این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۵۶، شماره ۶، صفحات ۱۵۳۹-۱۵۵۴
عنوان فارسی برآورد میزان اکسید پتاسیم در کود پتاس با استفاده از روش‌های پردازش تصویر فراطیفی و یادگیری ماشین
چکیده فارسی مقاله برای افزایش بهره‌وری کشاورزی، مدیریت حاصلخیزی خاک و تأمین عناصر مغذی از جمله پتاسیم بسیار مهم است. پتاسیم نقش حیاتی در رشد گیاه و فرآیندهای فیزیولوژیکی دارد؛ اما مصرف نامتعادل آن می‌تواند باعث کاهش کیفیت خاک یا اتلاف شود. روش‌های متداول اندازه‌گیری میزان اکسید پتاسیم پرهزینه و زمان‌بر هستند؛ بنابراین نیاز به روش‌های سریع، دقیق و مقرون ‌به ‌صرفه احساس می‌شود. هدف از این تحقیق، تشخیص میزان اکسید پتاسیم در کود پتاس بر اساس تصاویر فراطیفی است. پس از اکتساب تصاویر فراطیفی و پردازش آن‌ها، با استفاده از روش شبکه‌های عصبی مصنوعی و با دو رویکرد با و بدون انتخاب ویژگی طبقه‎بندی شدند. در رویکرد اول، تمامی ویژگی‌های استخراج‌شده از کانال‌های مؤثر تصاویر فراطیفی مستقیماً به عنوان ورودی مدل‌های طبقه‌بند به کار گرفته شدند؛ اما در رویکرد دوم، تنها ویژگی‌های منتخب وارد فرآیند طبقه‌بندی شدند. نتایج نشان داد که مدل شبکه عصبی مصنوعی بر اساس تمام ویژگی‌‎های استخراجی (9/92 درصد) بالاتر از ویژگی‌های منتخب (3/91 درصد) بود. روش پیشنهادی در تحقیق حاضر می‌تواند در آینده برای تشخیص سایر عناصر شیمیایی در کود پتاس مورد استفاده قرار گیرد. این روش، ابزاری کارآمد برای ارزیابی سریع و غیرمخرب ترکیب کودها ارائه می‌دهد. 
کلیدواژه‌های فارسی مقاله کود شیمیایی،تصویربرداری فراطیفی،پردازش تصویر،یادگیری ماشینی،شبکه عصبی مصنوعی،
عنوان انگلیسی Estimation of Potassium Oxide Content in Potash Fertilizer Using Hyperspectral Image Processing and Machine Learning Methods
چکیده انگلیسی مقاله     To enhance agricultural productivity, managing soil fertility and ensuring the availability of essential nutrients such as potassium is of great importance. Potassium plays a vital role in plant growth and physiological processes. However, its unbalanced application can lead to soil degradation or nutrient loss. Conventional methods for measuring potassium oxide content are often expensive and time-consuming, highlighting the need for rapid, accurate, and cost-effective alternatives. This study aims to detect the amount of potassium oxide in potash fertilizer based on hyperspectral imaging. After acquiring and processing the hyperspectral images, artificial neural networks were employed for classification using two approaches: with and without feature selection. In the first approach, all extracted features from the effective hyperspectral bands were directly used as inputs to the classification models. In the second approach, only selected features were used for classification. The results showed that the artificial neural network model using all extracted features achieved a higher accuracy (92.9%) compared to the model based on selected features (91.3%). The proposed method in this study can potentially be used in the future to detect other chemical elements in potash fertilizer. This approach offers an efficient, rapid, and non-destructive tool for assessing fertilizer composition.
کلیدواژه‌های انگلیسی مقاله کود شیمیایی,تصویربرداری فراطیفی,پردازش تصویر,یادگیری ماشینی,شبکه عصبی مصنوعی
نویسندگان مقاله محمدحسین نرگسی |
گروه مهندسی مکانیک بیوسیستم، دانشگاه ایلام، ایلام، ایران

کامران خیرعلی پور |
گروه مهندسی مکانیک بیوسیستم، دانشگاه ایلام، ایلام، ایران.

نشانی اینترنتی https://ijswr.ut.ac.ir/article_103836_385ef9dd2ef13a1f47672914c64cc6d2.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات