این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های خاک، جلد ۳۸، شماره ۲، صفحات ۱۴۷-۱۶۳
عنوان فارسی نقشه برداری رقومی شوری خاک با استفاده از داده های کمکی و مدل های یادگیری ماشین در حوضه آبخیز بدر، جنوب شهرستان قروه استان کردستان
چکیده فارسی مقاله استفاده از تکنیک­های سنجش از دور و یادگیری ماشین به طور فزاینده­ای به عنوان روش­های مقرون به صرفه برای نمایش نقشه شوری خاک شناخته می­شود. در این مطالعه از داده­های ماهواره‌ای لندست 8 و تکنیک‌های پیچیده یادگیری ماشینی برای ترسیم و ارزیابی سطوح شوری خاک در حوضه آبخیز بدر استفاده گردید. به این منظور، از چندین تکنیک یادگیری ماشین در نرم افزار R برای پیش‌بینی مقادیر شوری در حوضه آبخیز بدر استفاده شد. این الگوریتم‌ها نزدیک ترین همسایه K  (KNN)، تحلیل درخت تصمیم (DTA)، شبکه عصبی مصنوعی(ANN) ، جنگل تصادفی (R.F.) و رگرسیون چند متغیره خطی ترکیبی(MLR) را در بر می‌گرفت.. برای انجام این مطالعه، بر اساس تکنیک ابر مکعب لاتین، محل 125 خاک­رخ در منطقه مطالعاتی انتخاب و حفر شد. نمونه‌های خاک، پس از هوا خشک شدن در محیط آزمایشگاه، کوبیده شد و از الک 2 میلی­متری عبور داده شد. سپس شوری خاک اندازه­گیری گردید. برای برآورد ویژگی­های خاک، دو حالت مختلف مورد بررسی قرار گرفت. در حالت اول، مدل­های شبکه عصبی مصنوعی، تحلیل درخت تصمیم و رگرسیون چند متغیره خطی برای پیش­بینی استفاده شد. همچنین، برای ترکیب نتایج مدل­ها، از مدل نزدیک­ترین همسایه استفاده شد. نتایج این مطالعه نشان داد که متغیرهای کمکی مهم در پیش‌بینی شوری خاک به ترتیب اهمیت عبارت‌اند از: ژئومورفولوژی، عمق دره، شاخص همواری قله برآمدگی با درجه تفکیک بالا، شاخص خیسی، جهت شیب، مدل رقومی ارتفاع، شیب حوضه، موقعیت نسبی شیب، مقدار شیب و طول شیب. همچنین، نتایج ارزیابی مدل­ها نشان داد که در میان مدل­های استفاده‌شده برای پیش‌بینی شوری، مدل رگرسیون چند متغیره خطی ترکیبی(MLR) با ضریب تعیین 0/611 و ریشه دوم متوسط مربعات خطا 0/032 از بیشترین دقت برای پیش‌بینی برخوردار بوده است.
کلیدواژه‌های فارسی مقاله لندست 8، الگوریتم‌ نزدیک ترین همسایه، تحلیل درخت تصمیم، شبکه عصبی مصنوعی، جنگل تصادفی، رگرسیون چند متغیره خطی ترکیبی،
عنوان انگلیسی Digital Mapping of Soil Salinity Using Auxiliary Data and Machine Learning Models in Badr Watershed, Kurdistan Province
چکیده انگلیسی مقاله Use of remote sensing and machine learning techniques are increasingly recognized as cost-effective methods for displaying soil salinity maps. In this study, Landsat 8 satellite data and sophisticated machine learning techniques were used to map and evaluate soil salinity levels in the Badr Watershed. In this study, several Machine Learning techniques were used to predict salinity values in Badr Watershed. These algorithms included K-nearest neighbor (KNN), decision tree analysis (DTA), artificial neural network (ANN), random forest (RF) and mixed multivariate linear regression (MLR). In the first stage, auxiliary data such as Landsat 8 satellite images of the region and a digital elevation model with a spatial resolution of 10 meters were prepared from the country's Mapping Organization. The geological map of Qorveh was prepared from the geological site of the country, and the geological map of the Badr Watershed was extracted from it and digitized in the environment of the geographic information system. The geomorphological map was drawn and the location of the observation points was determined. Then, modeling was done, digital maps of soil classes and characteristics were prepared and the models were evaluated. Based on the Latin Supercube Technique, 125 outcrops were selected and excavated in the study area. After air-drying in the laboratory, the soil samples were pounded and passed through a 2 mm sieve. Then, soil salinity was measured. In order to estimate soil characteristics, two different conditions were investigated in this study. In the first case, ANN models, DTA and linear MLR were used for prediction. Also, to combine the results of the models, the nearest KNN was used. The results showed that the important auxiliary variables in predicting soil salinity, in order of importance, were geomorphology, depth of the valley, smoothness index of the ridge with a high degree of resolution, wetness index, slope direction, digital height model, basin slope, relative position of the slope, slope amount and slope length. Also, the results of the evaluation showed that among the models used to predict salinity, the combined MLR model with a coefficient of determination of 0.611 and a square root mean square error of 0.032 had the highest accuracy for prediction.
کلیدواژه‌های انگلیسی مقاله لندست 8, الگوریتم‌ نزدیک ترین همسایه, تحلیل درخت تصمیم, شبکه عصبی مصنوعی, جنگل تصادفی, رگرسیون چند متغیره خطی ترکیبی
نویسندگان مقاله مسلم زرینی بهادر |
کارشناس تحقیقات خاک و آب مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان تهران، سازمان تحقیقات، آموزش و ترویج کشاورزی(تات)، تهران،

رحمان شریفی |
عضو هیئت علمی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان تهران، سازمان تحقیقات، آموزش و ترویج کشاورزی(تات)، تهران، ایران.

نشانی اینترنتی https://srjournal.areeo.ac.ir/article_132174_22f9943ee20520e6fa5ec5c1856dc118.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