نقشه برداري رقومي بافت خاك با استفاده از رگرسيون درختي و شبكه عصبي مصنوعي در منطقه بيجار كردستان

آب و خاک  

دوره 28 - شماره 5

نوع مقاله: Original Article
چكيده: در مطالعه حاضر جهت پهنه بندي رقومي كلاس هاي بافتي خاك در منطقه بيجار كردستان، ۱۰۳ پروفيل حفر، تشريح و از افق هاي سطحي A نمونه برداري شد. متغيرهاي محيطي يا فاكتورهاي خاك سازي كه در اين پژوهش استفاده شد شامل اجزاء سرزمين، داده هاي تصوير +ETM ماهواره لندست و نقشه سطوح ژئومورفولوژي مي باشد. همچنين، جهت ارتباط دادن بين داده هاي خاك (رس، شن و سيلت) و متغيرهاي كمكي از مدل هاي شبكه عصبي مصنوعي و رگرسيون درختي بهره گرفته شد. نتايج اين تحقيق نشان داد كه مدل رگرسيون درختي داراي دقت بيشتري نسبت به شبكه عصبي مصنوعي به منظور پيش بيني هر سه پارامتر رس، شن و سيلت مي باشد. براي جزء رس، مدل رگرسيون درختي و شبكه عصبي مصنوعي داراي ضريب تبيين و ميانگين ريشه مربعات خطا 0.46، 0.81 و17.10، 12.50 براساس داده هاي آزمون (۲۰درصد) مي باشد. نتايج نشان داد كه براي پيش بيني رس، شن و سيلت پارامترهاي سطوح ژئومورفولوژي، شاخص خيسي، شاخص همواري دره با درجه تفكيك بالا، ارتفاع، طول شيب و باند ۳ مهم‌ترين بوده اند. در كل نتايج نشان داد كه مدل هاي درختي داراي دقت بالاتري نسبت به روش شبكه عصبي مصنوعي بوده و همچنين تفسير نتايج مدل درختي بسيار راحت تر مي باشد. لذا پيشنهاد مي شود كه جهت تهيه نقشه رقومي خاك از مدل هاي درختي در مطالعات آينده استفاده شود.
Digital Mapping of Soil Texture Using Regression Tree and Artificial Neural Network in Bijar, Kurdistan
Article Type: Original Article
Abstract: Soil texture is an important soil physical property that governs most physical, chemical, biological, and hydrological processes in soils. Detailed information on soil texture variability is crucial for proper crop and land management and environmental studies. Therefore, at present research, 103 soil profiles were dogged and then sampled in order to prepare digital map of soil texture in Bijar, Kurdistan. Auxiliary data used in this study to represent predictive soil forming factors were terrain attributes, Landsat 7 ETM+ data and a geomorphologic surfaces map. To make a relationship between the soil data set (i.e. Clay, sand and silt) and auxiliary data, regression tree (RT) and artificial neural network (ANN) were applied. Results showed that the RT had the higher accuracy than ANN for spatial prediction of three parameters. For the clay fraction, determination of coefficient (R2) and root mean square root (RMSE) calculated for two models were 0.46, 0.81 and 17.10, 12.50, based on validation data set (20%). Our results showed some auxiliary variables had more influence on predictive soil class model which included: geomorphology map, wetness index, multi-resolution index of valley bottom flatness, elevation, slope length, and B3. In general, results showed that decision tree models had higher accuracy than ANN models and also their results are more convenient for interpretation. Therefore, it is suggested using of decision tree models for spatial prediction of soil properties in future studies.
قیمت : 20,000 ريال