پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,761 |
| تعداد مقالات | 72,822 |
| تعداد مشاهده مقاله | 131,621,422 |
| تعداد دریافت فایل اصل مقاله | 103,409,377 |
آموزش و آزمون الگوریتم جنگل تصادفی برای پایش تغییرات شوری خاک باغات پسته | ||
| تحقیقات آب و خاک ایران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 09 تیر 1404 اصل مقاله (1.92 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2025.391946.669907 | ||
| نویسندگان | ||
| یوسف هاشمی نژاد* 1؛ فرهاد دهقانی2؛ حسین بیرامی3؛ مراد مرتاض4؛ مهدی شیران تفتی5 | ||
| 1استادیار پژوهش، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی | ||
| 2عضو هیئت علمی مرکز ملی تحقیقات شوری، سازمان تحقیقات، آموزش و ترویج کشاورزی، یزد، ایران | ||
| 3عضو هیات علمی مرکز ملی تحقیقات شوری، سازمان تحقیقات، آموزش و ترویج کشاورزی، یزد، ایران. | ||
| 4دانش آموخته کارشناسی ارشد باغبانی، دانشگاه ایالتی کالیفرنیا، دیویس، یزد، ایران | ||
| 5مرکز ملی تحقیقات شوری، سازمان تحقیقات، آموزش و ترویج کشاورزی ، یزد، ایران | ||
| چکیده | ||
| تعداد 720 نمونه خاک که از 240 موقعیت نمونه‌برداری در داخل باغات پسته از دو استان یزد و خراسان رضوی جمع‌آوری شده بود برای آموزش و آزمون الگوریتم جنگل تصادفی مورد استفاده قرار گرفتند. متغیرهای کمکی که برای این مدل‌سازی مورد استفاده قرار گرفتند عبارت بودند از مقادیر میانه 32 متغیر بازتاب سطحی و شاخص‌های طیفی مستخرج از تصاویر ماهواره‌ای سنتینل 2 از اول مارس تا اول اکتبر سال نمونه‌برداری بود که توسط پلتفرم گوگل ارث انجین برای نقاط نمونه‌برداری استخراج شده بود. مدل جنگل تصادفی از طریق کدنویسی در محیط R توسعه و بهینه‌سازی شد. برای اعتبارسنجی مدل از روش کنارگذاشتن یک نقطه استفاده شد. پس از شناسایی و حذف نقاط پرت، تعداد 191 نقطه برای آموزش و آزمون مجدد الگوریتم جنگل تصادفی باقی ماند. مقدار RMSE در دسته آموزش 1/1 و در دسته آزمون 6/2 دسی‌زیمنس بر متر بود . مقدار R2 در هر دو دسته 93 درصد بود. این الگوریتم برای پیش‌بینی تغییرات شوری خاک در مناطق و سال‌های مورد مطالعه استفاده شد. بر اساس این نتایج در پروژه زهکشی تنور لاهور، مساحت اراضی کلاس 3 در حال کاهش و اراضی کلاس 2 در حال افزایش است. در مزرعه مرتاض شوری کلاس 3 کاهش یافته ولی در عوض به کلاس 4 افزوده شده است. در مزرعه رضایی نیز به شدت اراضی کلاس 4 در حال افزایش است. همچنین در مزرعه دادیار در استان خراسان رضوی نیز بطور نسبی اراضی کلاس 4 شوری افزایش یافته است. نتایج این تحقیق نشان داد که الگوریتم جنگل تصادفی بطور موفقیت‌آمیزی قادر به پیش‌بینی تغییرات شوری خاک در محدوده‌های مورد مطالعه و مناطق مشابه می‌باشد. | ||
| کلیدواژه‌ها | ||
| اعتبارسنجی؛ سنتینل 2؛ شاخص‌های طیفی؛ شوری خاک؛ گوگل ارث انجین | ||
| عنوان مقاله [English] | ||
| Random Forest Algorithm Training and Test for Monitoring Soil Salinity Changes in Pistachio Orchards | ||
| نویسندگان [English] | ||
| Yousef Hasheminejhad1؛ Farhad Dehghany2؛ Hossein Beyrami3؛ Morad Mortaz4؛ Mehdi Shiran Tafti5 | ||
| 1Professor Assistant, Khorasan Razavi Agricultural and Natural Resources Research and Education Center. | ||
| 2Faculty member, National Salinity Research Center (NSRC), Agricultural Research, Education and Extension Organization (AREEO), Yazd, Iran | ||
| 3Faculty member, National Salinity Research Center (NSRC), Agricultural Research, Education and Extension Organization (AREEO), Yazd, Iran | ||
| 4MSc. in Horticulture, UC. Davis, Yazd, Iran. | ||
| 5National Salinity Research Center, Agricultural Research, Education and Extension Organization. Yazd, Iran. | ||
| چکیده [English] | ||
| A total of 720 soil samples collected from 240 sampling locations within pistachio orchards in the Yazd and Razavi Khorasan provinces were used for training and testing the Random Forest algorithm. The auxiliary variables used for this modeling included the median values of 32 surface reflectance variables and spectral indices derived from Sentinel-2 satellite images from March 1 to October 1 of the sampling year, extracted for the sampling points using the Google Earth Engine platform. The Random Forest model was developed and optimized through coding in the R environment. The leave-one-out validation method was used for model evaluation. After identifying and removing outliers, 191 points remained for retraining and testing the Random Forest algorithm. The RMSE values were 1.1 dS/m for the training dataset and 2.6 dS/m for the testing dataset, while the R² value was 93% for both datasets. This algorithm was used to predict soil salinity changes in the study areas over different years. Based on the results, in the Tanur Lahur drainage project, the area of Class 3 lands is decreasing, while Class 2 lands are increasing. In the Mortaz farm, Class 3 salinity has declined, but Class 4 has increased. In the Rezaei farm, Class 4 lands are expanding significantly. Similarly, in the Dadiar farm in Razavi Khorasan province, Class 4 saline lands have relatively increased. The findings of this study demonstrated that the Random Forest algorithm successfully predicts soil salinity variations within the study areas and similar regions. | ||
| کلیدواژه‌ها [English] | ||
| Google Earth Engine (GEE), Sentinel-2, Soil Salinity, Spectral Indices, Validation | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 5 تعداد دریافت فایل اصل مقاله: 2 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب