کاربرد روش درختان تصمیم گیری تصادفی در پیش بینی کلاس های خاک در اراضی با پستی و بلندی کم ( مطالعه موردی: شهرستان هیرمند)

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 425

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWSC-24-1_004

تاریخ نمایه سازی: 11 آبان 1398

چکیده مقاله:

سابقه و هدف: شناسایی و نقشه برداری خاک، به عنوان روشی برای تعیین الگوی پراکنش خاک، توصیف و نمایش آن به شکل قابل فهم و تفسیر برای کاربران مختلف، پایه و اساس اطلاعات خاک برای مدل سازی های محیطی می باشد. نقشه برداری رقومی خاک شامل ایجاد ارتباط بین کلاس ها یا خصوصیات خاک با فاکتورها ی محیطی دخیل در تشکیل و تکامل خاک با استفاده از مدل ها ی ریاضی است که می تواند نقشه ها ی خاک دقیق تر و یکدست تر در زمان کمتر با ارائه میزان دقت و صحت ایجاد نماید و باعث کاهش هزینه های پروژه های شناسایی و تهیه نقشه های خاک گردد. این پژوهش جهت تهیه نقشه کلاس ها ی گروه های بزرگ و زیرگروه های خاک با استفاده از تکنیک درختان تصمیم گیری تصادفی در اراضی شهرستان هیرمند در دشت سیستان انجام گرفت. مواد و روش ها: در این مطالعه 108 پروفیل خاک در سطحی حدود 60000 هکتار از اراضی شهرستان هیرمند حفر گردید. 16متغیر محیطی شامل خصوصیات زمین، شاخص شوری و شاخص پوشش گیاهی به عنوان تخمین گر برای تهیه نقشه خاک، مورد استفاده قرار گرفته شدند. پس از تعیین گروه های بزرگ و زیرگروه های خاک، نقشه کلاس ها ی خاک با استفاده از روش درختان تصمیم گیری تصادفی (RF) تهیه شد. شایان ذکر است که 80 درصد داده در آموزش مدل و 20 درصد برای اعتبارسنجی مستقل استفاده شدند یافته ها: نتایج مطالعات خاکشناسی نشان داده که خاک های تشکیل شده در دشت سیستان تکامل زیادی نداشتند و عمدتا در رده های انتی سول و اریدی سول قرار دارند. بیش ترین تعداد خاکرخ در گروه های بزرگ مربوط به Torrifluvents، و بیش ترین تعداد خاکرخ در زیرگروه های بزرگ مربوط به Typic Torrifluvents بود. همچنین نتایج روش RF نشان داد که کمترین مقدار خطای تخمین نمونه های خارج از سبد در گروه های بزرگ و زیرگروه های خاک به ترتیب53/43 و 59/50 بود. نتایج اعتبار سنجی مستقل نشان داد که بهترین دقت بدست آمده برای گروه های بزرگ و زیرگروه های بزرگ خاک به ترتیب 48 و 53 درصد بود. بین متغیرهای مختلف محیطی عمق شیارها، شاخص همگرایی، شبکه کانال ها و شوری در گروه های بزرگ خاک و عمق شیارها، ارتفاع و سطح حوزه در زیرگروه های خاک دارای بیشترین اهمیت در تخمین کلاس های خاک بودند. نتیجه گیری: نتایج نشان داد که در مناطق خشک با پستی و بلندی کم خاک ها عمدتا جوان هستند و همچنین در این مناطق تنوع خاک کم است. در چنین مناطقی روش نقشه برداری رقومی و تکنیک درختان تصمیم گیری تصادفی می تواند برای پیش بینی کلاس های خاک و تهیه نقشه های خاک بسیار مفید بوده و مورد استفاده قرار گیرد. کلمات کلیدی: نقشه برداری رقومی خاک، تکنیک درختان تصمیم گیری تصادفی، دقت نقشه، مناطق خشک، دشت سیستان

کلیدواژه ها:

نقشه برداری رقومی خاک ، تکنیک درختان تصمیم گیری تصادفی ، دقت نقشه ، مناطق خشک ، دشت سیستان

نویسندگان

خلیل اله میرک زهی

گروه علوم و مهندسی خاک، دانشگاه زابل، زابل، ایران

علی شهریاری

گروه علوم خاک، دانشگاه زابل

محمدرضا پهلوان راد

بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی سیستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، زابل، ایران

