ارزیابی و تناسب اراضی
نازنین سادات امامی؛ الهام چاوشی؛ شمس الله ایوبی؛ ناصر هنرجو؛ مجتبی زراعت پیشه
چکیده
ویژگی‌های فیزیکوشیمیایی و مکانیکی خاک در سلامت خاک، بهره‌وری کشاورزی و ارزیابی پایداری آن نقش اساسی دارند. درک توزیع مکانی این ویژگی‌ها برای مدیریت مؤثر اراضی و کشاورزی پایدار ضروری است. نقشه‌برداری رقومی خاک (DSM) با استفاده از داده‌های محیطی و الگوریتم‌های یادگیری ماشین (ML)، ابزاری قدرتمند برای پیش‌بینی ویژگی‌های خاک است. هدف ...
بیشتر
ویژگی‌های فیزیکوشیمیایی و مکانیکی خاک در سلامت خاک، بهره‌وری کشاورزی و ارزیابی پایداری آن نقش اساسی دارند. درک توزیع مکانی این ویژگی‌ها برای مدیریت مؤثر اراضی و کشاورزی پایدار ضروری است. نقشه‌برداری رقومی خاک (DSM) با استفاده از داده‌های محیطی و الگوریتم‌های یادگیری ماشین (ML)، ابزاری قدرتمند برای پیش‌بینی ویژگی‌های خاک است. هدف این پژوهش، پیش‌بینی توزیع مکانی میانگین وزنی قطر خاکدانه‌ها (MWD) و کربن آلی خاک (SOC) با استفاده از روش DSM و رتبه‌بندی متغیرهای محیطی مؤثر با مدل‌هایML و مقایسه این مدل‌ها در منطقه فریدن، استان اصفهان بود. شش الگوریتم ML شامل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF)، مدل کوبیست (Cubist)، ماشین بردار پشتیبان (SVM)، الگوریتم K نزدیک‌ترین همسایه (KNN) و مدل رگرسیون درختی توسعه‌یافته (BRT) برای ارتباط دادن متغیرهای محیطی و ویژگی‌های خاک استفاده شدند. مدلسازی با چهار مجموعه‌داده شامل داده‌های سنجش از دور، توپوگرافی، ویژگی‌های خاک و داده‌های طبقه‌بندی شده انجام شد و عملکرد مدل‌ها با استفاده از ضریب تعیین (R²)، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) ارزیابی گردید. نتایج نشان داد که بهترین دقت پیش‌بینی برای MWD، در مدل KNN در سناریوی چهارم (59/0=R²، 19/0= RMSEو 16/0=MAE) و برای SOC، در مدل cubist در سناریوی چهارم (78/0=R²، 12/4= RMSEو 53/3=MAE)، به‌دست آمد. سیلت (Silt) مهم‌ترین متغیر برای MWD بود و VV و CHND در رتبه‌های بعدی قرار گرفتند. برای پیش‌بینی SOC، MRVBF و Clay بیشترین تأثیر را داشتند. در نهایت، مدل‌های cubist و KNN با ترکیب داده‌های توپوگرافی و اقلیمی، به‌عنوان ابزاری مؤثر برای پیش‌بینی ویژگی‌های کیفی خاک و تولید نقشه‌های رقومی خاک انتخاب شدند. این روش‌ها به‌ویژه در مناطقی با اقلیم مشابه و شرایط نمونه‌برداری محدود، می‌توانند به بهبود بهره‌وری کشاورزی و ارتقای مدیریت پایدار اراضی کمک کرده و همچنین به سیاست‌گذاران در شناسایی مناطق بحرانی و کاهش اثرات منفی زیست‌محیطی یاری رسانند.
پیدایش و طبقه بندی خاکها
اعظم جعفری؛ فریدون سرمدیان؛ احمد حیدری؛ زهرا رسائی
چکیده
داده‌های خاک مانند هر داده مکانی ممکن است دارای خودهمبستگی مکانی باشند. اگر این وابستگی مکانی در باقیمانده‌های یک مدل آماری مشاهده شود، یکی از فرضیه‌های کلیدی آنالیز آماری که شامل استقلال و توزیع یکنواخت باقیمانده‌ها است، نقض می‌شود. معمولا الگوریتم‌های یادگیری ماشین، خودهمبستگی مکانی در داده-های خاک را درنظر نمی‌گیرند. مطالعه ...
بیشتر
داده‌های خاک مانند هر داده مکانی ممکن است دارای خودهمبستگی مکانی باشند. اگر این وابستگی مکانی در باقیمانده‌های یک مدل آماری مشاهده شود، یکی از فرضیه‌های کلیدی آنالیز آماری که شامل استقلال و توزیع یکنواخت باقیمانده‌ها است، نقض می‌شود. معمولا الگوریتم‌های یادگیری ماشین، خودهمبستگی مکانی در داده-های خاک را درنظر نمی‌گیرند. مطالعه حاضر سعی دارد خودهمبستگی مکانی را به عنوان یک متغیر مستقل در مدلسازی تخمین شوری خاک لحاظ کند و نتایج تخمین را بررسی کند. بدین منظور، شوری خاک سطحی در 297 نقطه در منطقه آبیک قزوین اندازه‌گیری شد و متغیرهای محیطی مهم انتخاب شدند. سپس یک مدل غیرمکانی حداقل مربعات معمولی و یک مدل رگرسیون مکانی بر داده‌های شوری خاک برازش داده شد. از دو شاخص موران و جری برای تشخیص خودهمبستگی مکانی استفاده گردید. نقشه توزیع مکانی شوری خاک در منطقه آبیک قزوین نشان می‌دهد در بخش‌های شمالی، شمال شرق و شمال غرب به سمت مرکز منطقه مورد مطالعه میزان شوری خاک کم بوده و بیشترین مقدار و محدودیت شوری در مناطق جنوب و جنوب شرقی دیده می‌شود. مقدار شاخص موران 57/0 و مقدار شاخص جری 4/0 به دست آمد که براساس هر دو شاخص، ویژگی شوری خاک در منطقه مورد نظر دارای خودهمبستگی مکانی است. با وارد کردن خودهمبستگی مکانی در مدل رگرسیون مکانی در مقایسه با مدل غیرمکانی نتایج پیش‌بینی بهبود یافت. با لحاظ کردن خودهمبستگی مکانی، مقدار R2 افزایش، درحالیکه مقادیر AIC، خودهمبستگی مکانی باقیمانده‌ها و RMSE کاهش یافت. به نظر می‌رسد ادغام خودهمبستگی مکانی در مدلسازی خصوصیات خاک امری ضروری است و باید در نظر گرفته شود.
