پیوندهای مفید
آمار
| تعداد نشریات | 27 |
| تعداد شماره‌ها | 366 |
| تعداد مقالات | 3,243 |
| تعداد مشاهده مقاله | 4,753,167 |
| تعداد دریافت فایل اصل مقاله | 3,244,310 |
مدل‌سازی تبخیر – تعرق خیار گلخانه‌ای با استفاده از یادگیری ماشین: رویکرد جنگل تصادفی در مقابل ضرایب گیاهی سنتی و غیرخطی | ||
| مدل سازی و مدیریت آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 21 آذر 1403 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22098/mmws.2024.16164.1516 | ||
| نویسندگان | ||
| مرتضی خوش سیمای چنار* 1؛ آرش تافته2؛ نیاز علی ابراهیمی پاک2 | ||
| 1گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران | ||
| 2دانشیار مؤسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران. | ||
| چکیده | ||
| تخمین مناسب تبخیر – تعرق گیاه (ETc) برای برنامه‌ریزی آبیاری کارآمد بسیار حیاتی است. این مطالعه با هدف ارزیابی و مدل‌سازی ETc و ضریب گیاهی (Kc) خیار گلخانه‌ای در دو دوره رشد پاییز – زمستان 1401 (A-W) و بهار – تابستان 1402 (S-S) در گلخانه تحقیقاتی پردیس کشاورزی و منابع طبیعی دانشگاه تهران انجام شد. تبخیر – تعرق مرجع داخل گلخانه (EToG) با استفاده از میکرولایسیمتر چمن و ETc با استفاده از روش بیلان آب خاک و اندازه‌گیری روزانه رطوبت خاک در سه کرت آزمایشی انجام شد. Kc روزانه خیار گلخانه‌ای از نسبت ETc به EToG محاسبه شد. ابتدا مدل FAO56 برای برآورد Kc (Kc FAO56) و ETc حاصل از حاصل‌ضرب آن در EToG (ETc = Kc FAO56 × EToG) مورد ارزیابی قرار گرفت که میانگین NRMSE و ME مربوط به ETc در دو دوره رشد موردبررسی به ترتیب برابر 31.2 درصد و 0.62 به‌دست آمد. در مرحله دوم از یک معادله درجه سه غیرخطی به‌منظور برآورد Kc و ETc حاصل از حاصل‌ضرب آن در EToG (ETc = Kc NonLinear × EToG) استفاده شد که میانگین NRMSE و ME در این روش نسبت به روش قبلی بهبودیافته و به ترتیب برابر 21.58 درصد و 0.82 به دست آمد. در مرحله سوم از الگوریتم جنگل تصادفی (RF) به‌منظور مدل‌سازی مستقیم ETc خیار گلخانه‌ای با استفاده از EToG و پارامترهای هواشناسی اندازه‌گیری‌شده در داخل و بیرون گلخانه استفاده شد. نتایج ETc حاصل از الگوریتم RF نشان داد که این الگوریتم با داشتن انعطاف‌پذیری و دقت بالا توانست پیش‌بینی‌های قابل قبول تری از ETc ارائه دهد. میانگین NRMSE و ME مربوط به الگوریتم RF در دو دوره رشد به ترتیب برابر با 6.8 درصد و 0.95 در مرحله آموزش و 11.3 درصد و 0.86 در مرحله آزمایش بدست آمد. در مرحله سوم با بررسی اهمیت ویژگی‌ها به روش Permutation Feature Importance (PFI) و انتخاب تنها چهار پارامتر اندازه‌گیری‌شده در گلخانه به‌عنوان ورودی RF می‌توان بدون نیاز به Kc خطی یا غیرخطی، ETc را با دقت بالایی برآورد کرد. این تحقیق اهمیت استفاده از روش‌های یادگیری ماشین در مدل‌سازی ETc گلخانه‌ای را نشان داده و می‌تواند به بهبود مدیریت آب در گلخانه‌ها کمک کند. | ||
| کلیدواژه‌ها | ||
| بیلان آب خاک؛ پایتون؛ تبخیر - تعرق مرجع؛ ضریب گیاهی غیرخطی؛ لایسیمتر | ||
|
آمار تعداد مشاهده مقاله: 37 |
||