نقشه برداری رقومی اجزا بافت خاک در بخشی از اراضی دشت خوزستان با استفاده از برخی مدل های یادگیری ماشین

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 85

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

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJSWR-53-10_004

تاریخ نمایه سازی: 31 اردیبهشت 1402

چکیده مقاله:

مطالعه حاضر با هدف ارزیابی و مقایسه کارائی مدل های ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) با استفاده از رویکرد نقشه برداری رقومی خاک (DSM) برای پیش بینی اجزا بافت خاک در بخشی از اراضی استان خوزستان انجام شد. در بهمن سال ۱۳۹۹، به منظور تعیین بافت خاک، ۲۰۰ نمونه از خاک سطحی (عمق ۱۰-۰ سانتی متری) به صورت تصادفی طبقه بندی شده جمع آوری شدند. متغیرهای کمکی شامل مشتقات اولیه و ثانویه مدل رقومی ارتفاع (DEM) شامل (شیب، جهت شیب، شاخص شبکه آبراهه ای و ...) و شاخص های طیفی و گیاهی سنجش از دور (RS) بودند که انتخاب دسته مناسب از آنها با استفاده از روش تجزیه مولفه های اصلی (PCA) انجام گرفت. بر اساس روش PCA، نه متغیر توپوگرافی از DEM و هشت شاخص پوشش گیاهی از RS برای پیش بینی اجزا بافت خاک (شن، سیلت و رس) انتخاب گردیدند. کارایی مدل ها با استفاده از آماره های ضریب تبیین (R۲) و ریشه ی میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفت. نتایج نشان داد مدل جنگل تصادفی از دقت بالاتر و خطا کمتری نسبت به مدل ماشین بردار پشتیبان (SVM) برخوردار است، به طوری که میزان R۲ در این مدل برای شن ۸۰/۰، سیلت ۸۱/۰ و رس ۷۸/۰ و ریشه ی میانگین مربعات خطا (RMSE) در پیش بینی این ذرات به ترتیب ۰۲/۶، ۸۹/۵ و ۰۲/۶ بود. این درحالی است که R۲ و RMSE در مدل ماشین بردار پشتیبان به ترتیب برای شن ۳۹/۰ و ۷۰/۱۳، سیلت ۴۵/۰ و ۷۰/۱۰ و رس۴۶/۰ و ۳۲/۹ بود. همچنین اهمیت نسبی متغیرهای استفاد شده در پیش بینی اجزای بافت خاک نشان داد شاخص شوری، شاخص روشنایی و شبکه آبراهه ای به همراه باند ۶ ماهواره لندست ۸ مهم ترین متغیرهای محیطی پیش بینی کننده ذرات رس، سیلت و ماسه بودند. بنابراین پیشنهاد می شود از مدل جنگل تصادفی به عنوان روشی مفید و قابل اعتماد در تهیه نقشه های رقومی بافت خاک در منطقه مورد مطالعه استفاده شود.

نویسندگان

نسیم صحرایی

گروه علوم و مهندسی خاک، دانشکده کشاورزی،دانشگاه شهید چمران اهواز، خوزستان، ایران

احمد لندی

هیات علمی گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز- خوزستان، ایران

سعید حجتی

عضو هیئت علمی گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، خوزستان، ایران

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 :
  • Abyat A, Azhdari A, Jodaki M, Darvishi Khatoni J., (۲۰۱۷). ...
  • Bagheri Bodaghabadi, M., Antonio Martinez-Casasnovas, J., Salehi, M. H., Mohammadi, ...
  • Bannai, M.H., (۱۹۹۸). Soil moisture and temperature map, Soil and ...
  • Bousbih, S., Zribi, M., Pelletier, C., Gorrab, A., Lili-Chabaane, Z., ...
  • Brown, D.J., & Shepherd K.D., Walsh M.G., Mays M.D., and ...
  • Camera, C., Zomeni, Z., Noller, J. S., Zissimos, A. M., ...
  • Castaldi, F.; Palombo, A.; Santini, F.; Pascucci, S.; Pignatti, S.; ...
  • Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., ...
  • Dharumarajan S, Hegde R., (۲۰۲۲). Digital mapping of soil texture ...
  • Douaoui, A.E.K., Nicolas, H., Walter, C., (۲۰۰۶). Detecting salinity hazards ...
  • Foody, G.M., Cutler, M.E., McMorrow, J., Pelz, D., Tangki, H., ...
  • Friedman, J.H., Meulman, J.J., (۲۰۰۳). Multiple additive regression trees with ...
  • Gomez, C., Dharumarajan, S., Féret, J. B., Lagacherie, P., Ruiz, ...
  • Gomez, C.; Adeline, K.; Bacha, S.; Driessen, B.; Gorretta, N.; ...
  • Grinand, C., Arrouays, D., Laroche, B., Martin, M.P., (۲۰۰۸). Extrapolating ...
  • Hengl, T., de Jesus, J. M., Heuvelink, G. B. M., ...
  • Heung, B., Ho, H. C., Zhang, J., Knudby, A., Bulmer, ...
  • Khaledian, Y., & Miller, B.A., (۲۰۲۰). Selecting appropriate machine learning ...
  • Khan, N.M., Rastoskuev, V.V., Sato, Y., Shiozawa, S., (۲۰۰۵). Assessment ...
  • Li, Q., Meng, Q., Cai, J., Yoshino H., and Mochida, ...
  • McBratney, A. B., Mendonça-Santos, M. L., & Minasny, B., (۲۰۰۳). ...
  • Mehrabi-Gohari, E., Matinfar, H. R., Jafari, A., Taghizadeh-Mehrjardi, R., & ...
  • Momtaz, H. R., A. A. Jafarzadah, H. Torabi, S. Oustan, ...
  • Mountrakis, G.; Im, J.; Ogole, C., (۲۰۱۱). Support vector machines ...
  • Mousavi, S. R., Sarmadian, F., & Rahmani, A., (۲۰۲۰). Modeling ...
  • Okun, O., & Priisalu, H.; (۲۰۰۷). Random forest for gene ...
  • Ramcharan, A., Hengl, T., Nauman, T., Brungard, C., Waltman, S., ...
  • Rondeaux, Geneviève, et al.; (۱۹۹۶).Optimization of Soil-Adjusted Vegetation Indices. Remote ...
  • Taalab, K., Corstanje, R., Zawadzka, J., Mayr, T., Whelan, M. ...
  • Taghizadeh-Mehrjardi, R., Sarmadian, F., Minasny, B., Triantafilis, J., & Omid, ...
  • Taghizadeh-Mehrjardi, R., Toomanian, N., Khavaninzadeh, A. R., Jafari, A., & ...
  • Taghizadeh-Mehrjardi, R., Mahdianpari, M., Mohammadimanesh, F., Behrens, T., Toomanian, N., ...
  • Vagen, T.G., Leigh, A., Winowiecki, L.A., Tondoh, J.E., Desta, L.T., ...
  • Wang, B., Waters, C., Origill, S., Gray, J., Cowie, A., ...
  • Wilding, L.; (۱۹۸۵). Spatial variability: its documentation, accommodation and implication ...
  • Wu, W., Li, A.-D., He, X.-H., Ma, R., Liu, H.-B., ...
  • Yang, R.M., Zhang, G.L., Liu, F., Lu, Y.Y., Yang, F., ...
  • Zhang, M., & Shi, W.; (۲۰۱۹). Systematic comparison of five ...
  • نمایش کامل مراجع