مدل سازی ردپای آب گندم با استفاده از مدل‌های یادگیری ماشین در استان فارس

این مطالعه با هدف تخمین، پیش‏بینی و مدل‏سازی ردپای آب سبز و آبی محصول زراعی گندم با استفاده از مدل‏های یادگیری ماشین در اراضی فاریاب در دورۀ آماری (1384 تا 1396) انجام شد. بر این اساس، با استفاده از داده‏های اقلیمی و گیاهی و روش فازی کلاستر، مناطق کشت گندم فاریاب در استان فارس به چهار منطقه همگن تقسیم شد. در هر منطقه براساس چارچوب اوکسترا، ردپای آب آبی، سبز و خاکستری برآورد شد. سپس، ردپای آب در هم اقلیم همگن به دو دسته آموزش (70 درصد) و آزمون (30 درصد) تقسیم شد و با استفاده از مدل شبکۀ عصبی و دو کرنل لوگ لوجستیک و تانژانت هایپربولیک (50 ترکیب ورودی)، مدل جنگل تصادفی و رگرسیون بردار پشتیبان (تابع کرنل سیگموئید) با متغیرهای اقلیمی و گیاهی، پیش‏بینی صورت گرفت و نتایج مدل‏ها با شاخص‏های ارزیابی خطا و دیاگرام تیلور مورد مقایسه قرار گرفت. نتایج نشان داد بهترین مدل برای برآورد ردپای آب گندم فاریاب در استان فارس مدل شبکۀ عصبی مصنوعی با تابع لوگ لوجستیک با ضریب همبستگی بیش از 0.72 و میانگین خطای مطلق کمتر از 0.48 (مترمکعب بر تن) است و می‏تواند به ارتقای فرایند تصمیم‏گیری به مدیران آب و برنامه‏ریزان کمک کنند.

wheat water footprint modeling using machine learning models in fars province

this study was conducted with the aim of estimating and modeling the green and blue water footprint of wheat crop using machine learning models in irrigated lands during (2004-2016). therefore, using climatic and crop data and the fuzzy cluster method, the irrigated wheat cultivation areas in fars province were divided into four homogeneous regions. blue, green and gray water footprints were estimated in each region based on the hoekstra framework. then, the water footprint in the homogeneous climate was divided into two categories: training (70%) and testing (30%) and using the neural network model and two kernel such as log logistic and hyperbolic tangent (50 input combinations), random forest model and support vector regression (sigmoid kernel function) was predicted with climatic and plant variables and the results of the models were compared with error evaluation indices and taylor diagram. the results showed that the best model for estimating the water footprint of wheat in fars province is the artificial neural network model with logistic log function with a correlation coefficient of more than 0.72 and an average absolute error of less than 0.48. this model can help improve the decision-making process for water managers and planners in the agricultural sector.