موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 56 4 2025 06 22 A Novel Approach for Manning’s Roughness Coefficient Estimation in Furrow Irrigation Phases Using Image Processing and Machine Learning رویکردی نوین در تخمین ضریب زبری مانینگ در فازهای مختلف آبیاری جویچه‌ای با بهره‌گیری از پردازش تصویر و یادگیری ماشین 1011 1039 102621 10.22059/ijswr.2025.387670.669860 FA هادی رضایی راد پژوهشکده کشاورزی هسته ای، پژوهشگاه علوم و فنون هسته ای، سازمان انرژی اتمی، کرج- ایران حامد ابراهیمیان گروه آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران عبدالمجید لیاقت گروه آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران محمود امید گروه مهندسی ماشین‌های کشاورزی، پردیس کشاورزی ومنابع طبیعی، دانشگاه تهران، کرج، ایران نیما تیموری گروه پردازش سیگنال، دانشکده مهندسی کامپیوتر و برق، دانشگاه آرهوس، آرهوس، دانمارک Journal Article 2024 12 26 This study investigates the effectiveness of combining image processing techniques and machine learning methods to estimate the Manning roughness coefficient in furrow irrigation during the advance and storage phases. For this purpose, various input discharge values, irrigation cycles, phases, and soil texture types were considered. Images of the furrow surface were captured before and after each irrigation event, and the roughness coefficient in the advance and storage phases was estimated using the SIPAR_ID model and the Manning equation, respectively. Based on this data, an algorithm was developed that integrated image processing techniques with machine learning methods and was tested in three different scenarios. The results showed that the algorithm, when using either images or field data separately, could not be properly trained and had very low accuracy, as some features were only accessible from images and others from field data. The results also revealed that the algorithm, when combining images with certain field data such as flow cross-section and discharge, performed very well in estimating the Manning roughness coefficient during both the advance and storage phases. In this scenario, the Random Forest and CART methods, with precision, recall, and F1-score values of 95%, 96%, and 95% respectively, outperformed other machine learning methods in estimating the Manning roughness coefficient. Finally, it was suggested that similar studies be conducted considering other factors affecting roughness under different conditions, and that the algorithm be retrained accordingly to improve its performance and comprehensiveness. این تحقیق به بررسی کارایی استفاده تلفیقی از تکنیک‌های پردازش تصویر و روش‌های یادگیری ماشین برای تخمین ضریب زبری مانینگ در آبیاری جویچه‌ای در فازهای پیشروی و ذخیره پرداخته است. برای این منظور، مقادیر مختلف دبی ورودی، نوبت‌، مرحله و دورهای متفاوت آبیاری در دو نوع بافت خاک در نظر گرفته شد. تصاویری از سطح جویچه‌ها قبل و بعد از هر آبیاری ثبت گردید و ضریب زبری در فازهای پیشروی و ذخیره به ترتیب با استفاده از مدل SIPAR_ID و معادله مانینگ تخمین زده شد. سپس با استفاده از این داده‌ها، الگوریتمی بر مبنای استفاده تلفیقی از تکنیک‌های پردازش تصویر و روش‌های یادگیری ماشین در سه سناریوی مختلف توسعه یافت.  نتایج نشان داد که الگوریتم با استفاده از تصاویر یا داده‌های مزرعه‌ای به‌صورت مجزا نمی‌تواند به‌درستی آموزش ببیند و دقت بسیار پایینی دارد؛ چراکه برخی از ویژگی‌ها صرفاً از تصاویر و برخی دیگر از داده‌های مزرعه‌ای قابل‌دسترسی هستند. نتایج همچنین بیانگر، دقت بسیار مناسب الگوریتم در تخمین ضریب زبری مانینگ در فازهای پیشروی و ذخیره با استفاده از تلفیق تصاویر و برخی داده‌های مزرعه‌ای نظیر سطح مقطع جریان و دبی، بود. در سناریوی منتخب، روش جنگل تصادفی و CART با شاخص‌های precision، recall و F1-score برابر با ۹۵، ۹۶ و ۹۵ درصد، بهترین عملکرد را در تخمین ضریب زبری مانینگ نسبت به دیگر روش‌های یادگیری ماشین داشتند. در نهایت پیشنهاد شد که تحقیقات مشابهی با در نظر گرفتن سایر عوامل مؤثر بر زبری (نظیر پوشش گیاهی) و در شرایط متفاوت مزرعه‌ای (نظیر بافت و ساختمان خاک متفاوت) صورت پذیرد و الگوریتم متناسب با آن مجدداً آموزش ببیند تا کارایی و جامعیت آن ارتقا یابد. https://ijswr.ut.ac.ir/article_102621_3801cd98c082a1f71558bfb8eb651e09.pdf