ثریا یعقوبی، چوقی بایرام کمکی، محسن حسینعلی زاده، علی نجفی نژاد، حمیدرضا پورقاسمی، مرزبان فرامرزی،
جلد 27، شماره 1 - ( علوم آب و خاک- بهار 1402 )
چکیده
تحلیل فراوانی بارش‌های روزانه و یا دوره بازگشت رخدادهای بارش و سیلاب به دلیل پیچیدگی رفتاری فراوان در مدیریت منابع آب، از اهمیت زیادی برخوردار است. به عبارتی، عدم توجه به آن ممکن است سیل‌های مخرب را به دنبال داشته باشد. به همین منظور در پژوهش حاضر جهت بررسی و انتخاب مناسب‌ترین تابع توزیع، با استفاده از داده‌های هواشناسی و ماهواره CHIRPS در هفت ایستگاه موجود در حوزه آبخیز سد بوستان، سه تابع توزیع پیرسون 3، بتا و گاما مورد مقایسه قرار گرفتند. آنالیز آماری نشان داد که داده‌های ماهواره‌ای در برآورد بارش روزانه، به دلیل بالابودن مقدار خطای RMSE، MADو NASH ناکارآمد هستند، به همین دلیل تنها از داده‌های ایستگاه‌های هواشناسی برای تعیین بهترین توزیع استفاده شد. برای این منظور زبان برنامه‌نویسی گوگل ارث انجین و پایتون مورداستفاده قرار گرفت. سپس از تابع توزیع منتخب برای تعیین حداکثر بارش روزانه، احتمال فراوانی در دوره‌های بازگشت 2، 10، 50، 100 و 200 ساله استفاده شد. نتایج به‌دست‌آمده از آزمون نکویی برازش مجموع مربعات خطا، معیارهای ارزیابی آکائیک، بیزین و معیار واگرایی کولبک لیبلر نشان داد که در پنج ایستگاه کلاله، قرناق، پارک ملی گلستان، سد گلستان و گلیداغ تابع پیرسون 3 مناسب‌ترین تابع توزیعی است. همچنین، در دو ایستگاه دیگر (گنبد و تمر)، تابع بتا به‌عنوان تابع مناسب تشخیص داده شد، این درحالی است که طبق نتایج به‌دست‌آمده توزیع گاما در منطقه مورد مطالعه دارای کارایی مناسبی نیست. پس می‌توان نتیجه گرفت که بارش‌های شدید و نامنظم ازنظر زمانی و مکانی می‌تواند در انتخاب مناسب‌ترین تابع توزیع آماری در هر ایستگاه مؤثر باشد. بنابراین، توصیه می‌شود بارش‌های حداکثر محتمل و در نتیجه وقوع سیلاب‌های محتمل در نظر گرفته شوند تا با مدیریتی اصولی و دقیق از خسارات جانی و مالی در مناطق مستعد بخصوص در منطقه مورد مطالعه جلوگیری شود.
ثریا بندک، سید علیرضا موحدی نائینی، چوقی بایرام کمکی، محمد کاکوئی، جوکم ورلست،
جلد 27، شماره 3 - ( علوم آب و خاک-پاییز 1402 )
چکیده
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.
