این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۴۴، شماره ۲، صفحات ۱۷۳-۱۸۲
عنوان فارسی مقایسه روش‌های شبکه عصبی مصنوعی و درخت تصمیم در تهیه نقشه رقومی خاک در منطقه اردکان
چکیده فارسی مقاله در پاسخ به تقاضای اطلاعات مکانی خاک، به‌کاربردن داده‌های کمکی رقومی و ارتباط آن‌ها با داده‌های مشاهداتی صحرایی در حال افزایش است. استفاده از اطلاعات رقومی از طریق روش‌های کامپیوتری، که اصطلاحاً نقشه‌برداری رقومی خاک خوانده می‌شود، قابل اعتمادتر و کم‌هزینه‌تر از روش‌های سنّتی نقشه‌برداری خاک است. بنابراین، در پژوهش حاضر از مدل‌های درخت تصمیم و شبکه عصبی مصنوعی برای پیش‌بینی مکانی کلاس‌های تاکسونومیک خاک در منطقه‌ای خشک، به وسعت 720 کیلومتر مربع در اردکان، استفاده شد. عملیات نقشه‌برداری در آنجا بسیار سخت است. در این منطقه بر اساس روش مربع لاتین مکان جغرافیایی 187 پروفیل خاک مشخص و سپس تشریح و نمونه‌برداری شدند و طبقه‌بندی بر اساس سیستم امریکایی انجام گرفت. متغیرهای محیطی یا نمایندگان فاکتورهای خاک‌سازی، که در این پژوهش استفاده شد، شامل اجزای سرزمین، داده‌های تصویر ETM+ ماهواره لندست، و نقشه سطوح ژئومورفولوژی است. نتایج این تحقیق نشان داد، برای پیش‌بینی کلاس خاک، مدل درخت تصمیم نسبت به شبکه عصبی مصنوعی حدود هفت درصد دقیق‌تر است. مدل درختی و شبکه عصبی مصنوعی به‌ترتیب دقت کلی و ضریب تبیین و ضریب کاپای 48 درصد، 52 درصد، 34/0 و 46/0 و 13/0 و 25/0 دارند. نتایج نشان داد برای پیش‌بینی کلاس خاکْ شاخص خیسی، سطوح ژئومورفولوژی، و شاخص همواری دره با درجه تفکیک بالا مهم‌ترین‌ پارامترها هستند. مدل‌های درختی نسبت به روش شبکه عصبی مصنوعی دقت بالاتری دارند و همچنین تفسیر نتایج مدل درختی بسیار راحت‌تر است. لذا پیشنهاد می‌شود در مطالعات آینده برای تهیه نقشه رقومی خاک از مدل‌های درختی استفاده شود.    
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Comparison of Artificial Neural Network and Decision Tree Methods for Mapping Soil Units in Ardakan Region
چکیده انگلیسی مقاله In response to the demand for soil spatial information, the acquisition of digital auxiliary data and their matching with field soil observations is on the increase. With the harmonization of these data sets, through computer based methods, the so-called Digital soil Maps are increasingly being found to be as reliable as the traditional soil mapping practices, and with no prohibitive costs. Therefore, in the present research, it has been attempted to Develop Decision Tree (DTA) and Artificial Neural Network (ANN) models for spatial prediction of soil taxonomic classes in an area covering about 720 km2 located in an arid region of central Iran where traditional soil survey methods are very difficult to undertake. Within this using the conditioned Latin hypercube sampling method, location of 187 soil profiles were spotted and then described, sampled, analyzed and allocated in taxonomic classes according to soil taxonomy of America. Auxiliary data used in this study to represent predictive soil forming factors were terrain attributes, Landsat 7 ETM+ data and a geomorphologic surfaces map. Results revealed that DTA benefited from a the higher accuracy than ANN for about 7% as regarded the prediction of soil classes. A determination of coefficient (R2), overall accuracy and, Kappa coefficient calculated for the two models were recorded as 0.34, 0.46, 48%, 52%, and 0.13 vs. 0.25, respectively. The results revealed some auxiliary variables as having more influence on the predictive soil class model. Wetness index, geomorphology map and multi-resolution index of valley bottom flatness could be named as some of these variables. In general, results showed that decision tree models benefited from a higher accuracy than ANN ones, with results as more convenient for interpretation. Therefore, use of decision tree models for spatial prediction of soil properties (category and continuous soil data) is recommended in the future studies.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله روح اله تقی زاده مهرجردی |
استادیار، دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان
سازمان اصلی تایید شده: دانشگاه اردکان (Ardakan university)

فریدون سرمدیان |
استاد، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

محمود امید |
استاد، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

غلامرضا ثواقبی |
استاد، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نورایر تومانیان |
استاد، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

محمد جواد روستا | mohammad javad
استاد، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

محمد حسن رحیمیان | mohammad hassan
استاد، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://ijswr.ut.ac.ir/article_50062_fe01e086af2516f776b99a49a972a206.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات