پیدایش و طبقه بندی خاکها
وحیده صادقی زاده؛ سید علی ابطحی؛ مجید باقرنژاد؛ اعظم جعفری؛ سید علی اکبر موسوی
چکیده
تعداد متغیرهای محیطی مورد استفاده برای نقشهبرداری رقومی خاک به سرعت افزایش یافته است، که انتخاب و تمرکز بر روی مهمترین متغیرهای کمکی را با چالش روبهرو کرده است. از طرفی، شناسایی همه متغیرهای محیطی به منظور دستیابی به اطلاعات مکانی برای بهبود پیشبینیها، سودمند است. در این راستا، الگوریتمهای انتخاب ویژگی با شناسایی متغیرهای ...
بیشتر
تعداد متغیرهای محیطی مورد استفاده برای نقشهبرداری رقومی خاک به سرعت افزایش یافته است، که انتخاب و تمرکز بر روی مهمترین متغیرهای کمکی را با چالش روبهرو کرده است. از طرفی، شناسایی همه متغیرهای محیطی به منظور دستیابی به اطلاعات مکانی برای بهبود پیشبینیها، سودمند است. در این راستا، الگوریتمهای انتخاب ویژگی با شناسایی متغیرهای کمکی مرتبط، به کاهش ابعاد مدل پیشبینی کننده کمک میکنند. در مطالعه حاضر، چهار تکنیک مختلف انتخاب ویژگی شامل عامل تورم واریانس (VIF)، تجزیه مولفههای اصلی (PCA)، باروتا (Boruta) و حذف ویژگی بازگشتی (RFE) به منظور تولید مجموعهای بهینه از متغیرهای کمکی، برای پیشبینی مکانی کلاسهای خاک در سطح گروه بزرگ به کمک مدل جنگل تصادفی بکار گرفته شد. مقایسه تکنیکهای مختلف انتخاب ویژگی در تخمین کلاسهای خاک، با استفاده از معیارهای ارزیابی دقت و ضریب کاپا بین مقادیر مشاهدهشده و پیشبینیشده، انجام شد. نتایج نشان داد، با استفاده از متغیرهای انتخاب شده توسط روشهای مختلف انتخاب ویژگی نسبت به کاربرد همه متغیرها در مدل، دقت پیشبینی تا حدودی افزایش یافت. همچنین در میان چهار رویکرد انتخاب ویژگی، بهبود عملکرد پیشبینی متفاوت بود. روش VIF و PCA به ترتیب بیشترین و کمترین دقت و ضریب کاپا را داشتند، در حالی که روش باروتا با کمترین تعداد متغیر توانست بعد از VIF عملکرد مدل را بهبود بخشد. بهطور کلی یافتهها نشان داد، کاربرد روشهای انتخاب ویژگی میتواند از وابستگی قابلتوجه متغیرهای کمکی مربوطه برای پیشبینی کلاسهای خاک استفاده کند و دقت مدلسازی را بهبود بخشد.
فیزیک، فرسایش و حفاظت خاک
حیدر غفاری؛ هادی عامری خواه
چکیده
باتوجه به فقدان تجهیزات مناسب در ایستگاههای رسوبسنجی کشور و اندازهگیری بسیار محدود دادههای رسوب، تخمین مقدار رسوب در روزهای فاقد داده در راستای مدیریت منابع آب و خاک بسیار حائز اهمیت است. در این پژوهش، از تکنیکهای مختلف یادگیری ماشینی شامل، شبکه عصبی مصنوعی (ANN)، سیستم استنتاجی فازی-عصبی تطبیقی (ANFIS) و جنگل تصادفی (RF) بهمنظور ...
