نقشه برداری رقومی اجزا بافت خاک در بخشی از اراضی دشت خوزستان با استفاده از برخی مدل های یادگیری ماشین
- سال انتشار: 1401
- محل انتشار: مجله تحقیقات آب و خاک ایران، دوره: 53، شماره: 10
- کد COI اختصاصی: JR_IJSWR-53-10_004
- زبان مقاله: فارسی
- تعداد مشاهده: 93
نویسندگان
گروه علوم و مهندسی خاک، دانشکده کشاورزی،دانشگاه شهید چمران اهواز، خوزستان، ایران
هیات علمی گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز- خوزستان، ایران
عضو هیئت علمی گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، خوزستان، ایران
چکیده
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.کلیدواژه ها
مدل سازی مکانی, سنجش از دور, ماشین بردار پشتیبان, 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.