پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,210 |
| تعداد مقالات | 77,344 |
| تعداد مشاهده مقاله | 158,032,374 |
| تعداد دریافت فایل اصل مقاله | 118,943,383 |
چالش های استفاده از فناوریهای نوین در مدیریت پایدار حوزه های آبخیز کشور | ||
| نشریه علمی ترویجی (حرفهای) آبخوان | ||
| دوره 19، شماره 1، آبان 1404 اصل مقاله (636.79 K) | ||
| نوع مقاله: ترویجی | ||
| نویسنده | ||
| کهزاد حیدری* | ||
| استادیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات، آموزش کشاورزی و منابع طبیعی خوزستان، سازمان تحقیقات، آموزش و | ||
| چکیده | ||
| این مطالعه با هدف ارزیابی قابلیت الگوریتمهای یادگیری ماشین در پیشبینی شدت آبگریزی خاک، در خاکهای لسی شمال ایران انجام شد؛ منطقهای که بهدلیل بافت ویژه و شرایط اقلیمی، مستعد پدیده آبگریزی است. در این پژوهش، ۴۵ نمونه خاک سطحی از مناطق مختلف استانهای گلستان و مازندران برداشت شد. برای هر نمونه، مجموعهای از ویژگیهای فیزیکی و شیمیایی از جمله کربن آلی، ماده آلی، بافت خاک، پایداری خاکدانه، pH و EC اندازهگیری گردید. شاخص شدت آبگریزی با استفاده از آزمون زمان پایداری قطره آب تعیین شد. سه الگوریتم یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی و XGBoost برای مدلسازی و پیشبینی مقدار WDPT مورد استفاده قرار گرفتند. نتایج نشان داد که مدل XGBoost با RMSE معادل 7/14 و ضریب تعیین 42/0، عملکرد بهتری نسبت به سایر مدلها داشت. همچنین، کربن آلی بهعنوان تأثیرگذارترین متغیر شناسایی شد. این یافتهها نشان میدهد که الگوریتمهای پیشرفته یادگیری ماشین میتوانند ابزار مؤثری برای تحلیل و پیشبینی پدیدههای غیرخطی در مطالعات خاک و مدیریت حوزههای آبخیز باشند. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ هوش مصنوعی؛ پایداری خاکدانه؛ خاک های لسی؛ آبگریزی خاک | ||
| عنوان مقاله [English] | ||
| Challenges of Applying Emerging Technologies in Sustainable Watershed Management in Iran | ||
| نویسندگان [English] | ||
| کهزاد حیدری | ||
| Assistant Professor, Department of Soil Conservation and Watershed Management Research, Khuzestan Agricultural and Natural Resource Research Center, Agricultural Research, Education and Extension Organization, Ahvaz, Iran. | ||
| چکیده [English] | ||
| This study aimed to evaluate the performance of machine learning algorithms in predicting soil water repellency intensity in the loess soils of northern Iran, a region prone to water repellency due to its specific soil texture and climatic conditions. A total of 45 surface soil samples were collected from various locations across Golestan and Mazandaran provinces. For each sample, a set of physical and chemical properties—including organic carbon, organic matter, soil texture, aggregate stability, pH, and EC—were measured. The water drop penetration time (WDPT) test was used to quantify the degree of water repellency. Three machine learning algorithms, including Decision Tree (DT), Random Forest (RF), and XGBoost, were applied to model and predict the WDPT index. The results indicated that the XGBoost model outperformed the others, achieving an RMSE of 14.7 and an R² of 0.42. Moreover, organic carbon was identified as the most influential variable. These findings suggest that advanced machine learning algorithms can serve as effective tools for analyzing and predicting nonlinear phenomena in soil studies and watershed management. | ||
| کلیدواژهها [English] | ||
| Machine Learning, Artificial Intelligence, Soil Aggregate Stability, Loess Soils, soil water repellency | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 222 تعداد دریافت فایل اصل مقاله: 49 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب