پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,761 |
| تعداد مقالات | 72,822 |
| تعداد مشاهده مقاله | 131,612,958 |
| تعداد دریافت فایل اصل مقاله | 103,405,624 |
رویکردی نوین در تخمین ضریب زبری مانینگ در مراحل مختلف آبیاری جویچه‌ای با بهره‌گیری از پردازش تصویر و یادگیری ماشین | ||
| تحقیقات آب و خاک ایران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 07 اسفند 1403 اصل مقاله (2.25 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2025.387670.669860 | ||
| نویسندگان | ||
| هادی رضایی راد* 1؛ حامد ابراهیمیان2؛ عبدالمجید لیاقت2؛ محمود امید3؛ نیما تیموری4 | ||
| 1پژوهشکده کشاورزی هسته ای، پژوهشگاه علوم و فنون هسته ای، سازمان انرژی اتمی، کرج- ایران | ||
| 2گروه آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3گروه مهندسی ماشین‌های کشاورزی، پردیس کشاورزی ومنابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 4گروه پردازش سیگنال، دانشکده مهندسی کامپیوتر و برق، دانشگاه آرهوس، آرهوس، دانمارک | ||
| چکیده | ||
| این تحقیق به بررسی کارایی استفاده تلفیقی از تکنیک‌های پردازش تصویر و روش‌های یادگیری ماشین برای تخمین ضریب زبری مانینگ در آبیاری جویچه‌ای طی فازهای پیشروی و ذخیره پرداخته است. برای این منظور، مقادیر مختلف دبی ورودی، نوبت‌ها، فازها و دورهای متفاوت آبیاری در دو نوع بافت خاک در نظر گرفته شد. تصاویری از سطح جویچه‌ها 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 داده‌ها، الگوریتمی بر مبنای استفاده تلفیقی از روش تکنیک‌های پردازش تصویر و روش‌های یادگیری ماشین و در سه سناریوی مختلف توسعه یافت. نتایج نشان داد که الگوریتم با استفاده از تصاویر یا داده‌های مزرعه‌ای به‌صورت مجزا نمی‌تواند به‌درستی آموزش ببیند و دقت بسیار پایینی دارد؛ چراکه برخی از ویژگی‌ها صرفاً از تصاویر و برخی دیگر صرفاً از داده‌های مزرعه‌ای قابل‌دسترسی هستند. نتایج همچنین نشان داد که الگوریتم با استفاده تلفیقی از تصاویر و برخی از داده‌های مزرعه‌ای نظیر سطح مقطع جریان و دبی، دقت بسیار مناسبی در تخمین ضریب زبری مانینگ در فازهای پیشروی و ذخیره دارد. در این سناریو، روش جنگل تصادفی و CART با شاخص‌های precision، recall و F1-score برابر با ۹۵، ۹۶ و ۹۵ درصد، بهترین عملکرد را در تخمین ضریب زبری مانینگ نسبت به دیگر روش‌های یادگیری ماشین داشتند. در نهایت پیشنهاد شد که تحقیقات مشابهی با در نظر گرفتن سایر عوامل مؤثر بر زبری و در شرایط متفاوت صورت پذیرد و الگوریتم متناسب با آن مجدداً آموزش ببیند تا کارایی و جامعیت آن ارتقا یابد. | ||
| کلیدواژه‌ها | ||
| ضریب زبری مانینگ؛ پردازش تصویر؛ یادگیری ماشین؛ فاز پیشروی و ذخیره | ||
| عنوان مقاله [English] | ||
| A Novel Approach for Manning’s Roughness Coefficient Estimation in Furrow Irrigation Phases Using Image Processing and Machine Learning | ||
| نویسندگان [English] | ||
| Hadi Rezaei rad1؛ Hamed Ebrahimian2؛ Abdolmajid Liaghat2؛ Mahmoud Omid3؛ Nima Teimouri4 | ||
| 1Nuclear Agriculture Research School, Nuclear Science and Technology Research Institute (NSTRI), Karaj, Iran | ||
| 2Department of Irrigation & Reclamation Engineering, Faculty of Agriculture Engineering & Technology, University of Tehran, Karaj, Iran | ||
| 3Department of Agricultural Machinery Engineering, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 4Signal Processing & Machine Learning Section, Department of Electrical and Computer Engineering, Aarhus University, Aarhus, Denmark | ||
| چکیده [English] | ||
| This study investigates the effectiveness of combining image processing techniques and machine learning methods to estimate the Manning roughness coefficient in furrow irrigation during the advance and storage phases. For this purpose, various input discharge values, irrigation cycles, phases, and soil texture types were considered. Images of the furrow surface were captured before and after each irrigation event, and the roughness coefficient in the advance and storage phases was estimated using the SIPAR_ID model and the Manning equation, respectively. Based on this data, an algorithm was developed that integrated image processing techniques with machine learning methods and was tested in three different scenarios. The results showed that the algorithm, when using either images or field data separately, could not be properly trained and had very low accuracy, as some features were only accessible from images and others from field data. The results also revealed that the algorithm, when combining images with certain field data such as flow cross-section and discharge, performed very well in estimating the Manning roughness coefficient during both the advance and storage phases. In this scenario, the Random Forest and CART methods, with precision, recall, and F1-score values of 95%, 96%, and 95% respectively, outperformed other machine learning methods in estimating the Manning roughness coefficient. Finally, it was suggested that similar studies be conducted considering other factors affecting roughness under different conditions, and that the algorithm be retrained accordingly to improve its performance and comprehensiveness. | ||
| کلیدواژه‌ها [English] | ||
| Manning roughness coefficient, image processing, machine learning, advance and phase, phases | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 158 تعداد دریافت فایل اصل مقاله: 51 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب