پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,236 |
| تعداد مقالات | 67,810 |
| تعداد مشاهده مقاله | 115,294,028 |
| تعداد دریافت فایل اصل مقاله | 90,039,858 |
ارزیابی پارامترهای موثرجهت پیش‌بینی عیار پتاسیم شورابه با استفاده از الگوریتم‌های ماشین بردار پشتیبان و جنگل تصادفی (مطالعه موردی: پلایای شهرستان خورو بیابانک، استان اصفهان) | ||
| تحقیقات آب و خاک ایران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 دی 1402 اصل مقاله (1.96 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2023.368909.669610 | ||
| نویسندگان | ||
| مریم ایرجی* 1؛ سید علیرضا موحدی نائینی1؛ چوقی بایرام کمکی2؛ سهیلا ابراهیمی1؛ بامشاد یغمایی3 | ||
| 1گروه علوم و مهندسی خاک، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران. | ||
| 2گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران. | ||
| 3گروه باستان شناسی، دانشکده علوم انسانی، موسسه آموزش عالی معماری و هنرپارس ،تهران، ایران. | ||
| چکیده | ||
| اهمیت پتاسیم دربالا بردن کمیت و کیفیت محصولات کشاورزی، تقاضا را برای کودهای پتاسیمی افزایش داده است. تضمین استخراج پتاسیم از شورابه‌های زیرزمینی مقدار عیار پتاسیم درآنهاست. هدف این پژوهش استفاده از الگوریتم‌های جنگل تصادفی (RF) و ماشین بردار پشتیبان(SVM) به‌منظور اولویت‌بندی پارامترهای مؤثر بر عیار پتاسیم شورابه زیرزمینی در پلایای خور و بیابانک استان اصفهان است. به همین منظور تعداد 55 پارامتر در 12 گمانه حفاری اندازه‌گیری شد. پارامترهای اندازه‌گیری شده به عنوان متغیرهای مستقل شامل درصد رطوبت اشباع مغزه در 15عمق مختلف، جرم مخصوص ظاهری مغزه در 15عمق مختلف، تخلخل مغزه در 15عمق مختلف، مساحت پلی‌گون، عمق آب زیرزمینی، عمق لایه نمک، پتاسیم لایه سطحی، دانسیته شورابه و میزان عناصر کلسیم، منیزیم، سدیم، کلر و عیار پتاسیم به عنوان متغیر وابسته وارد مدل شدند. در مدلRF برای اولویت‌بندی، پارامترها از روش های اهمیت ویژگی جایگشت(PFI) و حذف ویژگی جایگشتی(RFE) استفاده شد. درکرنل‌های مختلف الگوریتم SVM به منظور جلوگیری از هم‌خطی پارامترهای مستقل، تمام ترکیب‌های حاصل از متغیرهای مستقل با درنظر گرفتن ضریب تورم واریانس کمتر از 8 و بالاترین ضریب تعیین وکمترین خطای MSE بررسی و به عنوان بهترین ترکیب انتخاب شدند. پارامترهای مؤثر در پیش‌بینی عیار پتاسیم شورابه در الگوریتم RF و تابع خطی الگوریتم SVM به ترتیب sp، ap، duw، slp، SAR و n، sp، duw و SAR بودند که منجر به بهترین نتیجه (ضریب تعیین زیاد و خطای کم) شدند. ضریب تعیین برای هر دو مدل به ترتیب 0.99 و 0.97 که نشان‌دهنده دقت خوب هر دو الگوریتم است. | ||
| کلیدواژه‌ها | ||
| واژه‌های کلیدی: پیش‌بینی عیار؛ جنگل تصادفی؛ شورابه؛ ماشین بردار پشتیبان | ||
| عنوان مقاله [English] | ||
| Evaluation of effective parameters for predicting the potassium grade of saline water by using support vector machine and random forest algorithms (case study: playa of Khoor and Biabank area city, Isfahan province) | ||
| نویسندگان [English] | ||
| Maryam Iraji1؛ Seyed Alireza Movahedi naeini1؛ Chooghi Bayram Komaki2؛ Soheila Ebrahimi1؛ Bamshad Yaghmaei3 | ||
| 1Department of Soil Science and Engineering, Faculty of Water and Soil Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran. | ||
| 2Department of Desert Management, Faculty of Pasture and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran | ||
| 3Department of Archaeology, Faculty of Humanities, Higher Education Institute of Architecture and Arts, Tehran, Iran. | ||
| چکیده [English] | ||
| Introduction: With the increase in the world population, one of the important issues in the field of agriculture is increasing the production of agricultural products, and potassium is one of the most widely used elements to increase crop yield. For this reason, the demand for potassium fertilizers increases. One of the main sources of potassium fertilizers is underground water one of the important issues in saline water extraction is the amount of potassium grade of saline water. conventional methods of grade estimation, such as geometric and geostatistics techniques, cannot accurately estimate the grade value and have low accuracy. one of the novel solutions to estimate the grade of minerals is Machine learning algorithm, which perform evaluation and determination of the grade of mineral resources with high accuracy. Objective: