مقایسه روش های درخت تصمیم و شبکه عصبی در پیش بینی شوری خاک در غرب دریاچه ارومیه
عنوان مقاله: مقایسه روش های درخت تصمیم و شبکه عصبی در پیش بینی شوری خاک در غرب دریاچه ارومیه
شناسه ملی مقاله: JR_DRNL-1-1_008
منتشر شده در در سال 1399
شناسه ملی مقاله: JR_DRNL-1-1_008
منتشر شده در در سال 1399
مشخصات نویسندگان مقاله:
زهرا احمدی - in Soil Science, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
آیدا عباسی - Department of Soil Science and Engineering, University of Mohaghegh Ardabili, Ardabil, Iran
محمود شهابی - of Soil Science, University of Tabriz
عبدالحسین بوعلی - in Desert Management and Control, University of Agriculture and Natural Recourses Sciences of Gorgan, Gorgan, Iran
خلاصه مقاله:
زهرا احمدی - in Soil Science, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
آیدا عباسی - Department of Soil Science and Engineering, University of Mohaghegh Ardabili, Ardabil, Iran
محمود شهابی - of Soil Science, University of Tabriz
عبدالحسین بوعلی - in Desert Management and Control, University of Agriculture and Natural Recourses Sciences of Gorgan, Gorgan, Iran
شور شدن خاک یکی از مهمترین پدیده های تخریب خاک در مناطق خشک و نیمه خشک است. در سالهای اخیر از روش های غیرمستقیم برای برآورد شوری خاک استفاده می شود. بدین منظور ۱۰۰ نمونه از عمق ۳۰-۰ سانتیمتری اطراف دریاچه ارومیه برداشته و آزمایش شد و شوری خاک با استفاده از شاخص های تصویر ماهواره لندست ۸ و مدل رقومی ارتفاع برآورد شد. به منظور مدلسازی شوری خاک از مدلهای درخت تصمیم و شبکه عصبی مصنوعی استفاده شد. براین اساس داده ها به دو سری آموزشی (۸۰%) و ارزیابی (۲۰%) تقسیم شد. نتایج ارزیابی مدلها بر اساس شاخص های ریشه ی مربعات خطا، میانگین خطا و ضریب تبیین نشان داد که مدل درخت تصمیم دارای بالاترین دقت در پیش بینی ویژگی های خاک است. نتایج ضریب کاپا و صحت کلی حاصل از دو مدل نشان داد که مدل درخت تصمیم با دارا بودن درصد ضریب کاپا (۵۶/۵۶) و صحت کلی (۴۶/۷۳) میزان توافق بیشتری با شوری خاک منطقه داشته است. به طور کلی براساس نتایج بدست آمده نشان داده شد که برای پیش بینی کلاس شوری خاک شاخصهای CRSI و NDSI مهمترین پارامترها هستند و بیشترین همبستگی را با داده های زمینی دارند. لذا پیشنهاد می شود در مطالعات آینده برای تهیه نقشه رقومی شوری خاک از مدلهای درختی و شاخص های CRSI و NDSI استفاده شود.
کلمات کلیدی: Artificial neural network, Decision tree, Modeling, Soil Salinity g, درخت تصمیم, شوری خاک, شبکه عصبی مصنوعی, مدل سازی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1397740/