پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,949,557 |
| تعداد دریافت فایل اصل مقاله | 89,622,248 |
کاربرد ویژگیهای ژئومورفومتری در نقشهبرداری رقومی خاک با استفاده از منطق فازی و یادگیری ماشین | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 8، دوره 73، شماره 1، خرداد 1399، صفحه 105-124 اصل مقاله (1.79 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2020.288580.1418 | ||
| نویسندگان | ||
| اصغر رحمانی1؛ فریدون سرمدیان* 2؛ سیدروح اله موسوی3؛ سیدعرفان خاموشی3 | ||
| 1دانشجوی دکتری گروه علوم و مهندسی خاک، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران،کرج، ایران. | ||
| 2استاد گروه علوم و مهندسی خاک، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| 3دانشجوی دکتری گروه علوم و مهندسی خاک، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| چکیده | ||
| روشهای معمول نقشهبرداری خاک وابسته به نمونهبرداری متراکم، متأثر از مقیاس و دانش کارشناس میباشد، بنابراین استفاده از رویکردهای جدید دادهکاوی در تهیۀ نقشۀ رقومی ویژگیهای خاک برای مرتفع نمودن مشکلات روش معمول هدف اصلی این تحقیق است. در این پژوهش 62 نمونه خاک از عمق 0-20 سانتیمتر براساس روش شبکۀ منظم (300 متر) و نظر کارشناس انتخاب و ویژگیهای درصد کربن آلی، رس و کربنات کلسیم در بخشی از اراضی دیم منطقۀ کوهین با مساحت 370 هکتار اندازهگیری گردیدند. دو دسته داده 80 و 20 درصد بهترتیب برای واسنجی و اعتبارسنجی مدلها انتخاب گردیدند. با استفاده از نرم افزار SAGA GIS و مدل رقومی ارتفاع با قدرت تفکیک مکانی10متر، 19 متغیر ژئومورفومتری استخراج و براساس آنالیز تجزیۀ مؤلفههای اصلی (PCA) سه متغیر ارتفاع، شاخص موقعیت توپوگرافی و شاخص شدت پستی و بلندی و همچنین براساس نظر کارشناس، نقشۀ واحدهای لندفرم برای مدلسازی ویژگیها انتخاب گردیدند. مدل جنگل تصادفی دارای دقت بالاتری بود بهنحویکه نتایج آن برای ویژگیهای درصد کربن آلی، رس و کربنات کلسیم بر اساس آمارههای ضریب تبیین (R2) به ترتیب مقادیر 63/0، 75/0 و 63/0 و ریشۀ میانگین مربعات خطا (RMSE) مقادیر 17/0، 5/7، 77/5 درصد و برای رویکرد SoLIM مقادیر ضریب تبیین (R2) 47/0، 42/0و42/0 و مقادیر ریشۀ میانگین مربعات خطای 2/0، 08/8 و 68/4 درصد حاصل گردید. رویکرد جنگل تصادفی با شناخت ارتباط غیرخطی و بهینۀ ویژگیهای خاک و متغیرهای محیطی مؤثر میتواند نقشههای رقومی را با دقت مناسب برای مدیریت و بهرهبرداری پایدار از اراضی پیشبینی نماید. | ||
| کلیدواژه‌ها | ||
| جنگل تصادفی؛ داده کاوی؛ مدل استنباطی خاک-زمین نما؛ نقشهبرداری رقومی خاک | ||
| عنوان مقاله [English] | ||
| Application of Geomorphometric attributes in digital soil mapping by using of machine learning and fuzzy logic approaches | ||
| نویسندگان [English] | ||
| Asghar Rahmani1؛ Fereydoon Sarmadian2؛ Sayed Roholla Mousavi3؛ Seyyed Erfan Khamoshi3 | ||
| 1Soil science department,Faculty of agriculture,university of tehran,karaj,Iran. | ||
| 2Soil Science Department, faculty of agriculture, University of Tehran | ||
| 3Soil Science Department, faculty of agriculture, University of Tehran | ||
| چکیده [English] | ||
| Conventional soil mapping is related to High density sampling, affected by scale and expert knowledge So using of new data mining methods in digital soil properties mapping was the main aim of this study for resolving conventional soil survey problems. In this research, 62 surface soil samples based on regular grid and expert knowledge opinion were selected after that soil organic carbon(SOC), clay content and CaCO3 were determined in some part of Dryland Kuhin region with area of 372 ha. Data sets were divided to two 80%(calibration) and 20%(validation), respectively. From digital elevation model with 10-meter spatial resolution were derived 19 geomorphometric attribute in SAGA GIS software. Three geomorphometric covariate included TPI, TRI, DEM and landform map unit were chosen PCA and expert knowledge. RStudio and SoLIM Solution software were used for random forest (RF) and fuzzy logic modelling, respectively. The RF modelling results show that for SOC, clay and CaCO3 based on determination coefficient (R2) had 0.63,0.75,0.63 and RMSE 0.17,7.5,5.77 percentage and for SoLIM method revealed that R2 0.47,0.42,0.42 and RMSE 0.2,8.08,4.68 percentage, respectively. Generally, the RF model with creating nonlinear relationship among soil properties and environmental covariate can predicted digital map with appropriate precision for management and sustainable land utilization | ||
| کلیدواژه‌ها [English] | ||
| Digital soil mapping, Data mining, Random Forest, Soil Landscape Inference Model | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 522 تعداد دریافت فایل اصل مقاله: 353 |
||