Abstract This study was conducted i

Abstract This study was conducted in order to determine energy consumption, model and analyze
the input–output, energy efficiencies and GHG emissions for watermelon production using artificial
neural networks (ANNs) in the Guilan province of Iran, based on three different farm sizes. For this
purpose, the initial data was collected from 120 watermelon producers in Langroud and Chaf region,
two small cities in the Guilan province. The results indicated that total average energy input for
watermelon production was 40228.98 MJ ha–1. Also, chemical fertilizers (with 76.49%) were the
highest energy inputs for watermelon production. Moreover, the share of non-renewable energy
(with 96.24%) was more than renewable energy (with 3.76%) in watermelon production. The rate
of energy use efficiency, energy productivity and net energy was calculated as 1.29, 0.68 kg MJ1
and 11733.64 MJ ha1, respectively. With respect to GHG analysis, the average of total GHG
emissions was calculated about 1015 kgCO2eq. ha1
. The results illustrated that share of nitrogen
(with 54.23%) was the highest in GHG emissions for watermelon production, followed by diesel fuel
(with 16.73%) and electricity (with 15.45%). In this study, Levenberg–Marquardt learning Algorithm
was used for training ANNs based on data collected from watermelon producers. The
ANN model with 11–10–2 structure was the best one for predicting the watermelon yield and
GHG emissions. In the best topology, the coefficient of determination (R2) was calculated as
0.969 and 0.995 for yield and GHG emissions of watermelon production, respectively. Furthermore,

ผลลัพธ์ (ไทย) 1:

บทคัดย่อการศึกษานี้ดำเนินการเพื่อตรวจสอบการใช้พลังงาน รุ่น และวิเคราะห์อินพุตเอาต์พุต ประสิทธิภาพพลังงาน และการปล่อยก๊าซเรือนกระจกสำหรับใช้ผลิตแตงโมเทียมเครือข่ายประสาท (ANNs) ในการ Guilan จังหวัดของอิหร่าน อิงฟาร์มแตกต่างกันสามขนาด สำหรับเรื่องนี้รวบรวมจากผู้ผลิตแตงโม 120 ในภูมิภาค Langroud และ Chaf วัตถุประสงค์ ข้อมูลเบื้องต้นสองเมืองขนาดเล็กในจังหวัด Guilan ผลระบุว่า พลังงานเฉลี่ยรวมอินพุตสำหรับแตงโมที่ผลิตได้ 40228.98 MJ ฮา – 1 ยัง ปุ๋ยเคมี (กับ 76.49%) มีการปัจจัยพลังงานสูงสำหรับการผลิตแตงโม นอกจากนี้ ส่วนแบ่งของพลังงานหมุนเวียน(ด้วย 96.24%) เป็นพลังงานทดแทน (กับ 3.76%) มากกว่าในการผลิตแตงโม อัตราการประสิทธิภาพการใช้พลังงาน ประสิทธิภาพพลังงานและพลังงานสุทธิคำนวณเป็น 1.29, 0.68 กก. MJ 1และ 11733.64 MJ ฮา 1 ตามลำดับ เกี่ยวกับการวิเคราะห์ก๊าซเรือนกระจก ค่าเฉลี่ยของก๊าซเรือนกระจกทั้งหมดปล่อยถูกคำนวณเกี่ยวกับ 1015 kgCO2eq ฮา 1. แสดงผลที่ใช้ร่วมกันของไนโตรเจน(กับ 54.23%) มาปล่อยก๊าซเรือนกระจกในการผลิตแตงโม ตาม ด้วยน้ำมันดีเซล(กับ 16.73%) และกระแสไฟฟ้า (15.45%) ในการศึกษานี้ Levenberg – Marquardt อัลกอริทึมการเรียนรู้ใช้สำหรับฝึกอบรม ANNs อิงข้อมูลรวบรวมจากผู้ผลิตแตงโม การรุ่นแอน 11 – 10 – 2 โครงสร้างถูกสุดเพียงทำนายผลผลิตแตงโม และปล่อยก๊าซเรือนกระจก ในที่สุด คำนวณค่าสัมประสิทธิ์การกำหนด (R2) เป็น0.969 และ 0.995 สำหรับผลผลิตและการปล่อยก๊าซเรือนกระจกที่ผลิตแตงโม ตามลำดับ นอกจากนี้

ผลลัพธ์ (ไทย) 2:

การศึกษาครั้งนี้ได้ดำเนินการเพื่อตรวจสอบการใช้พลังงานรูปแบบและวิเคราะห์
อินพุตเอาต์พุตประสิทธิภาพพลังงานและการปล่อยก๊าซเรือนกระจกสำหรับปลูกแตงโมใช้เทียม
โครงข่ายประสาทเทียม (ANNs) ในจังหวัดกุยอิหร่านขึ้นอยู่กับสามขนาดฟาร์มที่แตกต่างกัน สำหรับครั้งนี้
มีวัตถุประสงค์ที่ข้อมูลเบื้องต้นที่ถูกเก็บรวบรวมมาจากผู้ผลิตแตงโม 120 Langroud และ Chaf ภูมิภาค
สองเมืองเล็ก ๆ ในจังหวัดกุย ผลการวิจัยพบว่าการป้อนพลังงานทั้งหมดเฉลี่ยสำหรับ
การผลิตแตงโมเป็น 40,228.98 MJ-1 ฮ่า นอกจากนี้การใช้ปุ๋ยเคมี (กับ 76.49%) เป็น
ปัจจัยการผลิตพลังงานสูงสุดสำหรับการปลูกแตงโม นอกจากนี้ยังมีส่วนแบ่งของพลังงานที่ไม่ใช่ทดแทน
(กับ 96.24%) มากกว่าพลังงานทดแทน (กับ 3.76%) ในการผลิตแตงโม อัตรา
ของประสิทธิภาพการใช้พลังงานในการผลิตพลังงานและพลังงานสุทธิที่คำนวณได้เป็น 1.29, 0.68 กก. MJ 1
และ 11,733.64 MJ ฮ่า 1 ตามลำดับ ด้วยความเคารพต่อการวิเคราะห์ก๊าซเรือนกระจกเฉลี่ยของก๊าซเรือนกระจกรวม
การปล่อยก๊าซที่คำนวณได้ประมาณ 1,015 kgCO2eq ฮ่า
1 ผลที่แสดงร่วมกันของไนโตรเจนที่
(กับ 54.23%) เป็นที่สูงที่สุดในปล่อยก๊าซเรือนกระจกสำหรับปลูกแตงโมตามด้วยน้ำมันเชื้อเพลิงดีเซล
(กับ 16.73%) และการไฟฟ้า (กับ 15.45%) ในการศึกษานี้ Levenberg-Marquardt การเรียนรู้ขั้นตอนวิธีการ
ที่ใช้สำหรับการฝึกอบรม ANNs อยู่บนพื้นฐานของข้อมูลที่เก็บรวบรวมมาจากผู้ผลิตแตงโม
รุ่น ANN กับ 11-10-2 โครงสร้างเป็นคนที่ดีที่สุดสำหรับการพยากรณ์ผลผลิตแตงโมและ
ปล่อยก๊าซเรือนกระจก ในโครงสร้างที่ดีที่สุด, ค่าสัมประสิทธิ์การตัดสินใจ (R2) ถูกคำนวณเป็น
0.969 และ 0.995 อัตราผลตอบแทนและก๊าซเรือนกระจกการปล่อยก๊าซที่ผลิตแตงโมตามลำดับ นอกจากนี้

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อศึกษาและวิเคราะห์การใช้พลังงาน รุ่นนำเข้า–ส่งออกประสิทธิภาพพลังงานและการปล่อยก๊าซเรือนกระจกในการผลิตแตงโมใช้เทียมโครงข่ายประสาทเทียม ( แอนน์ ) ใน guilan จังหวัดของอิหร่าน ยึดสามขนาดฟาร์มที่แตกต่างกัน สำหรับนี้วัตถุประสงค์ ข้อมูลเริ่มต้นเก็บจากผู้ผลิตใน langroud เชฟ 120 แตงโมและภูมิภาคขนาดเล็กสองเมืองในจังหวัด guilan . พบค่าพลังงานเฉลี่ยที่ทั้งหมดการผลิตแตงโม 40228.98 MJ ฮา– 1 นอกจากนี้ การใช้ปุ๋ยเคมี ( 76.49 % ) ได้แก่พลังงานสูงสุดปัจจัยในการผลิตแตงโม นอกจากนี้หุ้นบนพลังงานทดแทน( 96.24 % ) มากกว่าพลังงาน ( 3.76 % ) ในการผลิตแตงโม อัตราประสิทธิภาพการใช้พลังงาน , การผลิตพลังงานและพลังงานสุทธิมีค่าเป็น 1.29 0.68 กิโลกรัมนี้ใน11733.64 MJ และ ha1 ตามลำดับ ส่วนการวิเคราะห์ก๊าซเรือนกระจก ค่าเฉลี่ยของก๊าซเรือนกระจกทั้งหมดการคํานวณเกี่ยวกับลอง ha1 kgco2eq .. ผลการวิจัยพบว่าส่วนแบ่งของไนโตรเจน( สามารถ ) ได้สูงสุดในการปล่อยก๊าซเรือนกระจกในการผลิตแตงโม ตามด้วยเชื้อเพลิงดีเซล( 16.73 % ) และไฟฟ้า ( 15.45 % ) ในการศึกษานี้ levenberg –มาร์ควการเรียนรู้ขั้นตอนวิธีถูกนำมาใช้สำหรับการอาศัยข้อมูลจากทางผู้ผลิต แตงโม ที่แอนถ่ายแบบกับ 11 – 10 – 2 โครงสร้างคือหนึ่งที่ดีที่สุดสำหรับทำนายผลผลิต และแตงโมการปล่อยก๊าซเรือนกระจก . ในทอพอโลยีที่ดีที่สุด , ค่าสัมประสิทธิ์การตัดสินใจ ( R2 ) คำนวณได้ เช่นและ 0.969 0.995 ที่มีผลต่อผลผลิต และการปล่อยก๊าซเรือนกระจกจากการผลิต แตงโม ตามลำดับ นอกจากนี้