ابوالفضل بامری

گروه علوم و مهندسی خاک، دانشگاه زابل، زابل، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • ebkit-text-size-adjust: auto; -webkit-1.Al-Masrahy, M.A., and Mountney, N.P. 2015. A classification ...
  • system interaction in desert-margin settings. Aeolian Research. 17: 67-88. ...
  • Barthold, F.K., Wiesmeier, M., Breuer, L., Frede, H.G., Wu, J., ...
  • use and climate control the spatial distribution of soil types ...
  • Mongolia. J. Arid Environ. 88: 194-205. ...
  • Behrens, T., Förster, H., Scholten, T., Steinrücken, U., Spies, E.D., ...
  • Digital soil mapping using artificial neural networks. J. Plant Nutr. ...
  • Behrens, T., Schmidt, K., Zhu, A.X., and Scholten, T. 2010. ...
  • terrainbased digital soil mapping. Eur. J. Soil Sci. 61: 133-143. ...
  • Boer, M., DelBarrio, G., and Puigdefabregas, J. 1996. Mapping soil ...
  • Mediterranean areas using terrain attributes derived from a digital elevationmodel. ...
  • Geoderma. 72: 99-118. ...
  • Breiman, L., and Cutler, A. 2004. Random Forests. Department of ...
  • Berkeley. http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm. ...
  • Brungard, C.B., and Boettinger, J.L. 2012. Spatial prediction of biological ...
  • value added DSM from soil survey. P 57-60, In: B. ...
  • McBratney (Eds.), Digital Soil Assessments and Beyond Proceedings of the ...
  • GlobalWorkshop on Digital Soil Mapping. CRC Press, Sydney. ...
  • Brungard, C.W. 2009. Alternative Sampling and Analysis Methods for Digital ...
  • in Southwestern Utah. Thesis for Master of Science, Utah State ...
  • Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A., and Edwards ...
  • Machine learning for predicting soil classes in three semi-arid landscapes. ...
  • Buol, S.W., Southard, R.J., Graham, R.C., and McDaniel, P.A. 2011. ...
  • classification. 6th edition. Iowa State Univ. Press. Ames. Iowa, 556p. ...
  • Campling, P., Gobin, A., and Feyen, J. 2002. Logisticmodeling to ...
  • probability of soil drainage classes. Soil Sci. Soc. Am. J. ...
  • Cook, S.E., Jarvis, A., and Gonzalez, J.P. 2008. A New ...
  • Information. P 31-43, In: A.E. Hartemink, A. McBratney and M.L. ...
  • Digital Soil Mapping with Limited Data. Springer, Dordrecht Heidelberg London ...
  • Grunwald, S. 2010. Current State of Digital Soil Mapping and ...
  • Boettinger, D.W. Howel, A.C. Moore, A.E. Hartemink and S. Kienast-Brown ...
  • Soil Mapping: Bridging Research, Environmental Application and Operation. Springer. ...
  • Dordrecht Heidelberg London New York. ...
  • Hastie, T., Tibshirani, R., and Friedman, J.H. 2001. The Elements ...
  • Data Mining, Inference and Prediction. Springer, New York. ...
  • Hengl, T., and Reuter, H.I. 2008. Geomorphometry. Concepts, Software, Applications. ...
  • Developments in Soil Science. Elsevier, Amsterdam. ...
  • Hengl, T., Toomanian, N., Reuter, H.I., and Malakouti, M.J. 2007. ...
  • categorical variables from profile observations: lessons from Iran. Geoderma. 140: ...
  • Heung, B., Bulmer, C.E., and Schmidt, M.G. 2014. Predictive soil ...
  • at a regional–Scale: A random forest approach. Geoderma. 214-215: 141-154. ...
  • Jafari, A., Ayoubi, S., Khademi, H., Finke, P.A., and Toomanian, ...
  • taxonomic level for soil mapping using diversity and map purity ...
  • an Iranian arid region. Geomorphology. 201: 86-97. ...
  • Jafari, A., Finke, P.A., Van deWauw, J., Ayoubi, S., and ...
  • of USDA-great soil groups in the arid Zarand region, Iran: ...
  • approaches to predict diagnostic horizons and soil types. Eur. J. ...
  • Jenny, H. 1941. Factors of Soil Formation: A System of ...
  • Lieb, M., Glaser, B., and Huwe, B. 2012. Uncertainty in ...
  • comparison of regression tree and random forest models. Geoderma. 170: ...
  • Liu, J., Pattey, E., Nolin, M.C., Miller, J.R., and Ka, ...
