learning algorithms
در نشریات گروه کشاورزی-
سابقه و هدف
در طول فصل بارندگی، نفوذ آب در خاک، رطوبت خاک را در مناطق نیمه خشک جبران می کند در بهبود پوشش گیاهی، پتانسیل فرسایش و تغذیه آب های زیرزمینی تاثیر می گذارد. نفوذ آب به خاک مهم ترین منبع تامین کننده آب برای حیات گیاهان است و نقش اساسی در کنترل آب های سطحی و زیرزمینی دارد. به دلیل اهمیت موضوع، در این تحقیق به مدل سازی نرخ نفوذپذیری در تیپ های مختلف پوشش گیاهی (تیپ های بلوط، گون-فرفیون، گراس و گراس-گون) با استفاده از الگوریتم های یادگیری در حوضه الشتر استان لرستان پرداخته شده است.
مواد و روش هامنطقه مورد مطالعه از نظر ژئومورفولوژیکی در بخش مرکزی زاگرس در استان لرستان قرار دارد که خود بخشی از زیر حوزه کرخه می باشد. زیر حوزه الشتر مطابق شکل (1) بین طول های جغرافیایی”28 10 48 تا”29 23 48 شرقی و عرض های”17 45 33 تا”23 51 33 شمالی با مساحت 64/797 کیلومتر مربع قرار گرفته است. بلندترین نقطه حوضه در بخش شمال شرقی با ارتفاع 3613 متر و پست ترین نقطه حوضه در بخش جنوبی با ارتفاع 1481 متر از سطح دریا قرار دارد. میانگین بارندگی سالانه منطقه 570 میلی متر بوده و بر اساس روش دومارتن، اقلیم منطقه نیمه خشک و سرد است. در این تحقیق برای مدل سازی نفوذپذیری در تیپ های مختلف گیاهی از الگوریتم های یادگیری RF، MLP، GP-PUK، GP-RBF، SVM-PUK و SVM-RBF استفاده شد که 70 درصد داده های آموزش و 30 درصد داده های آزمایش در نظر گرفته شد. داده های ورودی برای مرحله ی آموزش و آزمایش مدل داده های زمان، درصد رطوبت وزنی، درصد رس، درصد لای، درصد شن، و جرم مخصوص ظاهری به کار برده شد و اندازه ی سرعت نفوذپذیری به عنوان داده ی خروجی در نظر گرفته شد. در نهایت مدلی که با توجه به معیار های ارزیابی، بهترین جواب را ارائه داد به عنوان مدل برتر انتخاب شد. سپس برای ارزیابی دقت مدل های نفوذ از پارامترهای آماری ضریب همبستگی (CC)، میانگین خطای مطلق (MAE) و ریشه میانگین مربعات خطا (RMSE) استفاده شد.
نتایجمطابق نتایج به دست آمده بیش ترین و کم ترین مقدار نفوذ متوسط به ترتیب متعلق به تیپ گون-فرفیون و تیپ گراس-گون با میزان 4/14 و 25/6 سانتی متر در ساعت می باشد که این تفاوت می تواند حجم وسیعی از آب را به داخل خاک نفوذ دهد یا بر روی سطح خاک به شکل رواناب جریان یابد. تیپ گیاهی گراس با میزان 3/14 سانتی متر در ساعت در رتبه دوم بیش ترین مقدار نفوذ متوسط قرار گرفت. همچنین حداکثر سرعت نفوذ با مقدار 2/37 سانتی متر در ساعت متعلق به تیپ گیاهی گون-فرفیون و حداقل سرعت نفوذ با مقدار 8/22 سانتی متر در ساعت متعلق به تیپ گیاهی گراس-گون می باشد. مطابق نتایج تحقیق مقدار متوسط و تجمعی نفوذپذیری در تیپ گون-فرفیون بیش تر از دیگر تیپ های پوشش گیاهی است. در ادامه نتایج حاصل از مدل سازی با استفاده از مدل های ذکرار شده نشان داد در تیپ های بلوط و گون- فرفیون مدل GP با کرنل PUK با ضریب تبین 2/97 و 498 درصد نسبت به سایر مدل ها با توجه به معیارهای ارزیابی از عملکرد بهتری برخوردار بوده است. در تیپ های گراس و گراس-گون بین مدل ها RF به عنوان مدل برتر انتخاب شد. در بخش آزمایش تیپ گراس به ترتیب برابر 82/0، 102/0 و 064/0 بوده و در تیپ گراس-گون در بخش آزمایش نتایج به همین ترتیب برابر 99/0، 0052/0 و 0044/0 به دست آمده است.
نتیجه گیریپیش بینی میزان نفوذپذیری یکی از پارامترهای اساسی در رابطه با هیدرولوژی، مدیریت حوزه های آبخیز، آبیاری و مطالعات مرتبط با کشاورزی است. لذا بر اساس نتایج به دست آمده از این تحقیق، الگوریتم های یادگیری یکی از روش های مناسب برای تخمین میزان نفوذپذیری آب در خاک های با پوشش و تیپ های مختلف گیاهی هستند. در مجموع با توجه به نتایج این تحقیق و با بررسی نتایج به دست آمده از تحقیقات پیشین می توان به این نتیجه رسید که در رابطه با موضوع مدل سازی نفوذپذیری خاک در تیپ های پوشش گیاهی مختلف، استفاده از الگوریتم های یادگیری ماشین به ویژه فرآیند گوسی (GP) و مدل جنگل تصادفی (RF) کاربرد داشته و می توان در بازه های زمانی متفاوت و حوضه های مطالعاتی مختلف، از این مدل ها به منظور برآورد میزان نفوذپذیری و همچنین تخمین رواناب منطقه استفاده کرد.
کلید واژگان: استان لرستان، حوضه الشتر، نفوذپذیری، پوشش گیاهی، الگوریتم های یادگیریJournal of Rangeland, Volume:18 Issue: 4, 2025, PP 561 -581Background and objectivesDuring the rainy season, soil infiltration replenishes soil moisture in semiarid regions, influencing vegetation regeneration, erosion potential, and groundwater recharge. Infiltration of water into soil is a key process for providing water supply to plants and plays an essential role in controlling surface runoff and groundwater. This study investigated infiltration modeling in different vegetation types (Quercus brantii, Astragalus ecbatanus-Euphorbia denticulate, Grass, and Grass-Astragalus rhodoseminus) in the Alashtar watershed, Lorestan Province, Iran.
Materials and MethodsThe study area, part of the Kashkan watershed in Lorestan Province, was selected for modeling infiltration rates using various soft computing techniques. The study area is located between 48°10′28″ - 48°23′29″ N latitudes and 33°45′17″ - 33°51′23″ E longitudes, covering approximately 112.54 km². Elevation varies from 1481 to 3613 meters above sea level. The area has a cold and semiarid climate with a mean annual rainfall of less than 570 mm. Five soft computing techniques—Support Vector Machine (SVM), Gaussian Process (GP), Multi-Layer Perceptron (MLP), and Random Forest (RF)—were used to model infiltration rates. The total dataset comprised physical soil characteristics, with 70% used for training and 30% for testing the models. The input data included time, sand, clay, silt, soil density, and soil moisture, while the output data were infiltration rates measured using a double-ring infiltrometer at 23 locations. Three statistical parameters—coefficient of correlation (C.C), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE)—were used to compare the efficiency of all models.
ResultsThe results indicated that the Astragalus ecbatanus-Euphorbia denticulate vegetation type had higher cumulative infiltration and average infiltration rates. Among the models, Random Forest (RF) and Gaussian Process with PUK kernel (GP-PUK) showed the least error in estimating infiltration rates with the input combination of time, sand, clay, silt, soil density, and soil moisture. The GP-PUK model demonstrated acceptable accuracy in Quercus brantii and Astragalus ecbatanus-Euphorbia denticulate vegetation types with correlation coefficients of 97.2% and 98.4%, respectively. The RF models performed better than other models in estimating infiltration rates for Grass and Grass-Astragalus rhodoseminus vegetation types, with correlation coefficients of 83.9% and 99.9%, respectively.
ConclusionPredicting infiltration rates is crucial for hydrologic design, watershed management, irrigation, and agricultural studies. The results show that soft computing techniques have suitable capabilities to predict soil infiltration rates. These models can quantify infiltration amounts and estimate runoff in different vegetation types. The research findings can help local authorities manage and develop their areas systematically and effectively.
Keywords: Lorestan Province, Alashtar Watershed, Infiltration, Vegetation Types, Learning Algorithms -
به منظور برنامه ریزی و سیاست گذاری صحیح در بخش کشاورزی از نقطه نظر استفاده پایدار از منابع آب و تامین امنیت غذایی و خودکفایی در تولید محصولات استراتژیکی همچون گندم، ضروری است پیش بینی دقیقی از عملکرد گندم دیم انجام پذیرد. در سال های اخیر استفاده از روش های هوش مصنوعی برای این منظور مورد توجه محققین قرار گرفته است. در این تحقیق عملکرد سه الگوریتم BR، GD و LM شبکه عصبی مصنوعی در برآورد عملکرد گندم دیم مورد ارزیابی و مقایسه قرار گرفت. داده های هواشناسی مربوط به 10 ایستگاه هواشناسی واقع در استان کرمانشاه (1398-1384) به عنوان داده های ورودی مورد نیاز مدل ها استفاده شد. پس از تعیین هم بستگی ها بین پارامتر های هواشناسی و میزان عملکرد گندم دیم، متغیرهای رطوبت نسبی و بارش تحت سه سناریو شامل ترکیب های مختلف از داده های ورودی انتخاب و مدل های مذکور برای هر کدام اجرا شد. مقایسه مقادیر تخمینی و مشاهداتی عملکرد گندم دیم نشان دهنده عملکرد قابل قبول هر سه مدل بود؛ برای مرحله آزمون مقادیر R2 برای بهترین ترکیب داده ورودی در سه الگوریتم BR، GD و LM به ترتیب 85/0، 64/0 و 74/0 و مقادیر RMSE نیز به ترتیب 09/0، 16/0 و 18/0 تن بر هکتار بود. مقایسه نتایج ترکیب های مختلف داده ورودی نشان داد که پارامتر بارش دارای بیش ترین اهمیت در تخمین عملکرد گندم دیم می باشد، با این وجود استفاده از داده های بارش و رطوبت نسبی بصورت همزمان تحت سناریوی سوم به عنوان داده های ورودی مدل ها منجر به بیش ترین دقت می گردد. در نهایت شبکه تحت الگوریتم BR با ترکیب ورودی های بارش و رطوبت نسبی با مقادیر R2 و RMSE برای مرحله آزمون به ترتیب برابر 85/0 و 09/0 تن بر هکتار، به عنوان مدل بهینه در تخمین عملکرد گندم دیم نسبت به سایر الگوریتم ها و ترکیبات ورودی شناخته شد.
کلید واژگان: الگوریتم های یادگیری، پیش بینی، شبکه عصبی پیشخور، گندم دیم، مدل های هوشمندIn order to plan and make correct policies in agricultural sector in terms of sustainable application of water resources and ensuring food security and self-sufficiency in the production of strategic products such as wheat, it is necessary to make an accurate prediction of dryland wheat yield. Recently, use of artificial intelligence methods for this purpose has increasingly attracted researchers' attention. In this study, the performance of three ANN algorithms, BR, GD, and LM were evaluated and compared to estimate dryland wheat yield. Meteorological data (2004-2018) from 10 meteorological stations, located in Kermanshah province, were used as input data in the proposed models. After determining the correlations between meteorological parameters and dryland wheat yield, relative humidity (RH) and precipitation (P) variables under three different input data combinations were used in the proposed models. Comparison of the predicted and observed data of dryland wheat yield showed acceptable performance of all three models. The R2 values of training step for the best combination of input data for the ANN algorithms (BR, GD and LM) were 0.85, 0.64 and 0.74, respectively, and the RMSE values were 0.09, 0.16 and 0.18 tons per hectare, respectively. Comparison of the results of different input data combinations showed that the P parameter has the most importance in predicting the yield of dryland Wheat, however, the use of P and RH data simultaneously as the third scenario leads to the highest accuracy. Finally, the BR algorithm by combining the inputs of P and RH with R2 and RMSE values for the test data equal to 0.85 and 0.09 ton/ha respectively, as the optimal model in estimating the drtyland Wheat Yield compared to other algorithms and input combinations were known.
Keywords: Feedforward Neural Network, Intelligent models, Learning algorithms, prediction, Rainfed Wheat
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.