مقایسه روش‌های یادگیری ماشین در پیش‌بینی انتقال کادمیم در گیاه گندم

پذیرفته شده برای پوستر

کد مقاله : 1694-ISSC19

¹دانشگاه فردوسی مشهد

²کرج موسسه

³کشیک نویس رضوی

انباشت کادمیم در محصولات زراعی، یکی از چالش‌های مهم در امنیت غذایی و سلامت انسان است، به‌ویژه در مناطقی که در معرض آلودگی‌های صنعتی قرار دارند. در این پژوهش، به‌منظور پیش‌بینی انتقال و تجمع کادمیم در گیاه گندم، عملکرد سه روش یادگیری ماشین شامل رگرسیون خطی، رگرسیون ریج و جنگل تصادفی مورد مقایسه قرار گرفت. آزمایش به‌صورت گلخانه‌ای با ده رقم گندم و سه سطح آلودگی کادمیم (۰، ۱۰ و ۲۰ میلی‌گرم بر کیلوگرم خاک) در قالب طرح کاملاً تصادفی اجرا شد. غلظت کادمیم در بخش‌های مختلف گیاه شامل ریشه، ساقه، برگ و دانه اندازه‌گیری و مقادیر ضریب انتقال (TF) و ضریب تجمع زیستی (BAF) محاسبه گردید. نتایج نشان داد مدل جنگل تصادفی با ضریب تعیین بالاتر نسبت به دو مدل دیگر، دقت بیشتری در برآورد پارامترهای TF و BAF دارد. تحلیل اهمیت متغیرها نیز بیانگر نقش کلیدی غلظت کادمیم در ریشه و ساقه در پیش‌بینی مقادیر TF و BAF بود. یافته‌ها نشان می‌دهد استفاده از مدل‌های پیشرفته یادگیری ماشین، ابزاری کارآمد برای ارزیابی و مدیریت انتقال فلزات سنگین در سیستم خاک–گیاه است.

کادمیم؛ گندم؛ یادگیری ماشین؛ فاکتور انتقال

فناوری داده‌ و هوشمندسازی اطلاعات خاک