جلد 27، شماره 3 - ( علوم آب و خاک-پاییز 1402 )
جلد 27 شماره 3 صفحات 34-17 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Bandak S, Movhedei naeani A, Komaki C, kakooei M, Verrlest J. Predicting and Mapping Soil Organic Carbon Using Remote Sensing and Machine Learning Algorithms. jwss 2023; 27 (3) :17-34
URL: http://jstnar.iut.ac.ir/article-1-4314-fa.html
URL: http://jstnar.iut.ac.ir/article-1-4314-fa.html
بندک ثریا، موحدی نائینی سید علیرضا، کمکی چوقی بایرام، کاکوئی محمد، ورلست جوکم. پیش‌بینی و نقشه‌برداری کربن آلی خاک با استفاده از سنجش از دور و الگوریتم‌های یادگیری ماشین. علوم آب و خاک. 1402; 27 (3) :17-34
دانشگاه علوم کشاورزی و منابع طبیعی گرگان ، soraya.bandak@gmail.com
چکیده: (1339 مشاهده)
کربن آلی خاک (SOC) که یکی از حیاتی‌ترین خصوصیات فیزیکی و شیمیایی خاک است، نقش مهمی در تولید پایدار کشاورزی دارد و از تخریب و فرسایش خاک جلوگیری می‌کند. داده‌کاوی و مدل‌سازی مکانی همراه با تکنیک‌های یادگیری ماشینی به‌منظور بررسی میزان کربن آلی خاک مبتنی بر داده‌های سنجش از دور به‌صورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه بررسی تغییرات مقدار SOC با استفاده از تکنیک سنجش از دور در مقایسه با روش‌های نمونه‌برداری مزرعه‌ای در مناطقی از گنبد کاووس و جنگل نیلی آزادشهر است. نمونه‌های خاک به‌منظور اندازه‌گیری مقدار SOC در آزمایشگاه جمع‌آوری شد. داده‌ها به دو دسته 70 درصد برای واسنجی (آموزشی) و 30 درصد اعتبارسنجی (آزمون) دسته‌بندی شدند و از الگوریتم‌های یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، درخت تصمیم پیشرفته، و افزایش گرادیان اکسترمم برای برآورد و تهیه نقشه کربن آلی خاک استفاده شد. متغیر‌های کمکی پیش‌بینی کربن آلی خاک شامل باندها، شاخص‌های منتج از ماهواره لندست 8 و سنتینل 2، اقلیم و توپوگرافی است. نتایج نشان داد که استخراج مؤلفه‌های مربوط به باندها همراه با محاسبه شاخص‌هایی مانند تفاوت پوشش گیاهی نرمال شده، شاخص خیسی، شاخص همواری دره به‌عنوان متغیر‌های کمکی نقش مهمی در برآورد صحیح‌تر مقدار ماده آلی خاک دارند. همچنین مقایسه رگرسیون‌های مختلف تخمین نشان داد، مدل جنگل تصادفی در ماهواره سنتینل 2 و مدل درخت تصمیم پیشرفته در لندست 8 به‌ترتیب با مقادیر ضریب تبیین، خطای جذر میانگین مربعات و میانگین خطای مطلق 0/64، 0/05 و 0/17 بهترین کارایی را نسبت به سایر رویکرد‌های استفاده شده در برآورد کربن آلی خاک سطحی در منطقه مطالعاتی ارائه کردند. نتایج این مطالعه بر قابلیت دادهای سنجش از دور و مدل یادگیری در تخمین مکانی کربن آلی خاک دلالت دارد و می‌تواند به‌عنوان روشی جایگزین برای روش‌های آزمایشگاهی در تعیین برخی ویژگی‌های خاک از جمله کربن آلی خاک مورد توجه قرار گیرد.
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
