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.