  • drainage using remote sensing, DEM and apparent soil electrical conductivity. ...
  • McBratney, A.B., Mendonça Santos, M.L., and Minasny, B. 2003. On ...
  • Geoderma. 117: 1-2. 3-52. ...
  • Minasny, B., McBratney, A.B., and Hartemink, A.E. 2010. Global pedodiversity, ...
  • distance and the World Reference Base. Geoderma. 155: 132-139. ...
  • Moonjun, R., Farshad, A., Shrestha, D.P., and Vaiphasa, C. 2010. ...
  • and decision tree in predictive soil mapping of Hoi Num ...
  • P 151-164, In: J.L. Boettinger, D.W. Howell, A.C. Moore, A.E. ...
  • Kienast-Brown (Eds.), Digital Soil Mapping: Bridging Research, Environmental Application ...
  • and Operation. Springer, Dordrecht. ...
  • National soil survey center. 2012. Field book for describing and ...
  • department of agriculture, Natural resources conservation service. ...
  • Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, ...
  • Bogaert, P. 2014. Updating soil survey maps using random forest ...
  • hypercube sampling in the loess soil of northern Iran. Geoderma. ...
  • Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, ...
  • Bogaert, P. 2016. Legacy soil maps as a covariate in ...
  • northern Iran. Geoderma. 279: 141-148. ...
  • Pahlavan Rad, M.R. 2014. Mapping and Updating Soil Map Using ...
  • Multinomial Logistic Regression in Golestan Province. Phd Thesis, Gorgan University ...
  • Agricultural Sciences and Natural Resources, 114p. ...
  • Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, ...
  • Bogaert, P. 2014. Digital soil mapping using random decision tree ...
  • province. J. Water Soil Cons. 21: 6. 73-93. (In Persian) ...
  • Poggio, L., Gimona, A., and Brewer, M.J. 2013. Regional scale ...
  • and their uncertainty with a large number of satellite-derived covariates. ...
  • Roecker, S.M., Howell, D.W., Haydu-Houdeshell, C.A., and Blinn, C. 2010. ...
  • Comparison of Conventional SoilSurvey and Digital Soil Mapping Approaches. P ...
  • In: J.L. Boettinger, D.W. Howell, A.C. Moore, E.A. Hartemink and ...
  • Eds.), Digital Soil Mapping: Bridging Research, Environmental Application and Operation. ...
  • Progress in Soil Science. Springer, New York. ...
  • Schaetzl, R.J., and Anderson, S. 2005. Soils: Genesis and Geomorphology. ...
  • University Press, 833p. ...
  • Soil Survey Staff. 2014. Keys to soil Taxonomy, 12th ed. ...
  • Natural resources conservation service. ...
  • Stum, A.K., Boettinger, J.L., White, M.A., and Ramsey, R.D. 2010. ...
  • as a soil spatialpredictive model in arid Utah. P 179-189, ...
  • A.C. Moore, A. Hartemink and E.S. Kienast-Brown (Eds.), Digital SoilMapping:Bridging ...
  • Research, Environmental Application and Operation. Progress in Soil Science. Springer, ...
  • Taghizadeh-Mehrjardi, R., Minasny, B., Sarmadian, F., and Malone, B.P. 2014. ...
  • mapping of soil salinity in Ardakan region, central Iran. Geoderma. ...
  • Were, K., Bui, D.T., Disk, B., and Singl, B.R. 2015. ...
  • vector regression, artificial neural networks and random forest for predicting ...
  • carbon stocks across an afromonkane land scape. Ecological indicator. Pp: ...
  • Wilson, J.P., and Gallant, J.C. 2000. Terrain Analysis: Principles and ...
  • Wilson JP (Ed.), Digital terrain analysis. John Wiley, New York, ...
  • Xiong, X., Grunwald, S., Myers, D.B., Kim, J., Harris, W.G., ...
  • Which soil, environmental and anthropogenic covariates for soil carbon models ...
  • are needed P 335-339, In: B. Minasny, B.P. Malone and ...
  • Assessments and Beyond: Proceedings of the 5th Global Workshop on ...
  • CRC Press, Sydney. ...
  • Yokoyama, R., Shirasawa, M., and Pike, R.J. 2002. Visualizing topography ...
  • new application of image processing to digital elevation models. Photogramm. ...
  • Sens. 68: 257-266. ...
  • نمایش کامل مراجع