کاربرد مدل های یادگیری ماشین در برآورد مکانی فسفر و پتاسیم خاک در بخشی از اراضی دشت آبیک

سیدروح اله موسوی; فریدون سرمدیان; محمود امید; پاتریک بوگارت

کاربرد مدل های یادگیری ماشین در برآورد مکانی فسفر و پتاسیم خاک در بخشی از اراضی دشت آبیک

محل انتشار: نشریه پژوهش های خاک، دوره: 35، شماره: 4

سال انتشار: 1400

نوع سند: مقاله ژورنالی

زبان: فارسی

مشاهده: 330

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

دریافت فایل کامل مقاله

صدور گواهی نمایه سازی
من نویسنده این مقاله هستم

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > یادگیری ماشین

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

https://civilica.com/doc/1403576

شناسه ملی سند علمی:

JR_AREO-35-4_005

تاریخ نمایه سازی: 30 بهمن 1400

چکیده مقاله:

مدلسازی و نقشهبرداری توزیع مکانی عناصر غذایی گیاه در خاک اهمیت ویژهای در افزایش بهرهوری بخش کشاورزی و نیل به توسعه پایدار دارد. این پژوهش باهدف تهیه نقشههای رقومی دو عنصر مغذی فسفر در دسترس (Pav) و پتاسیم قابل تبادل (Kex) خاک با استفاده از مدلهای یادگیری ماشین (MLM) شامل جنگل تصادفی (RF)، کوبیست (CB)، رگرسیون بردار پشتیبان (SVR) و k – نزدیکترین همسایگی (k-NN) در دو عمق ۱۵-۰ و ۳۰- ۱۵ سانتیمتر در بخشی از اراضی دشت آبیک صورت پذیرفت. در راستای این هدف ۲۷۸ خاک رخ مطالعاتی در منطقه موردمطالعه حفر و پس از نمونهبرداری از افقهای موردنظر، خاکها برای انجام آزمایشهای موردنیاز به آزمایشگاه منتقل شد. ارزیابی کارایی MLM بر اساس روش اعتبارسنجی متقابل با ۱۰-گام صورت پذیرفت. نتایج مدلسازی حاکی از آن است که مدل RF نسبت به سه مدل دیگر در برآورد مکانی Pav و Kex در دو عمق موردمطالعه دارای بیشترین میزان صحت و حداقل مقدار خطا بود. در عمق ۰-۱۵ سانتیمتر طبق آمارههای ضریب همبستگی تطابق (CCC) برای Pav مقادیر ۸۴/۰، ۷۴/۰، ۴۸/۰ و ۳۵/۰ و حداقل مقدار میانگین ریشه مربعات خطا نرمال شده (NRMSE) ۳۸/۰، ۵۴/۰، ۷۰/۰ و ۸۰/۰ به ترتیب توسط مدلهای RF، CB، k-NN، SVR و برای Kex در همین عمق مقادیر CCC برابر ۸۲/۰، ۷۲/۰، ۷۰/، ۴۷/۰ و NRMSE ۲۵/۰، ۳۴/۰، ۳۶/۰ و ۴۵/۰ به ترتیب توسط مدلهای RF، CB، SVR، k-NN مشاهده گردید. نتایج مشابهی برای لایه ۳۰-۱۵ سانتی متر به دست آمد. اهمیت نسبی متغیرهای محیطی موید نقش موثرتر ویژگیهای خاک نسبت به سایر متغیرهای محیطی در برآورد Pav و Kex بود. با توجه به نقشههای پهنهبندی دو عنصر مغذی و غالب بودن کاربری زراعی در اراضی موردمطالعه، بخشهای عمدهای از منطقه بر اساس مقادیر استاندارد Pav دارای کمبود بود. بنا بر این، بهمنظور افزایش بهرهوری و بهبود مدیریت حاصلخیزیخاک استفاده از کودهای فسفات با نظارت کارشناسان خاک توصیه میشود.

