پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,996,140 |
| تعداد دریافت فایل اصل مقاله | 89,668,190 |
مقایسة روش‌های شبکة عصبی مصنوعی و درخت تصمیم در تهیة نقشة رقومی خاک در منطقة اردکان | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 6، دوره 44، شماره 2، شهریور 1392، صفحه 173-182 اصل مقاله (516.25 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2013.50062 | ||
| نویسندگان | ||
| روح اله تقی زاده مهرجردی* 1؛ فریدون سرمدیان2؛ محمود امید2؛ غلامرضا ثواقبی2؛ نورایر تومانیان2؛ محمد جواد روستا2؛ محمد حسن رحیمیان2 | ||
| 1استادیار، دانشکدة کشاورزی و منابع طبیعی دانشگاه اردکان | ||
| 2استاد، دانشکدة مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران | ||
| چکیده | ||
| در پاسخ به تقاضای اطلاعات مکانی خاک، به‌کاربردن داده‌های کمکی رقومی و ارتباط آن‌ها با داده‌های مشاهداتی صحرایی در حال افزایش است. استفاده از اطلاعات رقومی از طریق روش‌های کامپیوتری، که اصطلاحاً نقشه‌برداری رقومی خاک خوانده می‌شود، قابل اعتمادتر و کم‌هزینه‌تر از روش‌های سنّتی نقشه‌برداری خاک است. بنابراین، در پژوهش حاضر از مدل‌های درخت تصمیم و شبکة عصبی مصنوعی برای پیش‌بینی مکانی کلاس‌های تاکسونومیک خاک در منطقه‌ای خشک، به وسعت 720 کیلومتر مربع در اردکان، استفاده شد. عملیات نقشه‌برداری در آنجا بسیار سخت است. در این منطقه بر اساس روش مربع لاتین مکان جغرافیایی 187 پروفیل خاک مشخص و سپس تشریح و نمونه‌برداری شدند و طبقه‌بندی بر اساس سیستم امریکایی انجام گرفت. متغیرهای محیطی یا نمایندگان فاکتورهای خاک‌سازی، که در این پژوهش استفاده شد، شامل اجزای سرزمین، داده‌های تصویر ETM+ ماهوارة لندست، و نقشة سطوح ژئومورفولوژی است. نتایج این تحقیق نشان داد، برای پیش‌بینی کلاس خاک، مدل درخت تصمیم نسبت به شبکة عصبی مصنوعی حدود هفت درصد دقیق‌تر است. مدل درختی و شبکة عصبی مصنوعی به‌ترتیب دقت کلی و ضریب تبیین و ضریب کاپای 48 درصد، 52 درصد، 34/0 و 46/0 و 13/0 و 25/0 دارند. نتایج نشان داد برای پیش‌بینی کلاس خاکْ شاخص خیسی، سطوح ژئومورفولوژی، و شاخص همواری دره با درجة تفکیک بالا مهم‌ترین پارامترها هستند. مدل‌های درختی نسبت به روش شبکة عصبی مصنوعی دقت بالاتری دارند و همچنین تفسیر نتایج مدل درختی بسیار راحت‌تر است. لذا پیشنهاد می‌شود در مطالعات آینده برای تهیة نقشة رقومی خاک از مدل‌های درختی استفاده شود. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی مکانی؛ گروه‌های بزرگ خاک؛ مربع لاتین؛ نقشه‌برداری رقومی | ||
| عنوان مقاله [English] | ||
| Comparison of Artificial Neural Network and Decision Tree Methods for Mapping Soil Units in Ardakan Region | ||
| نویسندگان [English] | ||
| ROHOLLAH TAGHIZADEH-MEHRJARDI1؛ FARVARDIN SARMADIAN2؛ MAHMOUD OMID2؛ GHOLAM REZA SAVAGHEBI2؛ NORAYER TOOMANIAN2؛ MOHAMMAD JAVAD ROUSTA2؛ MOHAMMAD HASAN RAHIMIAN2 | ||
| 1Assistant Professor, Faculty of Agriculture and Natural Resources, University of Ardakan, Ardakan, Iran | ||
| 2Professor, University College of Agriculture & Natural Resources, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| In response to the demand for soil spatial information, the acquisition of digital auxiliary data and their matching with field soil observations is on the increase. With the harmonization of these data sets, through computer based methods, the so-called Digital soil Maps are increasingly being found to be as reliable as the traditional soil mapping practices, and with no prohibitive costs. Therefore, in the present research, it has been attempted to Develop Decision Tree (DTA) and Artificial Neural Network (ANN) models for spatial prediction of soil taxonomic classes in an area covering about 720 km2 located in an arid region of central Iran where traditional soil survey methods are very difficult to undertake. Within this using the conditioned Latin hypercube sampling method, location of 187 soil profiles were spotted and then described, sampled, analyzed and allocated in taxonomic classes according to soil taxonomy of America. Auxiliary data used in this study to represent predictive soil forming factors were terrain attributes, Landsat 7 ETM+ data and a geomorphologic surfaces map. Results revealed that DTA benefited from a the higher accuracy than ANN for about 7% as regarded the prediction of soil classes. A determination of coefficient (R2), overall accuracy and, Kappa coefficient calculated for the two models were recorded as 0.34, 0.46, 48%, 52%, and 0.13 vs. 0.25, respectively. The results revealed some auxiliary variables as having more influence on the predictive soil class model. Wetness index, geomorphology map and multi-resolution index of valley bottom flatness could be named as some of these variables. In general, results showed that decision tree models benefited from a higher accuracy than ANN ones, with results as more convenient for interpretation. Therefore, use of decision tree models for spatial prediction of soil properties (category and continuous soil data) is recommended in the future studies. | ||
| کلیدواژه‌ها [English] | ||
| digital soil mapping, Latin hyper cube, Soil great groups, Spatial prediction | ||
|
آمار تعداد مشاهده مقاله: 2,816 تعداد دریافت فایل اصل مقاله: 1,477 |
||