آمار
| تعداد نشریات | 23 |
| تعداد شماره‌ها | 368 |
| تعداد مقالات | 2,890 |
| تعداد مشاهده مقاله | 2,566,168 |
| تعداد دریافت فایل اصل مقاله | 1,821,828 |
پیش بینی شاخص کیفیت آب آنتروپی وزن دار برای مصارف کشاورزی با استفاده از روش های ساده و ترکیبی هوش مصنوعی | ||
| فناوری های پیشرفته در بهره وری آب | ||
| دوره 4، شماره 2، تیر 1403، صفحه 59-76 اصل مقاله (792.88 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/atwe.2024.10518.1119 | ||
| نویسندگان | ||
| اکبر کمالی1؛ احمد ساکی2؛ مصطفی مقدم3؛ لاله دیوبند هفشجانی* 4 | ||
| 1دانشجوی کارشناسی ارشد، گروه مهندسی محیط‌زیست، دانشکده مهندسی آب و محیط‌زیست، دانشگاه شهید چمران اهواز ، اهواز، ایران. | ||
| 2دانشجوی کارشناسی ارشد، گروه مهندسی محیط‌زیست، دانشکده مهندسی آب و محیط‌زیست، دانشگاه شهید چمران اهواز، اهواز، ایران. | ||
| 3دانشجوی کارشناسی ارشد، گروه مهندسی محیط‌زیست، دانشکده مهندسی آب و محیط‌زیست، دانشگاه شهید چمران اهواز، اهواز، ایران. | ||
| 4استادیار گروه مهندسی محیط‌زیست، دانشکده مهندسی آب و محیط‌زیست، دانشگاه شهید چمران اهواز، اهواز، ایران. | ||
| چکیده | ||
| در دهه‌‌های اخیر، ارزیابی کیفیت منابع آبی برای برنامه‌ریزی استفاده درست و به دنبال آن پیش بینی کیفت آن‌ها برای تضمین تداوم برنامه‌ریزی از اهمیت بالایی برخوردار است. علیرغم توجه بی‌سابقه به شاخص‌های کیفیت آب در سراسر جهان، بهینه‌سازی در جهت کاهش تعداد و انواع پارامترها در شاخص‌های کیفیت آب کشاورزی و در نتیجه کاهش هزینه‌های اندازه‌گیری تا حدی مغفول مانده است. بنابراین در این مطالعه ابتدا روش آنتروپی شانون برای تعیین وزن پارامتر‌های تشکیل‌دهنده شاخص به کار برده شد و سپس توانایی الگوریتم‌های ساده و ترکیبی هوش مصنوعی برای پیش‌بینی شاخص کیفیت آب آنتروپی وزن‌دار که برای ارزیابی تناسب آب با اهداف کشاورزی مورد استفاده قرار می‌گیرد، بررسی گردید. نتایج نشان داد که زیر شاخص بی‌کربنات و نسیت جذب سدیم به ترتیب بیشترین وزن (24/0) و کمترین وزن (18/0) را به خود اختصاص دادند. الگوریتم ترکیبی درخت تصمیم و شبکه عصبی نسبت به الگوریتم ساده درخت تصمیم و شبکه عصبی با R2 بالاتر (999/0نسبت به 996/0و 998/0) و RMSE پایین‌تر (331/0 نسبت به به 081/1و 331/0) دقت بالاتری در پیش‌بینی شاخص کیفیت آب آنتروپی وزن‌دار نشان داد. تجزیه و تحلیل اهمیت پارامترها در به کارگیری به عنوان ورودی الگوریتم‌های مورد مطالعه با استفاده از ماتریس همبستگی پیرسون نشان داد که با حذف بی‌کربنات و کاهش تعداد ورودی‌ها به 4 ورودی نیز الگوریتم ترکیبی درخت تصمیم و شبکه عصبی توانایی بالایی در پیش‌بینی شاخص دارند. | ||
| کلیدواژه‌ها | ||
| هوش مصنوعی؛ همبستگی پیرسون؛ کشاورزی؛ بی‌کربنات | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 129 تعداد دریافت فایل اصل مقاله: 183 |
||