The aim of this research is to Evaluation of effective parameters for predicting the potassium grade of saline water by using of machine learning algorithms (random forest and support vector machine) as new, low cost and cost effective methods and determining the effective parameters (independent variables used ) with the greatest influence measuring the potassium grade in order to improve the utilization of potassium reserves and reduce executive, operational and laboratory costs. Materials and method: In this research is to use support vector machine (SVM) and random forest (RF) algorithms in order to predict and prioritize the effective parameters on the potassium grade of groundwater in playa Khoor and Biabank in Isfahan province. For this purpose, 55 different parameters were measured in 12 boreholes (sampling locations).The parameters measured as independent variables include the percentage of saturation moisture core at 15 different depths (sp1 sp15), the apparent specific gravity of the core at 15 different depths (pb1 pb15), the porosity of the core at 15 different depths (n1 n15), polygon area (ap), underground water depth (duw), salt layer depth (dsl), surface layer potassium (slp), brine density (d) and the amount of calcium (Ca), magnesium (Mg), sodium (Na), chlorine ( Cl) and the dependent variable were also the potassium grade in the brine (Potassium Grade). three parameters n, sp and pb which were measured in 15 different depths; They were converted into an equivalent parameter using the principal component analysis (PCA) method. Also, three measured parameters, Ca, Mg, and Na were entered into the model with the sodium absorption ratio (SAR) formula. A total of 10 measured parameters were entered into the model as independent variables to predict the grade of potassium. Both RF and SVM models were implemented in Python programming language based on the relationship between dependent variable and independent variables. In different kernels of the SVM algorithm, in order to prevent the collinearity of independent parameters, all the different combinations of independent variables ( 2 to the power of 10 different combinations) considering the variance inflation factor (VIF) less than 8 and the highest coefficient of determination and the lowest MSE error are checked and the best combination were chosen. Permutation Feature Importance (PFI) and Recursive Feature Elimination (RFE) methods were used in the RF model to prioritize and select parameters for modeling. Results and discussion: The parameters effective in predicting the potassium grade of the both in the RF algorithm and the linear function of the SVM algorithm were sp, ap, duw, slp, SAR and n, sp, duw, and SAR respectively, which led to the best results (high determination coefficient and low error). Based on the results, the accuracy of the model (explanation coefficient) for the RF model and SVM (linear function) was 0.99 and 0.97, respectively, which indicates the good accuracy of both algorithms. Effective parameters in choosing suitable areas for drilling in order to extract potassium from saline water play a significant role and prevent repeated and time consuming tests in the laboratory, and the developed models can be used for this purpose Conclusion: Machine learning algorithms are one of the most important techniques for evaluating mineral grade estimation . Given that, a large part of the country consists of arid and semi arid areas, where there are many playas that are rich in underground saline water that have good and suitable reserves of potassium and because in playa, the conditions are unpredictable and the environment has high complexity، Effective parameters in choosing suitable areas for drilling in order to extract potassium from saline water play a significant role. | ||
| کلیدواژه‌ها [English] | ||
| Keywords: grade prediction, random forest, saline water, support vector machine | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 141 تعداد دریافت فایل اصل مقاله: 83 |
||