نقشه برداری رقومی اجزا بافت خاک با استفاده از مدلهای یادگیری ماشین در منطقه سیرجان | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| دوره 78، شماره 2، بهار 1404، صفحه 265-288 اصل مقاله (1.52 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2024.375890.1760 | ||
| نویسندگان | ||
| الهام مهرابی گوهری* 1؛ رقیه شهریاری پور2؛ احمد تاج آبادی پور3؛ سیدروح اله موسوی4 | ||
| 1گروه خاک و آب، سازمان تحقیقات کشاورزی و منابع طبیعی، کرمان، ایران | ||
| 2دانشگاه فنی و حرفه ای کرمان،کرمان، ایران | ||
| 3گروه خاکشناسی، دانشکده کشاورزی، دانشگاه ولی عصر، رفسنجان، ایران | ||
| 4گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| این مطالعه با هدف مقایسه کارایی مدلهای رگرسیون درختی (RT)، شبکه عصبی مصنوعی (ANN) و مدل عصبی فازی (ANFIS) بهمنظور نقشهبرداری رقومی بافت خاک در بخشی از اراضی سیرجان انجام شد. بر این اساس در 84 نقطه مشاهداتی با شبکه منظم 2×2 کیلومتر از عمق صفر تا 30 سانتیمتر، نمونهبرداری خاک انجام گرفت و اجزای تشکیلدهنده بافت خاک به روش هیدرومتری تعیین شد. در این مطالعه نقشه زئومورفولوژی، شاخصهای طیفی و گیاهی سنجش از دور و مشتقات مدل رقومی ارتفاع (DEM) به عنوان دادههای کمکی پیشبینی کننده اجزای بافت خاک استفاده شد. سپس مهمترین دادهها توسط روش تجزیه مؤلفههای اصلی (PCA) انتخاب شدند. با استفاده از روشPCA ، 8 متغیر توپوگرافی از مشتقات DEM و6 شاخص پوشش گیاهی و طیفی به منظور ورودی مدلها انتخاب شدند. برای بررسی عملکرد مدلهای مختلف در برآورد متغیرهای وابسته (رس، شن و سیلت) از سه روش خطای ضریب تبیین (R2)، خطای متوسط (ME) ،متوسط مربعات خطا (RMSE) و میانگین خطای مربعات نرمال شده(nRMSE) استفاده شد. نتایج نشان داد که مقدار متوسط مربعات خطا در مدل انفیس برای متغیرهای رس، شن و سیلت به ترتیب 43/1، 98/1 و 10/2 بود و برای متغیر رس 32/4 ، شن 5 و سیلت 54/4 واحد نسبت به رگرسیون درختی کاهش داشت. همچنین پارامترهای نقشه ژئوموفولوژی، شاخص خیسی توپوگرافی، شاخص همواری دره، باند 5 و 6 لندست 8 بیشترین اهمیت نسبی را در پیشبینی اجزاء بافت خاک ارائه نمودند. بنابراین، نقش اشکال ژئومورفولوژیک در توزیع و تغییرات بافت خاک بسیار مهم و برجسته است و توجه به این نقشهها در مطالعات خاکشناسی میتواند به بهبود پیشبینیها در تهیه نقشههای مدیریتپذیر خاک کمک کند. | ||
| کلیدواژهها | ||
| سنجش از دور؛ شبکه عصبی مصنوعی؛ رگرسیون درختی؛ مدل عصبی فازی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 451 تعداد دریافت فایل اصل مقاله: 274 |
||