برآورد حد قابل تحمل هدررفت خاک با استفاده از روشهای رگرسیون خطی و درختی
Publish place: Journal of Water and Soil، Vol: 34، Issue: 1
Publish Year: 1399
Type: Journal paper
Language: Persian
View: 169
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_JSW-34-1_014
Index date: 30 October 2023
برآورد حد قابل تحمل هدررفت خاک با استفاده از روشهای رگرسیون خطی و درختی abstract
برای انجام فعالیتهای حفاظتی در برابر فرسایش خاک دانستن میزان حد قابل تحمل هدررفت خاک بسیار ضروری است. از اینرو، پژوهش حاضر با هدف تعیین میزان حد قابل تحمل هدررفت خاک به روش ضخامت و بر اساس معادله پرکاربرد اسکیدمور و توسعه توابع انتقالی رگرسیونی در برآورد این ویژگی در حوضه بالادست سد درودزن انجام شد. برای این منظور تعداد ۶۰ نیمرخ خاک با دستگاه بیل مکانیکی حفر و علاوه بر اندازهگیری عمق خاک، برخی از ویژگیهای فیزیکی و شیمیایی خاک سطحی (۰ تا ۳۰ سانتیمتر) نیز در آزمایشگاه و صحرا اندازهگیری شد. از روش رگرسیونی خطی چندگانه و رگرسیون درختی برای توسعه توابع انتقالی استفاده شد. نتایج نشان داد مقدار حد قابل تحمل هدررفت خاک با استفاده از روش اسکیدمور با میانگین ۰۴/۱ تن در هکتار در سال از حداقل ۲۹/۰ تا حداکثر ۲۵/۲ تن در هکتار در سال متغیر بود. ماده آلی خاک با داشتن بیشترین ضریب استاندارد شده (۶۴/۰=Beta) و بیشترین همبستگی (۷۷/۰-) با حد قابل تحمل هدررفت خاک مهمترین ویژگی در برآورد این شاخص خاک بود. بر اساس آمارههای ارزیابی، روش رگرسیون درختی با میانگین برآوردی حد قابل تحمل هدررفت خاک ۰۸/۱ تن در هکتار در سال و داشتن ضریب تعیین بالاتر در هر دو مجموعه داده وا سنجی (۹۶/۰=R۲) و اعتبارسنجی (۷۸/۰=R۲) و مقدار خطای کمتر در داده واسنجی (۲۶/۰ تن در هکتار در سال=RMSE) و اعتبارسنجی (۱۳/۰ تن در هکتار در سال =RMSE) کارآیی بیشتری در مقایسه با روش رگرسیونی چندگانه چندگانه با میانگین برآوردی حد قابل تحمل ۱۳/۱ تن در هکتار در سال داشت.
برآورد حد قابل تحمل هدررفت خاک با استفاده از روشهای رگرسیون خطی و درختی Keywords:
برآورد حد قابل تحمل هدررفت خاک با استفاده از روشهای رگرسیون خطی و درختی authors
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 :