| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 3,081 |
| تعداد مقالات | 34,387 |
| تعداد مشاهده مقاله | 48,095,956 |
| تعداد دریافت فایل اصل مقاله | 78,964,696 |
پیش‌بینی شاخص‌های TH، SAR و RSC کیفیت آب آبیاری با استفاده از EC و pH و توسط الگوریتم‌های یادگیری ماشین | ||
| پژوهش آب در کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 10 آبان 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/jwra.2025.369886.1086 | ||
| نویسندگان | ||
| مهدی تازه* 1؛ مصطفی شیرمردی2؛ سعیده کلانتری3 | ||
| 1یزد بوار صدوقی کوی اکیرالمومنین بن بست 9 کد پستی 8916983877 | ||
| 2دانشیار گروه باغبانی، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، یزد، ایران | ||
| 3دانشیار گروه طبیعت، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، یزد، ایران. | ||
| چکیده | ||
| ارزیابی آب آبیاری با استفاده از روش‌های مرسوم، معمولاً پرهزینه و زمان‌بر است، زیرا نیازمند اندازه‌گیری چندین پارامتر مختلف می‌باشد. بنابراین، توسعه مدل‌های دقیق و قابل اعتماد می‌تواند به کاهش هزینه‌ها و بهینه‌سازی مدیریت منابع آب در کشاورزی کمک کند. پارامترهای SAR، TH و RSC آب، نقش حیاتی در فعالیت‌های کشاورزی ایفا می‌کنند، اما اندازه‌گیری آن‌ها نیازمند تجهیزات تخصصی و زمان زیادی است. هدف این تحقیق، پیش‌بینی مقادیرSAR، TH و RSC بر اساس مقادیر اندازه‌گیری‌شده EC و PH با استفاده از الگوریتم‌های مختلف ماشین لرنینگ است. به این منظور، هفت روش مختلف شامل درخت تصمیم، نزدیک‌ترین همسایه، ماشین بردار پشتیبان، کوبیزت، جنگل تصادفی، سوپرلرنینگ و اعتبارسنجی متقابل، مورد بررسی قرار‌گرفتند. در این مطالعه، داده‌های مربوط به 132 نمونه آب که مقادیر EC، PH، SAR، RSC و TH آن‌ها در آزمایشگاه اندازه‌گیری شده، استفاده گردید. نتایج نشان داد که استفاده از روش سوپرلرنینگ، دقت پیش‌بینی را در مقایسه با سایر الگوریتم‌ها به‌طور قابل توجهی افزایش می‌دهد. بدین‌ترتیب که مقادیر R2 با استفاده همزمان از EC,PH برای پیش‌بینی TH،RSC و SAR به‌ترتیب به 91/0 ،88/0 و 68/0 رسید، که بالاتر از سایر روش‌ها بود. استفاده از EC به‌تنهایی R2 را به 87/0در TH، 86/0در RSC و 73/0 در SAR سوق داد، استفاده از PH به تنهایی نیز موجب کاهش مقادیر R2 به 12/0 و 11/0 و 9/0 شده است. نتیجه‌گیری این تحقیق نشان می‌دهد که با استفاده از اندازه‌گیری‌های ساده EC و PH و الگوریتم‌های ماشین لرنینگ، به‌ویژه سوپرلرنینگ، می‌توان پیش‌بینی دقیقی از پارامترهای TH،RSC و SAR انجام داد. | ||
| کلیدواژه‌ها | ||
| عملکرد مدل؛ پیش بینی؛ اعتبار سنجی؛ کشاورزی؛ کیفیت آب آبیاری | ||
| عنوان مقاله [English] | ||
| Predicting TH, SAR, and RSC indices of irrigation water using EC and pH by machine learning algorithms | ||
| نویسندگان [English] | ||
| مهدی تازه1؛ mostafa shirmardi2؛ saeideh kalantari3 | ||
| 1Ardakan uni | ||
| 2Associate Professor, Department of Horticulture, Faculty of Agriculture and Natural Resources, Ardakan University, Ardakan, Iran. | ||
| 3Associate Professor, Department of Nature Engineering, Faculty of Agriculture & Natural Resources, Ardakan University, P.O. Box 184, Ardakan, Iran. | ||
| چکیده [English] | ||
| Irrigation water assessment using conventional methods is usually costly and time-consuming, as it requires the measurement of several parameters. Therefore, the development of accurate and reliable models can help reduce costs and optimize water resource management in agriculture. The parameters Sodium Adsorption Ratio (SAR), Total Hardness (TH), and Residual Sodium Carbonate (RSC) play a vital role in agricultural activities, but their measurement requires specialized equipment and considerable time. The aim of this study is to predict SAR, TH, and RSC values based on measured Electrical Conductivity (EC) and pH using different machine learning algorithms. For this purpose, seven algorithms—including Decision Tree, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Cubist, Random Forest, Super Learning, and XGBoost—were examined. In this study, data from 132 water samples with laboratory-measured EC, pH, SAR, RSC, and TH values were used. The results showed that the use of Super Learning significantly improved prediction accuracy compared to other algorithms. Specifically, the R² values obtained using both EC and pH simultaneously for predicting TH, RSC, and SAR were 0.91, 0.88, and 0.68, respectively, which were higher than those of other methods. Using EC alone yielded R² values of 0.87 for TH, 0.86 for RSC, and 0.73 for SAR, while using pH alone reduced the R² values to 0.12, 0.11, and 0.09, respectively. The findings of the present study indicate that with simple EC and pH measurements combined with machine learning algorithms—especially Super Learning—it is possible to accurately predict TH, RSC, and SAR parameters, thereby reducing costs and enabling faster decision-making in water resource management. | ||
| کلیدواژه‌ها [English] | ||
| Model performance, prediction, validation, agriculture, irrigation water quality | ||
|
آمار تعداد مشاهده مقاله: 9 |
||