ارزیابی دقت الگوریتم‌های مختلف یادگیری ماشین در پیش‌بینی تبخیر- تعرق محصول خیار گلخانه‌ای | ||
| مدیریت آب و آبیاری | ||
| دوره 15، شماره 3، پاییز 1404، صفحه 563-583 اصل مقاله (1.64 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2025.399994.1251 | ||
| نویسندگان | ||
| مرتضی خوش سیمای چنار1؛ حمیده نوری1؛ عبدالمجید لیاقت* 1؛ فروزنده سلطانی صالح آبادی2؛ بابک متشرع زاده3 | ||
| 1گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| 2گروه علوم باغبانی و فضای سبز، دانشکده کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| 3گروه علوم و مهندسی خاک، دانشکده کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| چکیده | ||
| در این پژوهش، تبخیر- تعرق گیاه (ETc) خیار گلخانه‌ای (رقم تالیسیا) در شرایط کنترل‌شده گلخانه‌ای در دو دوره رشد پاییز- زمستان 1401 و بهار- تابستان 1402 واقع در پردیس کشاورزی و منابع طبیعی دانشگاه تهران، با هدف مدل‌سازی و پیش‌بینی ETc موردبررسی قرار گرفت. ETc با پایش روزانه رطوبت خاک با استفاده از سنسورهای TDR نصب‌شده در عمق صفر تا 30 سانتی‌متر و به‌کارگیری معادله بیلان آب خاک و ETo از طریق میکرولایسیمتر چمن با دقت دو گرم اندازه‌گیری شد. داده‌های ورودی مدل شامل 10 ویژگی فصل، روز پس از انتقال نشا، دمای حداقل، حداکثر و میانگین، رطوبت نسبی حداقل، حداکثر و میانگین، تابش خورشیدی و تبخیر- تعرق مرجع بود. همبستگی پیرسون نشان داد که متغیرهای روز پس از انتقال نشا، میانگین دما و تابش بیش‌ترین ارتباط مثبت با ETc داشتند. برای پیش‌بینی ETc، شش الگوریتم یادگیری ماشین شامل رگرسیون مؤلفه‌های اصلی (PCR)، حداقل مربعات جزئی (PLS)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، گرادیان بوستینگ (GB) و اکستریم گرادیان بوستینگ (XGB) در زبان برنامه‌نویسی پایتون پیاده‌سازی شد. بهینه‌سازی هایپرپارامترها با بهره‌گیری از الگوریتم TPE کتابخانه Optuna با 200 تکرار صورت گرفت. ارزیابی عملکرد مدل‌ها براساس شاخص‌های آماری R2، RMSE، MAE و NSE با اعتبارسنجی متقابل پنج بخشی و سه تکرار انجام شد. نتایج مدل‌سازی نشان داد الگوریتم GB با میانگین R2، RMSE، MAE و NSE به‌ترتیب برابر با 90/0، 59/0 میلی‌متر در روز، 41/0 میلی‌متر در روز و 89/0 بالاترین دقت و عملکرد را نسبت به سایر مدل‌ها دارد. به‌دنبال آن، الگوریتم‌های XGB، RF و SVM نیز با عملکرد نزدیک به GB قرار گرفتند و با آن اختلاف معنی‌دار نداشتند. تحلیل SHAP به‌عنوان ابزار تفسیر مدل نشان داد که ویژگی‌های روز پس از انتقال نشا، تبخیر- تعرق مرجع و تابش بیش‌ترین سهم را در مدل‌سازی ETc دارند. در مجموع، نتایج این پژوهش نشان داد که الگوریتم‌های یادگیری ماشین مبتنی بر درخت تصمیم می‌توانند ابزار دقیقی برای پیش‌بینی نیاز آبی خیار گلخانه‌ای باشند و در مدیریت بهینه آبیاری و بهره‌وری منابع آب نقش به‌سزایی ایفا نمایند. | ||
| کلیدواژه‌ها | ||
| بیلان آب خاک؛ تبخیر- تعرق مرجع؛ تحلیل SHAP؛ الگوریتم XGBoost | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 865 تعداد دریافت فایل اصل مقاله: 473 |
||