رویکردی نوین در تخمین ضریب زبری مانینگ در فازهای مختلف آبیاری جویچه ای با بهره گیری از پردازش تصویر و یادگیری ماشین

این تحقیق به بررسی کارایی استفاده تلفیقی از تکنیک های پردازش تصویر و روش های یادگیری ماشین برای تخمین ضریب زبری مانینگ در آبیاری جویچه ای در فازهای پیشروی و ذخیره پرداخته است. برای این منظور، مقادیر مختلف دبی ورودی، نوبت ، مرحله و دورهای متفاوت آبیاری در دو نوع بافت خاک در نظر گرفته شد. تصاویری از سطح جویچه ها قبل و بعد از هر آبیاری ثبت گردید و ضریب زبری در فازهای پیشروی و ذخیره به ترتیب با استفاده از مدل SIPAR_ID و معادله مانینگ تخمین زده شد. سپس با استفاده از این داده ها، الگوریتمی بر مبنای استفاده تلفیقی از تکنیک های پردازش تصویر و روش های یادگیری ماشین در سه سناریوی مختلف توسعه یافت.  نتایج نشان داد که الگوریتم با استفاده از تصاویر یا داده های مزرعه ای به صورت مجزا نمی تواند به درستی آموزش ببیند و دقت بسیار پایینی دارد؛ چراکه برخی از ویژگی ها صرفا از تصاویر و برخی دیگر از داده های مزرعه ای قابل دسترسی هستند. نتایج همچنین بیانگر، دقت بسیار مناسب الگوریتم در تخمین ضریب زبری مانینگ در فازهای پیشروی و ذخیره با استفاده از تلفیق تصاویر و برخی داده های مزرعه ای نظیر سطح مقطع جریان و دبی، بود. در سناریوی منتخب، روش جنگل تصادفی و CART با شاخص های precision، recall و F۱-score برابر با ۹۵، ۹۶ و ۹۵ درصد، بهترین عملکرد را در تخمین ضریب زبری مانینگ نسبت به دیگر روش های یادگیری ماشین داشتند. در نهایت پیشنهاد شد که تحقیقات مشابهی با در نظر گرفتن سایر عوامل موثر بر زبری (نظیر پوشش گیاهی) و در شرایط متفاوت مزرعه ای (نظیر بافت و ساختمان خاک متفاوت) صورت پذیرد و الگوریتم متناسب با آن مجددا آموزش ببیند تا کارایی و جامعیت آن ارتقا یابد.

کلیدواژه ها:

ضریب زبری مانینگ ، پردازش تصویر ، یادگیری ماشین ، فاز پیشروی و ذخیره