فهرست مطالب mehrnaz neyestani
-
در نقشه برداری رقومی، قوانین حاکم در بیان ویژگی ها و انواع خاک ها را می توان با استفاده از تعیین روابط خصوصیت تحت مطالعه-متغیرهای پیش بینی کننده محیطی و روش های مدلسازی کمی و عددی، استخراج نمود. در نتیجه، قوانین ایجاد شده از این روابط، قابل بسط و برازش به موقعیت های با شرایط مشابه می باشند که از آن تحت عنوان برون یابی یاد می شود. در مطالعه حاضر، دستیابی به نقشه رقومی خاک در منطقه ای که فاقد هرگونه اطلاعات خاک است (منطقه پذیرنده)، برون یابی با به کارگیری مدل جنگل تصادفی از منطقه دارای اطلاعات خاک (منطقه مرجع یا دهنده) مورد بررسی قرار گرفت. منطقه فاریاب شهرستان کهنوج به عنوان منطقه مرجع و منطقه کهنوج به عنوان منطقه پذیرنده انتخاب گردید. تشابه فاکتورهای خاکسازی دو منطقه مرجع و پذیرنده با استفاده از شاخص های تشابه اقلیمی، پستی و بلندی، زمین شناسی و شکل زمین بررسی گردید. در گام نخست، مدل جنگل تصادفی به منظور تعیین ارتباط کلاس های خاک با متغیرهای محیطی در منطقه مرجع استفاده گردید. نتایج حاصل از برازش این مدل در منطقه مرجع دقت کلی 88% و کاپا 77/0 را نشان می دهد. با توجه به عملکرد مناسب مدل در منطقه مرجع و شباهت دو منطقه، امکان استفاده از رابطه کلاس های خاک و متغیرهای محیطی استخراج شده در منطقه پذیرنده وجود دارد. نتایج حاصل از برون یابی دقت کلی 81% و کاپا 61/0 را در تخمین کلاس های خاک منطقه پذیرنده نشان می دهد. در نتیجه دستیابی به نقشه کلاس خاک منطقه پذیرنده با صرف هزینه و زمان به مراتب کم تری بوده است، لذا می توان برون یابی را به عنوان روشی کارآمد در تخمین و پیش بینی کلاس خاک در مناطق فاقد اطلاعات معرفی کرد.کلید واژگان: نقشه برداری رقومی, منطقه مرجع, منطقه پذیرنده, برون یابی, مدل جنگل تصادفی, کلاس خاک}In digital soil mapping, soil characteristic and classes could be extracted truly by numerical and quantitative modelling. Hence, derived rules could be fitted to similar regions for achieving ruled relations on areas without soil information which is called as extrapolation. In the present study, achieving digital soil class map of an area without adequate soil information by Random forest was tested by extrapolation at great group level. The results show overall accuracy 88% and kappa 0.77 of donor area which is able to fit over its similar region. Results of extrapolation show overall accuracy 81% and kappa 0.61 of recipient area which could show logical concordance to produce soil class map of recipient area without applying related soil samples of this area in short time and low cost. Since, extrapolation could be as an efficient way to predict soil classes of unknown areas.Keywords: digital soil mapping, Donor area, Recipient area, Extrapolation, Random forest, Soil class}
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.