گروهی از محققان با همکاری پژوهشگران ایرانی با استفاده از روش های یادگیری ماشینی روشی برای پیش بینی رطوبت خاک ابداع کرده اند.
به گزارش خبرنگار مهر، رطوبت خاک تأثیر مستقیمی بر عملکرد اکوسیستم، پوشش گیاهی و تولید محصول، سلامت محیط و پایداری جوامع روستایی دارد.
علاوه بر آن رطوبت خاک نقش مهمی در تمام جنبه‌های فعل و انفعالات جو و زمین از جمله رویدادهای شدید مانند موج گرما، خشکسالی و سیل دارد. ماهیت پیچیده رطوبت خاک یک چالش بزرگ برای برآورد دقیق آن به حساب می‌آید. با وجود پیشرفت‌های اخیر در رصد ماهواره، وضوح زمانی و مکانی و مشاهدات کم‌عمق این ابزار مانع از آن می‌شود که نتایج رصدهای ماهواره‌ای در مدلسازی مکانیک وهمچنین کاربردهای با وضوح بالا استفاده شود.
در همین راستا گروهی از محققان با همکاری نیما شکری و سحر بخشیان با توجه به اهمیت رطوبت خاک در بسیاری از فرآیندهای هیدرولوژیکی، تحقیقی انجام دادند تا یک ابزار پیش بینی کننده بسازند که قادر به توصیف رابطه بین رطوبت خاک و طیف وسیعی از پارامترهای مرتبط با آب وهوا و خاک باشد.
به همین دلیل آنها شبکه‌های متراکم اندازه‌گیری در محل را ابداع کردند که با کمک یادگیری ماشینی راستی آزمایی دقیقی از وضعیت خاک ارائه می‌دهد.
محققان یک کمپین مشاهداتی دقیق در زمینی به مساحت ۱۰۰ هزار متر مربع در فالکنبرگ آلمان انجام دادند و در این فرایند از یک شبکه متراکم از حسگرها در ۲۹ نقطه استفاده کردند تا رطوبت خاک، دمای محیط و رطوبت نسبی، سرعت باد و دمای خاک را بسنجند.
همچنین آنها در این پژوهش ویژگی‌های خاک و خواص مهم آن (مانند توزیع اندازه ذرات) را تعیین کردند. در این فرایند پژوهشگران از پیش‌بینی‌کننده‌های اقلیمی استاتیک و دینامیک و مرتبط با خاک (متغیرهای کمکی) برای آموزش مدل‌های یادگیری ماشینی استفاده کردند تا رابطه پیچیده بین رطوبت خاک و متغیرهای پیش‌بینی‌کننده را مشخص کنند.
پژوهش مذکور چشم انداز وسیع‌تری درباره تعامل رابطه بین دینامیک رطوبت خاک و انواع پارامترهای اقلیمی و خاکی فراهم می‌کند.
به گزارش خبرنگار مهر، رطوبت خاک تأثیر مستقیمی بر عملکرد اکوسیستم، پوشش گیاهی و تولید محصول، سلامت محیط و پایداری جوامع روستایی دارد.
علاوه بر آن رطوبت خاک نقش مهمی در تمام جنبه‌های فعل و انفعالات جو و زمین از جمله رویدادهای شدید مانند موج گرما، خشکسالی و سیل دارد. ماهیت پیچیده رطوبت خاک یک چالش بزرگ برای برآورد دقیق آن به حساب می‌آید. با وجود پیشرفت‌های اخیر در رصد ماهواره، وضوح زمانی و مکانی و مشاهدات کم‌عمق این ابزار مانع از آن می‌شود که نتایج رصدهای ماهواره‌ای در مدلسازی مکانیک وهمچنین کاربردهای با وضوح بالا استفاده شود.
در همین راستا گروهی از محققان با همکاری نیما شکری و سحر بخشیان با توجه به اهمیت رطوبت خاک در بسیاری از فرآیندهای هیدرولوژیکی، تحقیقی انجام دادند تا یک ابزار پیش بینی کننده بسازند که قادر به توصیف رابطه بین رطوبت خاک و طیف وسیعی از پارامترهای مرتبط با آب وهوا و خاک باشد.
به همین دلیل آنها شبکه‌های متراکم اندازه‌گیری در محل را ابداع کردند که با کمک یادگیری ماشینی راستی آزمایی دقیقی از وضعیت خاک ارائه می‌دهد.
محققان یک کمپین مشاهداتی دقیق در زمینی به مساحت ۱۰۰ هزار متر مربع در فالکنبرگ آلمان انجام دادند و در این فرایند از یک شبکه متراکم از حسگرها در ۲۹ نقطه استفاده کردند تا رطوبت خاک، دمای محیط و رطوبت نسبی، سرعت باد و دمای خاک را بسنجند.
همچنین آنها در این پژوهش ویژگی‌های خاک و خواص مهم آن (مانند توزیع اندازه ذرات) را تعیین کردند. در این فرایند پژوهشگران از پیش‌بینی‌کننده‌های اقلیمی استاتیک و دینامیک و مرتبط با خاک (متغیرهای کمکی) برای آموزش مدل‌های یادگیری ماشینی استفاده کردند تا رابطه پیچیده بین رطوبت خاک و متغیرهای پیش‌بینی‌کننده را مشخص کنند.
پژوهش مذکور چشم انداز وسیع‌تری درباره تعامل رابطه بین دینامیک رطوبت خاک و انواع پارامترهای اقلیمی و خاکی فراهم می‌کند.
کد خبر ۱۰۶۰۱۰۸۲۸.۰۵۴
