نقشهبرداری رقومی کلاس فامیل خاک با استفاده از رویکرد یادگیری ماشین (مطالعه موردی: اراضی نیمهخشک غرب ایران)
- سال انتشار: 1399
- محل انتشار: فصلنامه علوم آب و خاک، دوره: 24، شماره: 2
- کد COI اختصاصی: JR_JWSS-24-2_011
- زبان مقاله: فارسی
- تعداد مشاهده: 336
نویسندگان
۱. Science and Soil Engineering Department, College of Agriculture, Ilam University, Ilam, Iran
۱. Science and Soil Engineering Department, College of Agriculture, Ilam University, Ilam, Iran
۲. Rangeland and Watershed Management Group, Faculty of Agriculture, Ilam University, Ilam, Iran.
۳. Science and Soil Engineering Department, Faculty of Agricultural Engineering and Technology, College of Agriculture & Natural Resources, Tehran University, Kraj, Iran.
۳. Science and Soil Engineering Department, Faculty of Agricultural Engineering and Technology, College of Agriculture & Natural Resources, Tehran University, Kraj, Iran.
۳. Science and Soil Engineering Department, Faculty of Agricultural Engineering and Technology, College of Agriculture & Natural Resources, Tehran University, Kraj, Iran.
چکیده
نقشهبرداری رقومی خاک همگام با پیشرفتهای زیرساخت دادههای مکانی، نقش مهمی را در جهت ارتقا دانش مطالعات خاکشناسی ایفا میکند. لذا تحقیق حاضر با هدف تهیه نقشه رقومی کلاس فامیل خاک با استفاده از مدلهای جنگل تصادفی و رگرسیون درختی توسعهیافته در بخشی از اراضی نیمهخشک استان ایلام اجرا شد. متغیرهای محیطی از مدل رقومی ارتفاع با قدرت تفکیک مکانی ۳۰ متر با استفاده از نرمافزار SAGAGIS نسخه ۷/۳ استخراج شد. تعداد ۴۶ خاکرخ حفر و ویژگیهای فیزیکوشیمیایی نمونههای خاک اندازهگیری و بر اساس سامانه آمریکایی ۲۰۱۴ در سطح فامیل ردهبندی شد. در محدوده مورد مطالعه سه رده مالیسولز، اینسپتیسولز و انتیسولز شناسایی شد. بر اساس نتایج دادهکاوی متغیرهای محیطی با استفاده از آنالیز تورم واریانس (VIF)، متغیرهای کمکی ارتفاع، ارتفاع استاندارد شده و شاخص زبری پستی و بلندی بیشترین میزان تغییرپذیری مکانی خاکها را در منطقه مدلسازی میکند. بهترین پیشبینی مکانی کلاسهای خاک مربوط به فامیل خاکFine, carbonatic, thermic, Typic Haploxerolls است. همچنین نتایج نشان میدهد که مدلهای جنگل تصادفی و رگرسیون درختی توسعهیافته بهترتیب صحت عمومی ۰/۸۰ و ۰/۶۴ و شاخص کاپای ۰/۷۰ و ۰/۵۵ را ارائه میکند. بنابراین، روش جنگل تصادفی میتواند یک روش قابل اعتماد و با دقت مناسب باشد که حتی با تعداد نمونه کم تخمین قابل قبولی را ارائه کند.کلیدواژه ها
Spatial prediction, Soil class, Boosted Regression Tree, Random Forest, پیشبینی مکانی, کلاس خاک, رگرسیون درختی توسعهیافته, جنگل تصادفیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.