بیشتر
باتوجه به فقدان تجهیزات مناسب در ایستگاههای رسوبسنجی کشور و اندازهگیری بسیار محدود دادههای رسوب، تخمین مقدار رسوب در روزهای فاقد داده در راستای مدیریت منابع آب و خاک بسیار حائز اهمیت است. در این پژوهش، از تکنیکهای مختلف یادگیری ماشینی شامل، شبکه عصبی مصنوعی (ANN)، سیستم استنتاجی فازی-عصبی تطبیقی (ANFIS) و جنگل تصادفی (RF) بهمنظور شبیهسازی رسوب و برآورد آن در روزهای فاقد داده استفاده شد. برای دستیابی به اهداف پژوهش، ابتدا دادههای بلند مدت هواشناسی و هیدرومتری (سال 2000 تا 2020) از سازمانهای مرتبط جمعآوری و قبل از ورود به مدل پیش-پردازش شدند. متغیرهای ورودی به مدلها شامل بارندگی، دبی جریان، شاخص پوشش گیاهی نرمالشده، دمای حداکثر و دمای حداقل بود و مقادیر رسوب معلق به عنوان خروجی تمام مدلها در نظر گرفته شد. داده-ها قبل از مدلسازی با نسبت 70 -30 به دو گروه داده-های آموزشی و دادههای آزمون تقسیم شدند. کارایی مدلها با استفاده از پنج شاخص ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE)، درصد اریب (PBIS)، میانگین خطای مطلق (MAE) و ضریب ناش-ساتکلیف (NSE) ارزیابی شدند. نتایج نشان داد که در مورد ایستگاه ماشین از بین تکنیکهای مختلف، مدل شبکه عصبی دارای بیشترین مقدار ضریب تبیین (78/0) و کمترین مقدار خطا بود. همچنین در مورد ایستگاه منجنیق، مدل شبکه عصبی و نروفازی عملکرد تقریبا مشابهی را نشان دادند. لذا، مدل شبکه عصبی به عنوان مدل برتر در این پژوهش انتخاب شد. میانگین تولید سالانه رسوب برای کل دوره آماری بر اساس مدل شبکه عصبی، برابر با 1 تن در هکتار در سال بدست آمد.
فهیمه ترکمانی؛ حسین پیری صحراگرد؛ محمدرضا پهلوان راد؛ محمد نهتانی
چکیده
ﺷﻨﺎﺧﺖ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ کربنآلی خاک ﺟﻬﺖ ﻣﺪﯾﺮﯾﺖ و ﺑﺮﻧﺎﻣﻪرﯾﺰی ﺻﺤﯿﺢ ﻋﻤﻠﯿﺎت ﮐﺸﺎورزی و منابع طبیعی ضروری است. پژوهش حاضر با هدف تهیه نقشه توزیع مکانی کربنآلی خاک و تعیین مهمترین متغیرهای مؤثر بر پیشبینی آن در حوضهآبخیز راونگ شهرستان میناب با استفاده از مدل جنگل تصادفی انجام شد. برای این منظور، ابتدا متغیرهای ...
