برآورد شاخص های کیفیت آب آبیاری ( TH، SAR و RSC) با استفاده از شاخص های EC و pH توسط الگوریتم های یادگیری ماشین

پارامترهای نسبت جذب سدیم (SAR)، سختی کل (TH) و کربنات سدیم باقیمانده (RSC) آب، نقش عمده ای در فعالیت های کشاورزی ایفا می کنند، اما اندازه گیری آن ها نیازمند تجهیزات تخصصی و زمان زیادی است . هدف این تحقیق، پیش بینی مقادیر SAR، TH و RSC بر اساس مقادیر اندازه گیری شده EC و pH با استفاده از الگوریتم های مختلف یادگیری ماشین است. به این منظور، روش­های مختلف شامل درخت تصمیم، نزدیک ترین همسایه، ماشین بردار پشتیبان، کوبیزت، جنگل تصادفی، سوپرلرنینگ و XGBoost بررسی شد. در این مطالعه، داده های مربوط به ۱۳۲ نمونه آب که مقادیر EC، pH، SAR،RSC و TH آن ها در آزمایشگاه اندازه گیری شده بود، استفاده گردید. نتایج نشان داد که استفاده از روش سوپرلرنینگ، دقت پیش بینی را در مقایسه با سایر الگوریتم ها به طور قابل توجهی افزایش می دهد. بدین ترتیب که مقادیر R۲ با استفاده هم زمان از EC و pH برای پیش بینی TH،RSC و SAR به ترتیب به ۰/۹۱، ۰/۸۸ و ۰/۶۸ رسید که بیشتر از سایر روش ها بود. استفاده از EC به تنهایی R۲ را به ۰/۸۷ در TH، ۰/۸۶ در RSC و ۰/۷۳ در SAR سوق داد. استفاده از pH به تنهایی نیز موجب کاهش مقادیر R۲ به ۰/۱۲ و ۰/۱۱ و۰/۹ شد. یافته­های پژوهش حاضر نشان داد که با استفاده از اندازه گیری های ساده EC و pH و الگوریتم های یادگیری ماشین، به ویژه سوپرلرنینگ، می توان پیش بینی دقیقی از پارامترهای TH،RSC و SAR انجام داد . این روش باعث کاهش هزینه ها و تصمیم گیری سریع در مدیریت منابع آب خواهد شد.

کلیدواژه ها:

عملکرد مدل ، اعتبارسنجی مدل ، کیفیت آب آبیاری