کلیدواژه ها:

فسفر در دسترس ، پتاسیم قابل تبادل ، مدل سازی مکانی ، نقشه برداری رقومی خاک

نویسندگان

سیدروح اله موسوی

دانشجوی دکتری گروه مهندسی علوم خاک، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

فریدون سرمدیان

استاد گروه مهندسی علوم خاک، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

محمود امید

استاد گروه مهندسی ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

پاتریک بوگارت

استاد دانشکده محیط زیست و علوم زمین، دانشگاه کاتولیک لوون، لوون، بلژیک

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

خزائی، ا.، ع. بستانی و ن. دواتگر. ۱۳۹۶. تغییرات مکانی ...
زارعیان، غ ر.، م. ه. فرپور، م. حجازی و ا. ...
طاعتی، ع.، ف. سرمدیان، ح ر. متقیان و س. ر. ...
موسوی، س.ر.، ف. سرمدیان و ا. رحمانی. ۱۳۹۸. مدل سازی ...
علمداری، پ.، و. کامرانی و م. ح. محمدی. ۱۳۹۴. ارتباط ...
Adhikari, K., P.R., Owens, A.J., Ashworth, T.J., Sauer, Z., Libohova, ...
Bogunovic, I., P., Pereira, & C., Brevik. ۲۰۱۷. Spatial distribution ...
Carter, M.R. &G., Gregorich. ۲۰۰۷. Soil sampling and methods of ...
Gao, L., M., Huang, W., Zhang, L., Qiao, G., Wang, ...
Gao, X.S., X.I.A.O., Yi, L.J., Deng, Q.Q., LI, C.Q., Wang, ...
Hashemi, S.S, & , Abbaslou. ۲۰۱۶. Potassium reserves in soils ...
Hengl, T., M., Nussbaum, M.N., Wright, G.B., Heuvelink, & , ...
Hengl, T., M.A., Miller, J., Križan, K.D., Shepherd, A., Sila, ...
Khaledian, Y. & A., Miller. ۲۰۲۰. Selecting appropriate machine learning ...
Kingsley, J., S.O., Lawani, A.O., Esther, K.M., Ndiye, O.J., Sunday, ...
Kuhn, M. & , Johnson. ۲۰۱۳. Applied predictive modeling. New York: ...
Ludwick, A.E., L.C., Bonezkowski, C.A., Bruice, K.B., Campbell, R.M., Millaway, ...
Ma, Y., B., Minasny, & , Wu. ۲۰۱۷. Mapping key ...
Matinfar, H.R., Z., Maghsodi, S.R., Mousavi, & , Rahmani. ۲۰۲۱. ...
Mendes, W.D.S., J.A.M., Dematte, D.F.U., Salazar, & T.A., Amorim. ۲۰۲۰. ...
Minasny, B. & B., McBratney. ۲۰۱۶. Digital soil mapping: A ...
Oliver, M. A, & , Webster. ۲۰۱۴. A tutorial guide ...
Padarian, J., B., Minasny, & B., McBratney. ۲۰۲۰. Machine learning ...
Parsaie, F., A.F., Firouzi, S.R., Mousavi, A., Rahmani, M.H. Sedri, ...
Staff, S.S., ۲۰۱۴. Keys to Soil Taxonomy, ۱۲th Edn Washington. DC: ...
Suleymanov, A., E., Abakumov, R., Suleymanov, I., Gabbasova, & , ...
Srisomkiew, S., M., Kawahigashi, & , Limtong. ۲۰۲۱. Digital mapping ...
Taghizadeh-Mehrjardi, R, K., Schmidt, N., Toomanian, B., Heung, T., Behrens, ...
Tu, C., T., He, X., Lu, Y., Luo, & , ...
Wang, J., B., Fu, Y., Qiu, & , Chen. ۲۰۰۱. ...
Wang, S., X., Jin, K., Adhikari, W., Li, M., Yu, ...
Wilding, L.P. ۱۹۸۵. Spatial variability: its documentation, accomodation and implication ...
Zhang, B., D.A., MacLean, R.C., Johns. & S., Eveleigh. ۲۰۱۸. ...
Zhou, T., Y., Geng, J., Chen, C., Sun, D., Haase, ...

نمایش کامل مراجع