بیشتر
ﺷﻨﺎﺧﺖ ﺗﻐﯿﯿﺮات ﻣﮑﺎﻧﯽ کربنآلی خاک ﺟﻬﺖ ﻣﺪﯾﺮﯾﺖ و ﺑﺮﻧﺎﻣﻪرﯾﺰی ﺻﺤﯿﺢ ﻋﻤﻠﯿﺎت ﮐﺸﺎورزی و منابع طبیعی ضروری است. پژوهش حاضر با هدف تهیه نقشه توزیع مکانی کربنآلی خاک و تعیین مهمترین متغیرهای مؤثر بر پیشبینی آن در حوضهآبخیز راونگ شهرستان میناب با استفاده از مدل جنگل تصادفی انجام شد. برای این منظور، ابتدا متغیرهای محیطی از مدل رقومی ارتفاع و تصاویر ماهوارهای لندست 8 استخراج شد. نقشههای کاربری اراضی، ویژگیهای خاک و pH نیز بهعنوان متغیر کمکی استفاده شد. برای تعیین محل نقاط نمونهبرداری از تکنیک ابر مکعب مربع لاتین مشروط استفاده شد. نمونهبرداری از عمق 30-0 سانتیمتری لایه سطحی خاک در 100نقطه انجام و مقدار کربن آلی خاک اندازهگیری شد. بر اساس نتایج، متغیرهای مستخرج از مدل رقومی ارتفاع مانند ارتفاع، سطح پایه شبکه کانال و شیب و ویژگیهای خاک مانند لای و ماسه خاک بیشترین تأثیر را در مدلسازی توزیع مکانی کربنآلی خاک در حوضه آبخیر راونگ دارند. علاوه بر این، در بیشتر سطح منطقه مورد مطالعه مقدار کربن آلی خاک کمتر از 5/0 درصد است (میانگین 38/0). در مجموع نتایج بیانگر آن است که توزیع مکانی کربن آلی خاک از تغییرپذیری مکانی زیادی برخوردار است. بنابراین، برنامهریزی جامع منابع آب و خاک منطقه جهت جلوگیری از تخریب و فرسایش بیشتر خاک در منطقه راونگ ضروری است.
پیدایش و طبقه بندی خاکها
سمانه تاجیک؛ شمس اله ایوبی؛ محمدمهدی درویشی؛ حسین خادمی
چکیده
حلزونهای خاکزی، بخش مهمی از اکوسیستم جنگل را شامل میشوند و نقش مهمی در تجزیه لاشبرگ و غلظت کلسیم خاک دارند. این مطالعه با هدف بررسی ویژگیهای خاک و پارامترهای توپوگرافی موثر بر فراوانی حلزونهای خاکزی و همچنین پیشبینی پراکنش فراوانی آنها دربخشی از اراضی جنگلی استان گلستان آنجام گردید. تعداد 153 نمونه خاک از عمق 0-10 ...
بیشتر
حلزونهای خاکزی، بخش مهمی از اکوسیستم جنگل را شامل میشوند و نقش مهمی در تجزیه لاشبرگ و غلظت کلسیم خاک دارند. این مطالعه با هدف بررسی ویژگیهای خاک و پارامترهای توپوگرافی موثر بر فراوانی حلزونهای خاکزی و همچنین پیشبینی پراکنش فراوانی آنها دربخشی از اراضی جنگلی استان گلستان آنجام گردید. تعداد 153 نمونه خاک از عمق 0-10 سانتیمتر جمعآوری شد؛ سپس حلزونهای خاکزی جمعآوری و تاسطح رده شناسایی و طبقهبندی شدند. ویژگیهای خاک از طریق آنالیزهای آزمایشگاهی و پارامترهای توپوگرافی، با استفاده از نقشه رقومی ارتفاع منطقه و تصاویر ماهوارهای بهدست آمدند. بر طبق نتایج حاصل مدل غیر خطی جنگل تصادفی دارای ضریب تبیین 49/0 و خطا 82/1 است و دقت بالاتری نسبت به مدل رگرسیون خطی با ضریب تبیین 28/0 و خطا 13/2 در پیشبینی فراوانی حلزونها دارد. نتایج بهدست آمده از آنالیز مولفههای اصلی و آنالیز حساسیت نشان دادند که کربنات کلسیم معادل، pH، EC و کربن آلی، از جمله مهمترین ویژگیهای خاکی موثر بر فراوانی حلزونها هستند. پارامترهای توپوگرافی دارای روابط خطی با فراوانی حلزونهای خاکزی نداشتهاند اما در مدل غیر خطی به خوبی نقش آنها نشان داده شده است. جهت شیب، ارتفاع و دمای سطح زمین از جمله مهمترین پارامترهای تاثیرگذار بر فراوانی حلزونها بودهاند که احتمالا تاثیر آنها به دلیل تاثیر بر ویژگیهای خاک مانند کربنات کلسیم و رطوبت خاک بوده است.