علوم خاک
حمید رضا متین فر؛ محبوبه جلالی؛ زهرا دیبایی
چکیده
شناخت توزیع مکانی کربن آلی خاک یکی از ابزارهای کاربردی در پیشبرد مدیریت پایدار اراضی و محیط زیست میباشد. دادهکاوی و مدلسازی مکانی همراه با تکنیکهای یادگیری ماشینی به منظور بررسی میزان کربن آلی خاک مبتنی بر دادههای سنجش از دور به صورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه،استفاده از تصاویر با دامنه طیفی مرئی تا ...
بیشتر
شناخت توزیع مکانی کربن آلی خاک یکی از ابزارهای کاربردی در پیشبرد مدیریت پایدار اراضی و محیط زیست میباشد. دادهکاوی و مدلسازی مکانی همراه با تکنیکهای یادگیری ماشینی به منظور بررسی میزان کربن آلی خاک مبتنی بر دادههای سنجش از دور به صورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه،استفاده از تصاویر با دامنه طیفی مرئی تا مادون قرمز حرارتی و دادههای زمینی برای مدلسازی میزان کربن آلی خاک میباشد. با استفاده از الگوی نمونهبرداری تصادفی156نمونه از خاک سطحی (30-0 سانتیمتر) جمعآوری شد. دادهها به دو دسته 80 درصد برای آموزش و 20 درصد جهت اعتبارسنجی دستهبندی شدند و از سه الگوریتم یادگیری ماشین شامل جنگل تصادفی، کوبیست و رگرسیون حداقل مربعات جزئی برای براورد و تهیه نقشه کربن آلی خاک استفاده شد. متغیرهای کمکی جهت پیشبینی کربن آلی خاک شامل باندها و شاخصهای منتج از سنجندهی OLI و TIRS لندست 8 میباشد. به منظور کاهش حجم دادهها و انتخاب ویژگیهایی با بیشترین تأثیر بر براورد کربن آلی خاک، از روش آنالیز مؤلفههای اصلی استفاده شد. آنالیز مؤلفههای اصلی دادههای سنجش از دور منجر به گزینش 4 متغیر کمکی TSAVI، RVI، Band10 و Band11 بهعنوان مؤثرترین عوامل کمکی محیطی انتخاب گردیدند. همچنین مقایسه رویکردهای مختلف تخمین نشان داد که مدل جنگل تصادفی به ترتیب با مقادیر ضریب تبیین، خطای جذر میانگین مربعات و میانگین مربعات خطا 74/0، 17/0 و 02/0 بهترین کارایی را نسبت به سایر رویکردهای مورد استفاده در برآورد کربن آلی خاک سطحی در منطقه مطالعاتی ارائه نمود. به طور کلی نتایج این مطالعه بر قابلیت دادهای سنجش از دور و مدل یادگیری جنگل تصادفی در تخمین مکانی کربن آلی خاک به طور همزمان دلالت دارد. لذا میتواند به عنوان روشی جایگزین برای روشهای مرسوم آزمایشگاهی در تعیین برخی ویژگیهای خاک از جمله کربن آلی خاک مورد توجه قرار گیرد.
الهام مهرابی گوهری؛ حمید رضا متین فر؛ روح الله تقی زاده مهرجردی؛ اعظم جعفری
چکیده
طیفسنجی مرئی و مادون قرمز نزدیک (VIS-NIR) به طور گستردهای برای تخمین خصوصیات فیزیکی خاک و اخیرا برآورد بافت خاک استفاده میشود. مطالعه حاضر با هدف پیشبینی احتمالی بافت خاک با استفاده از اندازهگیریهای طیفی و مدلهای شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس ...
بیشتر
طیفسنجی مرئی و مادون قرمز نزدیک (VIS-NIR) به طور گستردهای برای تخمین خصوصیات فیزیکی خاک و اخیرا برآورد بافت خاک استفاده میشود. مطالعه حاضر با هدف پیشبینی احتمالی بافت خاک با استفاده از اندازهگیریهای طیفی و مدلهای شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس نمونهبرداری از افقهای خاک انجام گرفت، درصد شن و رس و سیلت نمونههای خاک اندازهگیری شد. رگرسیون حداقل مربعات جزئی (PLSR) و شبکه عصبی مصنوعی (ANN) برای مدلسازی درصد رس، شن و سیلت خاک مقایسه شدند. نتایج این بررسی نشان داد که شبکه عصبی مصنوعی نسبت به رگرسیون حداقل مربعات جزئی کارایی بهتری داشت، برای هر دو مدل از محدوده خاصی از طول موج (بین 400 -2450 میکرون با اعمال پیشپردازشها و حذفیات یکسان) استفاده گردید. هنگامی که مدل رگرسیون مربعات جزئی اجرا شد، دقت بسیار پایینی داشت (R2 ~0.1-0.3)، در مقابل، روش شبکه عصبی-مصنوعی مقدار R2 به ترتیب برای رس، شن و سیلت 70/0, 76/0و 73/0 بود و میانگین ریشه مربعات خطا به ترتیب 14/9، 54/5 و 01/7 گرم بر کیلوگرم براساس دادههای آزمون (20 درصد) به دست آمد که نشان دهنده دقت بالاتر و خطای کمتر مدل شبکه عصبی-مصنوعی میباشد. از آنجایی که رابطه بین درصد ذرات خاک و بازتاب طیفی خاک خطی نیست، به نظر میرسد روش شبکه عصبی-مصنوعی برای بررسی و تجزیه و تحلیل رابطه بین اجزای بافت خاک و دادههای طیفی مناسب باشد.
