ارزیابی تناسب اراضی با روش مارکوس و مقایسه آن با روش پارامتریک
محل انتشار: مجله تحقیقات آب و خاک ایران، دوره: 56، شماره: 7
سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 151
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJSWR-56-7_006
تاریخ نمایه سازی: 26 مهر 1404
چکیده مقاله:
با توجه به نقش حیاتی ارزیابی تناسب اراضی در مدیریت بهینه منابع طبیعی و توسعه پایدار، انتخاب یک روش ارزیابی دقیق و قابل اطمینان، امری ضروری است. رویکردهای تصمیم گیری چندمعیاره(MCDM) ، چارچوبی قدرتمند برای ارزیابی گزینه ها بر اساس معیارهای با اهمیت متفاوت ارائه می دهند. در این مطالعه، از روش MCDM مارکوس برای ارزیابی تناسب اراضی جهت کشت ذرت آبی استفاده شد و عملکرد آن با روش پارامتریک مقایسه گردید.روش مارکوس بر پایه یک ماتریس تصمیم گیری عمل می کند که در آن گزینه ها (در این پژوهش پروفیل های خاک) در برابر مجموعه ای از معیارها (ویژگی های اراضی) ارزیابی می شوند. وزن دهی به معیارها با استفاده از روش بهترین – بدترین (BWM) انجام شد که در آن هدایت الکتریکی به عنوان بااهمیت ترین و اقلیم به عنوان کم اهمیت ترین معیار شناخته شدند.نتایج نشان داد که روش ریشه دوم، با ضریب همبستگی ۷۲/۰ بین عملکرد محصول و شاخص اراضی، دقت قابل قبولی در ارزیابی تناسب اراضی داشته است. در مقابل، روش مارکوس با ضریب همبستگی پایین تر (۲۷/۰) دقت لازم برای طبقه بندی صحیح تناسب اراضی را نداشته و قادر به تفکیک دقیق کلاس تناسب اراضی نبود.در حالی که روش ریشه دوم، یکی از روش های تثبیت شده در ارزیابی تناسب اراضی است و در این مطالعه نتایج مطلوبی را ارائه داده است، روش مارکوس با وجود بهره گیری از راه حل های ایده آل و ضدایده آل و اعمال وزن معیارها منطقه را تنها به دو طبقه کلی نامناسب و تناسب کم تقسیم کرد. این محدودیت نشان دهنده لزوم دقت در انتخاب روش های MCDM برای وظایف ارزیابی اراضی است.
کلیدواژه ها:
نویسندگان
الهه کاربخش راوری
علوم و مهندسی خاک، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران،کرج، البرز
فریدون سرمدیان
گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران
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 :