مدل سازی تغییرات عمقی کربنات کلسیم معادل خاک با استفاده از الگوریتم های یادگیری ماشین در دشت قزوین
- سال انتشار: 1400
- محل انتشار: فصلنامه آب و خاک، دوره: 35، شماره: 5
- کد COI اختصاصی: JR_JSW-35-5_008
- زبان مقاله: فارسی
- تعداد مشاهده: 433
نویسندگان
دانشجوی دکتری گروه مهندسی علوم خاک، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
استاد گروه مهندسی علوم خاک، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
استاد گروه مهندسی ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
استاد دانشکده محیط زیست و علوم زمین، دانشگاه کاتولیک لوون، لوون، بلژیک.
چکیده
کربنات کلسیم معادل یکی از ویژگیهای کلیدی خاکهای مناطق خشک و نیمه خشک است که بررسی تغییرات سطحی و عمقی آن از اهمیت ویژهای در بهرهبرداری پایدار از خاکهای زراعی برخوردار است. هدف از این تحقیق مدل سازی مکانی کربنات کلسیم معادل (CCE) در پنج عمق استاندارد ۱۰۰-۶۰، ۶۰-۳۰، ۳۰-۱۵، ۱۵-۵ و ۵-۰ سانتیمتر متناظر با پروژه جهانی نقشه خاک با استفاده از سه الگوریتم یادگیری ماشین جنگل تصادفی (RF)، رگرسیون درخت تصمیم (DTr) و k-نزدیک ترین همسایگی (k-NN) بود. مطالعات میدانی و آزمایشگاهی شامل حفر ۲۷۸ خاکرخ، نمونهبرداری و انجام تجزیههای فیزیکوشیمیایی موردنظر بود. متغیرهای کمکی شامل مشتقات مدل رقومی ارتفاع، شاخصهای سنجش ازدور، دادههای اقلیمی و خاک بودند که انتخاب دسته مناسب آن ها با استفاده از روش تجزیه مولفه های اصلی (PCA) و نظر کارشناس انجام گردید. همسانسازی مقادیر CCE در اعماق استاندارد به وسیله تابع عمق اسپیلاین اجرا گردید. بر اساس روش PCA در مولفه های اول تا پنجم با توجیه بیش از ۸۰% واریانس تجمعی، متغیرهای کمکی شاخص همواری دره با وضوح مکانی بالا (MrVBF)، میانگین دمای سالانه (MAT)، شاخص سبزینگی (Greenness)، احتمال افق کلسیک (Cal.hr) و شاخص اثر باد (Wind Effect) و براساس نظر کارشناس، درصد رس (Clay) انتخاب گردیدند. الگوریتم RF در مقایسه با دو الگوریتم دیگر (DTr،k-NN) با دامنه مقادیر R۲ برابر ۰/۸۳ – ۰/۷۶ و RMSE برابر ۲/۱۴- ۳/۲۱ درصد بالاترین میزان دقت و حداقل خطا را ارائه نمود. در سه عمق سطحی تغییرات مکانی CCE متاثر از متغیر Clay بود، در حالی که در اعماق زیرین Cal.hr مهم ترین فاکتور پیشبینی کننده آن بود. به طورکلی استفاده از رویکردهای نوین نقشهبرداری در تهیه نقشه CCE به دلیل تاثیر این ویژگی بر روی قابلیت دسترسی رطوبت خاک و جذب عناصر غذایی توسط گیاهان بسیار کاربردی است.کلیدواژه ها
اعماق استاندارد, تابع اسپیلاین, فاکتورهای خاکساری, نقشه برداری رقومی خاکاطلاعات 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.