سال انتشار: 1400
محل انتشار: نشریه پژوهش های خاک، دوره: 35، شماره: 4
کد COI مقاله: JR_AREO-35-4_005
زبان مقاله: فارسیمشاهده این مقاله: 46
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 16 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:
مشخصات نویسندگان مقاله کاربرد مدل های یادگیری ماشین در برآورد مکانی فسفر و پتاسیم خاک در بخشی از اراضی دشت آبیک
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:
کد مقاله/لینک ثابت به این مقاله
کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_AREO-35-4_005 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:https://civilica.com/doc/1403576/
نحوه استناد به مقاله:
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:موسوی، سیدروح اله و سرمدیان، فریدون و امید، محمود و بوگارت، پاتریک،1400،کاربرد مدل های یادگیری ماشین در برآورد مکانی فسفر و پتاسیم خاک در بخشی از اراضی دشت آبیک،https://civilica.com/doc/1403576
در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1400، موسوی، سیدروح اله؛ فریدون سرمدیان و محمود امید و پاتریک بوگارت)
برای بار دوم به بعد: (1400، موسوی؛ سرمدیان و امید و بوگارت)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.
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, ...
مدیریت اطلاعات پژوهشی
اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.
علم سنجی و رتبه بندی مقاله
مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.
به اشتراک گذاری این صفحه
اطلاعات بیشتر درباره 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.