مدل سازی و پیش بینی مکانی کلاس خاک با استفاده از الگوریتم یادگیری رگرسیون درختی توسعه یافته و جنگل-های تصادفی در بخشی از اراضی دشت قزوین
- سال انتشار: 1398
- محل انتشار: مجله تحقیقات آب و خاک ایران، دوره: 50، شماره: 10
- کد COI اختصاصی: JR_IJSWR-50-10_011
- زبان مقاله: فارسی
- تعداد مشاهده: 270
نویسندگان
گروه علوم ومهندسی خاک، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، ایران
عضو هیات علمی گروه مهندسی علوم خاک، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
دانشجوی دکتری،گروه علوم ومهندسی خاک،پردیس کشاورزی ومنابع طبیعی، دانشگاه تهران
چکیده
انتخاب متغیرهای کمکی مناسب در روشهای یادگیرنده ماشینی جهت نقشه برداری رقومی خاک از اهمیت ویژهای برخوردار است. طی سالهای اخیر در ایران استفاده از الگوریتمهای یادگیرنده در نقشهبرداری رقومی و بهنگام سازی نقشههای قدیمی توسعه یافته است. پژوهش حاضر در بخشی از اراضی دشت قزوین با هدف مقایسه جنگلهای تصادفی (RF) و رگرسیون درختی توسعه یافته (BRT) در پیشبینی مکانی کلاسهای زیرگروه و فامیل خاک بهمراه انتخاب متغیرهای کمکی با استفاده از شاخص تورم واریانس انجام شده است. ۶۱ خاکرخ به روش نمونهبرداری تصادفی طبقه بندی شده حفر، تشریح و با تجزیه وتحلیل آزمایشگاهی تا سطح فامیل ردهبندی گردید. مناسب ترین متغیرهای محیطی از میان ۱۵ متغیر ژئومورفومتری و شاخصهای سنجش از دور با استفاده از فاکتور تورم واریانس انتخاب گردیدند. مدلسازی رابطه خاک – زمین نما در دو سطح زیرگروه و فامیل خاک با استفاده از دو الگوریتم یادگیرنده RF و BRT در نرم افزار RStudio بر اساس دو بسته "Randomforest" و "C۵.۰" اجرا گردید. نتایج انتخاب متغیرهای محیطی نشان داد که شش متغیر CHA،DEM ، STH، NDVI، SI و DVI بهعنوان متغیر ورودی انتخاب گردیدند. شاخصهای ارزیابی مدلها شامل صحت کلی و شاخص کاپا به ترتیب برای الگوریتم BRT، ۳۵، ۲۶ درصد و برای الگوریتم RF،۷۰، ۶۰ درصد در سطح فامیل خاک حاصل گردید. آنالیز حساسیت برمبنای شاخص میانگین حداقل صحت نشان داد که متغیر محیطی مساحت حوزه آبخیز اصلاح شده دارای بیشترین اهمیت نسبی در میان متغیرهای انتخاب شده است. به طورکلی با استفاده از رویکردهای نوین انتخاب متغیر و الگوریتم های یادگیرنده موثر میتوان نقشهی پراکنش مکانی خاکها را حتی در نواحی با پستی وبلندی کم با صحت قابل قبول تهیه نمود.کلیدواژه ها
نقشه برداری رقومی خاک, الگوریتم یادگیرنده, مدل جنگل تصادفی, درخت تصمیم توسعه یافته, داده کاویاطلاعات 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.