پیدایش و طبقه بندی خاکها
فاطمه رحمتی؛ سعید حجتی؛ کاظم رنگزن؛ احمد لندی
چکیده
آگاهی از توزیع مکانی کربن آلی خاک گامی موثر در دستیابی به استفاده پایدار از اراضی و تعیین استرازیهای مدیریتی مربوط به آن است. از این رو، این مطالعه با هدف مدلسازی و نقشهبرداری رقومی کربن آلی خاک سطحی (10-0 سانتیمتری) شهرستان سمیرم با استفاده از روشهای رگرسیون جنگل تصادفی و رگرسیون خطی چند متغیره انجام شد. به این منظور200 نمونه ...
بیشتر
آگاهی از توزیع مکانی کربن آلی خاک گامی موثر در دستیابی به استفاده پایدار از اراضی و تعیین استرازیهای مدیریتی مربوط به آن است. از این رو، این مطالعه با هدف مدلسازی و نقشهبرداری رقومی کربن آلی خاک سطحی (10-0 سانتیمتری) شهرستان سمیرم با استفاده از روشهای رگرسیون جنگل تصادفی و رگرسیون خطی چند متغیره انجام شد. به این منظور200 نمونه خاک سطحی به صورت منظم و با فواصل نمونهبرداری 5 کیلومتر × 5 کیلومتر از سطح منطقه برداشت گردید و سپس کربن آلی نمونه ها با استفاده از روش واکلی- بلک اندازهگیری شد. در پایان، نقشه رقومی کربن آلی در خاک سطحی منطقه با روشهای مزبور و به کمک متغیرهای کمکی استخراج شده از مدل رقومی ارتفاع و تصاویر ماهوارۀ لندست 8 در محیط نرمافزار RStudio تهیه شد. یافته-های این مطالعه حاکی از آن است که الگوریتم جنگل تصادفی برای برآورد میزان کربن آلی خاک به ترتیب با مقادیر RMSE و R2 معادل 12/0 و 79/0 نسبت به روش رگرسیون خطی چندمتغیره با RMSE و R2 معادل 192/0 و 57/0پیشبینیهای بهتری ارائه داده است. نتایج نشان داد که مهمترین متغیرهای محیطی مؤثر بر توزیع کربن آلی خاک در منطقه مطالعاتی در مدلهای مورد استفاده یکسان نیستند. بهگونهای که در مدل جنگل تصادفی شاخصهای مستخرج از پوشش گیاهی و در رگرسیون خطی چندمتغیره شاخصهای توپوگرافی نقش بیشتری در توزیع کربن آلی داشته است. بررسی نقشه نهایی پراکنش کربن آلی خاک در منطقه مطالعاتی نشان داد که تخمینهای انجام شده با روش جنگل تصادفی اگرچه در مقایسه با روش رگرسیون خطی چندمتغیره تخمینهای بهتری را ارائه داده اما در تخمین مقادیر کمینه و بیشینه مقادیر کربن آلی سطحی خاکها موفق نبوده است.
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.