ارزیابی روشهای یادگیری ماشین در نقشهبرداری رقومی کربن آلی خاکهای زراعی (بخشی از دشت خرمآباد)
Publish place: Journal of Water and Soil Science، Vol: 24، Issue: 4
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 267
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWSS-24-4_020
تاریخ نمایه سازی: 21 اردیبهشت 1400
Abstract:
شناخت توزیع مکانی کربن آلی خاک یکی از ابزارهای کاربردی در تعیین استراتژیهای مدیریت پایدار اراضی است. طی دو دهه اخیر استفاده از رویکردهای دادهکاوی در مدلسازی مکانی کربن آلی خاک با استفاده از تکنیکهای یادگیری ماشین بهطور گستردهای مورد توجه قرار گرفته است. یکی از گامهای اساسی در کاربرد این روشها، تعیین متغیرهای بهینه پیشبینی کننده کربن آلی خاک است. این مطالعه بهمنظور مدلسازی و نقشهبرداری رقومی کربن آلی خاک سطحی با استفاده از روشهای یادگیری ماشین و ویژگیهای خاک شامل درصد سیلت، رس، شن، کربنات کلسیم معادل، میانگین وزنی قطر خاکدانه و اسیدیته انجام پذیرفت. بدین منظور دقت عملکرد مدلهای جنگل تصادفی، کوبیست، رگرسیون حداقل مربعات جزئی، رگرسیون خطی چندمتغیره و کریجینگ معمولی برای برآورد میزان کربن آلی خاک سطحی، در ۱۴۱ نمونه از عمق ۳۰-۰ سانتیمتر در بخشی از اراضی کشاورزی دشت خرم آباد با مساحت ۶۸۰ هکتار مورد ارزیابی قرار گرفتند. نتایج آنالیز حساسیت متغیرهای پیشران در مدلسازی کربن آلی نشان داد که بهترتیب سه ویژگی درصد سیلت، آهک و میانگین وزنی قطر خاکدانه بیشترین تاثیر را روی تغییرپذیری مکانی کربن آلی خاک داشتند. همچنین مقایسه رویکردهای مختلف تخمین کربن آلی نشان داد که مدل جنگل تصادفی بهترتیب با مقادیر ضریب تبیین (R۲) و مجذور میانگین مربعات خطا (RMSE) ۰/۷۵ و ۰/۲۵ درصد بهترین کارایی را نسبت به سایر رویکردهای مورد استفاده در منطقه مطالعاتی ارائه کرد. در مجموع مدلهای با رویکرد غیرخطی صحت بالاتری نسبت به مدلهای خطی در مدلسازی تغییرات مکانی کربن آلی خاک نشان دادند.
Keywords:
Authors
حمید رضا متین فر
۱. Soil Science and Engineering Department, Lorestan University, Khorramabad, Iran.
زیبا مقصودی
۱. Soil Science and Engineering Department, Lorestan University, Khorramabad, Iran.
روح الله موسوی
۲. Science and Soil Engineering Department, Faculty of Agricultural Engineering and Technology, College of Agriculture & Natural Resources, Tehran University, Kraj, Iran.
محبوبه جلالی
۱. Soil Science and Engineering Department, Lorestan University, Khorramabad, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :