteith และข้อมูลจากเซ็นเซอร์ร่วมกัน โดยเก็บผลการทดลองทุก 7 วัน เพื่อวัดปริมาณน้ำรวมต่อสัปดาห์ จากการเปรียบเทียบปริมาณน้ำรวมจากแบบโครงข่ายประสาทเทียมจะใช้น้ำน้อยกว่าแบบระบบตั้งเวลาอยู่ที่เฉลี่ยประมาณ 53.78 ลิตรต่อสัปดาห์ในเดือนพฤษภาคม และ 51.54 ลิตรต่อสัปดาห์ในเดือนมิถุนายน เมื่อเปรียบเทียบน้ำหนักของผักคะน้าไม่แตกต่างกันมากอยู่ที่ประมาณ 0.02 กรัม จากการทดลองทำให้ทราบว่าแบบโครงข่ายประสาทเทียมสามารถลดปริมาณการใช้น้ำในการปลูกผักคะน้าได้จริง

Article Details

รูปแบบการอ้างอิง
กองสิน ว. (2019). การศึกษาระบบควบคุมปริมาณน้ำให้กับพืชระยะสั้นด้วยโครงข่ายประสาทเทียม. วารสารวิชาการ มทร.สุวรรณภูมิ, 7(1), 40–51. สืบค้น จาก https://li01.tci-thaijo.org/index.php/rmutsb-sci/article/view/110473
ประเภทบทความ
บทความวิจัย

เอกสารอ้างอิง

กลุ่มงานวิจัยการใช้น้ำชลประทาน. (2554). ค่าสัมประสิทธิ์พืช (Kc) ของพืช 40 ชนิด (เอกสารเผยแพร่). กรุงเทพฯ: สำนักอุทกวิทยาและบริหารนำ กรมชลประทาน.

จำเริญ ยืนยงสวัสดิ์. (2543). หลักการกสิกรรม. สงขลา: ภาควิชาพืชศาสตร์ คณะทรัพยากรธรรมชาติ มหาวิทยาลัยสงขลานครินทร์ วิทยาเขตหาดใหญ่.

ประสิทธิ์ กาบจันทร์. (2557). คู่มือการปลูกคะน้าอินทรีย์(เอกสารเผยแพร่). เชียงใหม่: ฝ่ายนวัตกรรมและถ่ายทอดเทคโนโลยี สำนักวิจัยและส่งเสริมวิชาการการเกษตร มหาวิทยาลัยแม่โจ้.

ประสิทธิ์ เมฆอรุณ. (2558). การพัฒนาระบบสนับสนุนการตัดสินใจด้านการบริหารจัดการน้ำ ในพื้นที่ชลประทาน ด้วยวิธี Penman Monteith กรณีศึกษาฝ่ายส่งน้ำและบำรุงรักษาที่ 1 โครงการส่งน้ำและบำรุงรักษาดงเศรษฐี. วารสารสังคมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ, 18, 83-95.

พรรณวิภา อรุณจิตต์, นาวี โกรธกล้า, และปิจิราวุธ เวียงจันดา. (2558). โรงเรือนปลูกพืชควบคุมและมอนิเตอร์อัตโนมัติผ่านระบบเครือข่าย. ใน การประชุมวิชาการสมาคมวิศวกรรมเกษตรแห่งประเทศไทยระดับชาติ ครั้งที่ 16 และระดับนานาชาติครั้งที่ 8. กรุงเทพฯ: สมาคมวิศวกรรมเกษตรแห่งประเทศไทย.

พยุง มีสัจ. (2551). ระบบฟัชชีและโครงข่ายประสาทเทียม. กรุงเทพ: คณะเทคโนโลยีสารสนเทศ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ.

ไพฑูรย์ รื่นสุข. (2547). ข้อมูลเกษตรกรจังหวัดสุพรรณบุรี. สุพรรณบุรี: สำนักงานเกษตรจังหวัด สุพรรณบุรี กรมส่งเสริมการเกษตรกระทรวงเกษตรและสหกรณ์.

ยุพิน ไชยสมภาร, และทวี ชัยพิมลผลิน. (2556). การพยากรณ์ระดับน้ำโดยแบบจำลองโครงข่ายประสาทเทียมด้วยข้อมูลปริมาณน้ำฝนจากแบบจำลอง. วารสารมหาวิทยาลัยศรีนครินทรวิโรฒ (สาขาวิทยาศาสตร์และเทคโนโลยี), 17, 83-90.

วันชัย คุปวานิชพงษ์. (2555). การออกแบบระบบให้ผ่านท่อในงานวิจัยเกษตรวิศวกรรม (เอกสารเผยแพร่). กรุงเทพฯ: กลุ่มพัฒนาพื้นที่เกษตรสถาบัน วิจัย เกษตรวิศวกรรม.

ศุภโชค แสงสว่าง. (2559). การประยุกต์ใช้โครงข่ายประสาทเทียมกับงานด้านการเกษตร. วารสารวิชาการพระจอมเกล้าพระนครเหนือ, 26(2), 319-331.

ศุภัทรษร คำบ่อ. (2556). แบบจำลองการเจริญเติบโตและผลผลิตของถั่วเขียวโดยใช้โครงข่ายประสาทเทียม (วิทยานิพนธ์ปริญญามหาบัณฑิต). มหาวิทยาลัยเทคโนโลยีสุรนารี, นครราชสีมา.

ส่วนการใช้น้ำชลประทาน. (2554). คู่มือการหาปริมาณการใช้น้ำของพืชปริมาณการใช้น้ำของพืชอ้างอิงและค่าสัมประสิทธิ์พืช. กรุงเทพ: สำนักอุทกวิทยาและบริหารน้ำ กรมชลประทาน.

Khoshnevisan, B., Rafiee, S., Omid, M., & Yousefi, M. (2013). Prediction of environmental indices of Iran wheat production using artificial neural networks. Energy and Environmental, 4, 339-348.

Pahlavan, R., Omid, M., & Akram, A. (2012). Energy input-output analysis and application of artificial neural Networks for predicting greenhouse basil production. Energy, 37, 171-176.