ارزیابی کارآیی روش های درون یابی برای تخمین PH و EC خاک (مطالعه موردی: بخش درودزن در استان فارس)
Publish place: Remote Sensing and Iran GIS، Vol: 8، Issue: 3
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 242
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIS-8-3_006
تاریخ نمایه سازی: 16 آبان 1400
Abstract:
انتخاب مناسبترین روش درونیابی به منظور تخمین ویژگی های خاک منطقه نقش مهمی در استراتژی های آب و مدیریت کشاورزی ایفا می کند. همچنین ازآنجاکه ویژگی های خاک در زمان و مکان تغییر می کند، تحلیل متغیرهای فضایی خصوصیات خاک برای نشان دادن اکوسیستم های خاص اهمیت دارد. هدف از این تحقیق بررسی دقت پنج روش درونیابی فاصله وزنی معکوس، چندجمله ای عام، چندجمله ای موضعی، تابع شعاع محور و کریجینگ برای تخمین پارامترهای EC و PH خاک است. بدین منظور، ۴۸ پروفیل در ۱۵ دهستان موجود در بخش درودزن، واقع در استان فارس حفر شد. تمامی مقادیر EC و PH مربوط به عمق ۳۰-۰ سانتیمتر اول خاک است. برای بالابردن دقت مطالعه، روش های درونیابی در مدل ها و توان های گوناگون مقایسه شد. ترسیم نیم تغییرنما در GS+ نشان داد داده های PH و EC بهترین برازش را به ترتیب در مدل گوسن و کروی دارند. همچنین براساس مقادیر به دست آمده از معیارهای ارزیابی خطا شامل RMSE، MSE، MAE، R۲ و MBE بهترین روش درونیابی با کمترین خطا به منظور تهیه نقشه های پراکنش مکانی پارامترهای EC و PH خاک انتخاب شد. نتایج برتری روش LPI با توان دو و روش IDW با توان یک برای فاکتور PH را نشان می دهد. همچنین روش کریجینگ در مدل گوسن و IDW با توان یک به ترتیب بیشترین دقت را برای پارامتر EC در منطقه مورد مطالعه نشان دادند. افزون بر این، نتایج نشان داد دقت روش RBF و GPI به نسبت سایر روش ها پایینتر است.
Keywords:
Authors
الهام سلیمانی ساردو
دانش آموخته کارشناسی ارشد بیابانزدایی، دانشکده کویرشناسی، دانشگاه سمنان
فاطمه مقصود
دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس تهران
علی اکبر دماوندی
عضو هیئت علمی موسسه آموزش عالی علمی کاربردی جهاد کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران
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 :