| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,219 |
| تعداد مقالات | 35,690 |
| تعداد مشاهده مقاله | 53,560,087 |
| تعداد دریافت فایل اصل مقاله | 92,840,496 |
نقشهبرداری رقومی pH خاک با استفاده از تصاویر ماهوارهای لندست 8 و دادههای کمکی توسط مدلهای یادگیری ماشین در حوضه آبخیز بدر، استان کردستان | ||
| مدیریت اراضی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 04 خرداد 1405 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/lmj.2026.368002.377 | ||
| نویسنده | ||
| مسلم زرینی بهادر* | ||
| بلوار شهید قدوسی مرکز تحقیقات کشاورزی و منابع طبیعی استان تهران | ||
| چکیده | ||
| pH خاک یکی از ویژگیهای مهم خاک است که معیاری از اسیدی یا قلیایی بودن خاک میباشد و عمیقاً بر دسترسی به مواد مغذی و فعالیت میکروبی تأثیر میگذارد و مستقیماً بر رشد و سلامت گیاه تأثیر دارد. محصولات مختلف در محدودههای pH خاص رشد میکنند و حفظ سطح pH بهینه تضمین میکند که مواد مغذی ضروری به راحتی در دسترس گیاهان باشند. مطالعه حاضر با هدف نقشهبرداری رقومی pH خاک با استفاده از متغیرهای کمکی محیطی و تصاویر ماهواره لندست 8 و مدلهای پیشبینی کننده و معرفی بهترین مدلها، در حوضه آبخیز بدر در جنوب شهرستان قروه انجام گرفت. برای انجام این پژوهش در مرحله اول، نقشهی ژئومرفولوژی با استفاده از نقشه زمینشناسی و بر اساس روش ژئوپدولوژی زینک در محیط سامانه اطلاعات جغرافیائی ترسیم گردید. در مرحلهی دوم، محل125 خاکرخ مطالعاتی بر اساس تکنیک ابر مکعب لاتین تعیین گردید، و pH در گل اشباع توسط دستگاه پهاشمتر اندازهگیری شد. متغیرهای کمکی شامل مشتقات مدل رقومی ارتفاع، شاخصهای سنجش از دور دریافتی از ماهواره لندست 8 و نقشه ژئوپدولوژی بودند که انتخاب متغیرهای کمکی مناسب با استفاده از روش تجزیه مؤلفههای اصلی (PCA) انجام گرفت. در مرحله سوم، مدلسازی انجام، نقشههای رقومی کلاسها و ویژگیهای خاک تهیه گردید و ارزیابی مدلها صورت گرفت. متغیرهای کمکی مهم در پیشبینی مقدار pH خاک به ترتیب اهمیت عبارتاند از: ژئومورفولوژی، سطحمبنای شبکه آبراههای، شاخص کربنات، جهت شیب، موقعیت نسبی شیب، عامل طول شیب (LS factor) و شاخص انحنا. پیشبینی pH توسط مدلهای نزدیکترین همسایه K (KNN)، تحلیل درخت تصمیم (DTA)، شبکه عصبی مصنوعی(ANN) ، جنگل تصادفی (R.F.) و رگرسیون خطی چندگانه (MLR) صورت گرفت. در میان مدلهای استفادهشده برای پیشبینی pH، با استفاده از روش اعتبارسنجی کافلد 10 مکانی، مدل رگرسیون خطی چندگانه (MLR) با ضریب تبیین 698/0 و ریشه دوم متوسط مربعات خطا 190/0 از بیشترین دقت برای پیشبینی برخوردار بود. بر اساس روش اعتبارسنجی کافلد 5 تصادفی، دقت و صحت مدل نزدیکترین همسایه بهترین عملکرد را در پیشبینی pH خاک دارا بوده است. به طور کلی، بر اساس روشهای ارزیابی کافلد 10 مکانی و کافلد 5 تصادفی، میتوان بیان داشت که روشهای ترکیبی دارای قابلیت بیشتری برای پیشبینی pH میباشند. این بدین معنی است که ترکیب نتایج پیشبینی سایر مدلها میتواند نقشههایی با دقت بالاتر را تولید کند. | ||
| کلیدواژهها | ||
| جنگل تصادفی؛ ژئومورفولوژی؛ رگرسیون خطی چندگانه؛ ارزیابی مدل | ||
| عنوان مقاله [English] | ||
| Digital mapping of soil pH using Landsat 8 satellite images and auxiliary data by machine learning models in Badr watershed, Kurdistan province | ||
| نویسندگان [English] | ||
| moslem zarinibahador | ||
| بلوار شهید قدوسی مرکز تحقیقات کشاورزی و منابع طبیعی استان تهران | ||
| چکیده [English] | ||
| Soil pH is an important soil characteristic that is a measure of soil acidity or alkalinity and profoundly affects nutrient availability and microbial activity, directly affecting plant growth and health. Different crops grow within specific pH ranges, and maintaining an optimal pH level ensures that essential nutrients are readily available to plants. The present study aimed to digitally map soil pH using environmental covariates, Landsat 8 satellite images, and predictive models, and to introduce the best models, in the Badr watershed in southern Qorveh County. To conduct this research, in the first stage, a geomorphological map was drawn using a geological map and based on the Zink geopedology method in a geographic information system environment. In the second stage, the location of 125 study maps was determined based on the Latin supercube technique, and the pH in saturated mud was measured by a pH meter. Auxiliary variables included derivatives of digital elevation model, remote sensing indices received from Landsat 8 satellite and geopedology map, and selection of appropriate auxiliary variables was done using principal component analysis (PCA) method. In the third stage, modeling was performed, digital maps of soil classes and properties were prepared and models were evaluated. Important auxiliary variables in predicting soil pH value in order of importance are: geomorphology, watershed network base level, carbonate index, slope direction, relative slope position, slope length factor (LS factor) and curvature index. pH prediction was done by K-nearest neighbor (KNN), decision tree analysis (DTA), artificial neural network (ANN), random forest (R.F.) and multiple linear regression (MLR) models. Among the models used to predict pH, using the 10-fold cross validation method, the multiple linear regression (MLR) model had the highest prediction accuracy with a coefficient of determination of 0.698 and a root mean square error of 0.190. Based on the 5-fold cross validation methods, the accuracy and precision of the nearest neighbor model performed best in predicting soil pH. In general, based on the 10-fold cross validation and 5-fold cross validation methods, it can be stated that the combined methods have a greater ability to predict pH. This means that combining the prediction results of other models can produce maps with higher accuracy. | ||
| کلیدواژهها [English] | ||
| Random Forest, Geomorphology, Multiple Linear Regression, Model evaluation | ||
|
آمار تعداد مشاهده مقاله: 226 |
||