Maghsodi Z, Rostaminia M, Faramarzi M, Keshavarzi A, Rahmani A, Mousavi S R. Digital Mapping of Soil Family Class Using the Machine Learning Approach (A Case Study: Semi-Arid lands in the West of IRAN). jwss 2020; 24 (2) :153-163
URL:
http://jstnar.iut.ac.ir/article-1-3922-fa.html
مقصودی زیبا، رستمینیا محمود، فرامرزی مرزبان، کشاورزی علی، رحمانی اصغر، موسوی سید روح اله. نقشهبرداری رقومی کلاس فامیل خاک با استفاده از رویکرد یادگیری ماشین (مطالعه موردی: اراضی نیمهخشک غرب ایران). علوم آب و خاک. 1399; 24 (2) :153-163
URL: http://jstnar.iut.ac.ir/article-1-3922-fa.html
1. گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ایلام، ایلام ، m.rostaminya@ilam.ac.ir
چکیده: (3399 مشاهده)
نقشهبرداری رقومی خاک همگام با پیشرفتهای زیرساخت دادههای مکانی، نقش مهمی را در جهت ارتقاء دانش مطالعات خاکشناسی ایفا میکند. لذا تحقیق حاضر با هدف تهیه نقشه رقومی کلاس فامیل خاک با استفاده از مدلهای جنگل تصادفی و رگرسیون درختی توسعهیافته در بخشی از اراضی نیمهخشک استان ایلام اجرا شد. متغیرهای محیطی از مدل رقومی ارتفاع با قدرت تفکیک مکانی 30 متر با استفاده از نرمافزار SAGAGIS نسخه 7/3 استخراج شد. تعداد 46 خاکرخ حفر و ویژگیهای فیزیکوشیمیایی نمونههای خاک اندازهگیری و بر اساس سامانه آمریکایی 2014 در سطح فامیل ردهبندی شد. در محدوده مورد مطالعه سه رده مالیسولز، اینسپتیسولز و انتیسولز شناسایی شد. بر اساس نتایج دادهکاوی متغیرهای محیطی با استفاده از آنالیز تورم واریانس (VIF)، متغیرهای کمکی ارتفاع، ارتفاع استاندارد شده و شاخص زبری پستی و بلندی بیشترین میزان تغییرپذیری مکانی خاکها را در منطقه مدلسازی میکند. بهترین پیشبینی مکانی کلاسهای خاک مربوط به فامیل خاکFine, carbonatic, thermic, Typic Haploxerolls است. همچنین نتایج نشان میدهد که مدلهای جنگل تصادفی و رگرسیون درختی توسعهیافته بهترتیب صحت عمومی 0/80 و 0/64 و شاخص کاپای 0/70 و 0/55 را ارائه میکند. بنابراین، روش جنگل تصادفی میتواند یک روش قابل اعتماد و با دقت مناسب باشد که حتی با تعداد نمونه کم تخمین قابل قبولی را ارائه کند.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومی دریافت: 1398/5/24 | پذیرش: 1398/8/1 | انتشار: 1399/5/10