فهرست نشریات علمی دسترسی آزاد ایران

پارامترهای نسبت جذب سدیم (SAR)، سختی کل (TH) و کربنات سدیم باقیمانده (RSC) آب، نقش عمده ای در فعالیت‌های کشاورزی ایفا می‌کنند، اما اندازه‌گیری آن‌ها نیازمند تجهیزات تخصصی و زمان زیادی است . هدف این تحقیق، پیش‌بینی مقادیر SAR، TH و RSC بر اساس مقادیر اندازه‌گیری‌شده EC و pH با استفاده از الگوریتم‌های مختلف یادگیری ماشین است. به این منظور، روش­های مختلف شامل درخت تصمیم، نزدیک‌ترین همسایه، ماشین بردار پشتیبان، کوبیزت، جنگل تصادفی، سوپرلرنینگ و XGBoost بررسی شد. در این مطالعه، داده‌های مربوط به 132 نمونه آب که مقادیر EC، pH، SAR،RSC و TH آن‌ها در آزمایشگاه اندازه‌گیری شده بود، استفاده گردید. نتایج نشان داد که استفاده از روش سوپرلرنینگ، دقت پیش‌بینی را در مقایسه با سایر الگوریتم‌ها به‌طور قابل‌توجهی افزایش می‌دهد. بدین ترتیب که مقادیر R2 با استفاده هم‌زمان از EC و pH برای پیش‌بینی TH،RSC و SAR به‌ترتیب به 0/91، 0/88 و 0/68 رسید که بیشتر از سایر روش‌ها بود. استفاده از EC به‌تنهایی R2 را به 0/87 در TH، 0/86 در RSC و 0/73 در SAR سوق داد. استفاده از pH به‌تنهایی نیز موجب کاهش مقادیر R2 به 0/12 و 0/11 و0/9 شد. یافته­های پژوهش حاضر نشان داد که با استفاده از اندازه‌گیری‌های ساده EC و pH و الگوریتم‌های یادگیری ماشین، به‌ویژه سوپرلرنینگ، می‌توان پیش‌بینی دقیقی از پارامترهای TH،RSC و SAR انجام داد . این روش باعث کاهش هزینه‌ها و تصمیم‌گیری سریع در مدیریت منابع آب خواهد شد.