Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

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

نشریه پژوهش های خاک، دوره: 35، شماره: 4
سال انتشار: 1400
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

خرید و دانلود فایل مقاله

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

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

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

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

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:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 76,532
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.

پشتیبانی