جواد سیدمحمدی؛ بهاره دلسوز خاکی؛ فاطمه ابراهیمی میمند؛ زهرا محمد اسماعیل؛ رسول خوارزمی؛ محسن باقری بداغ آبادی
چکیده
اقلیم در کارهای کشاورزی از جایگاه مهمی برخوردار میباشد و از دو دیدگاه قابل بررسی است. 1-برای کشت یک گیاه خاص چه مکانهایی دارای اقلیم مناسب هستند و 2-یک اقلیم خاص برای کشت چه گیاهانی مناسب است. چون دیدگاه دوم کمتر مورد توجه قرار گرفته، در این پژوهش با معرفی روشی استاندارد (روش سایز)، این دیدگاه بررسی شده است. منطقه مطالعاتی در محدوده ...
بیشتر
اقلیم در کارهای کشاورزی از جایگاه مهمی برخوردار میباشد و از دو دیدگاه قابل بررسی است. 1-برای کشت یک گیاه خاص چه مکانهایی دارای اقلیم مناسب هستند و 2-یک اقلیم خاص برای کشت چه گیاهانی مناسب است. چون دیدگاه دوم کمتر مورد توجه قرار گرفته، در این پژوهش با معرفی روشی استاندارد (روش سایز)، این دیدگاه بررسی شده است. منطقه مطالعاتی در محدوده شهرستان ماکو قرار دارد. ارزیابی تناسب اقلیمی به روش عددی و با استفاده از داده‌های ایستگاه سینوپتیک ماکو برای پسته، بادام، گلابی، آلو، گیلاس و آلبالو انجام شد. یافته‌ها نشان دادند بجز پسته که دارای کلاس تناسب اقلیمی کم (S3) میباشد، گیاهان دیگر در کلاس تناسب متوسط (S2) قرار می‌گیرند ولی مقدار عددی شاخص اقلیمی برای هر محصول متفاوت است. روش معرفی شده این امکان را فراهم آورد که افزون بر شناسایی مهم‌ترین عامل‌های موثر اقلیمی برای کشت هر گیاه، محدودکننده‌ترین عامل را در دوره فنولوژی تعیین نمود. چنین یافته‌هایی نشان دادند ارتباط تنگاتنگی بین نوع محصول، دوره فنولوژی، ویژگی‌های اقلیمی و موقعیت مکانی وجود دارد. بر این اساس می‌توان با در نظر گرفتن هم زمان دوره فنولوژی گیاه و ویژگی‌های اقلیمی، مناسبترین گیاه یا گونه‌های گیاهی برای یک منطقه انتخاب شود؛ هرچند، در راستای توسعه پایدار باید سایر اجزاء سرزمین از جمله خاک و ناهمواری‌ها را هم مد نظر قرار داد. به طورکلی، رویکرد بکاررفته در این پژوهش می‌تواند به عنوان یک ابزار کارآمد، هم برای انتخاب مناسبترین گیاهان در یک اقلیم و هم انتخاب مناسبترین مکان (از نظر اقلیم) برای گیاهان مشخص، مورد استفاده قرار گیرد.
فاطمه ابراهیمی؛ حسن رمضانپور؛ نفیسه یغماییان مهابادی؛ کامران افتخاری
چکیده
در سال‌های اخیر، استفاده از روش‌های نقشه‌برداری رقومی مبتنی بر الگوریتم‌های یادگیری ماشین باهدف تهیه نقشه کلاس‌های خاک بطور گسترده‌ای توسعه یافته است. اساس این روش‌ها پیش‌بینی کلاس‌ها یا ویژگی‌های خاک به کمک مدل‌سازی روابط بین آن‌ها و متغیرهای محیطی به عنوان نمایندگان عوامل خاک‌سازی، میباشد. ماهیت نامتوازن توزیع خاک‌ها ...
بیشتر
در سال‌های اخیر، استفاده از روش‌های نقشه‌برداری رقومی مبتنی بر الگوریتم‌های یادگیری ماشین باهدف تهیه نقشه کلاس‌های خاک بطور گسترده‌ای توسعه یافته است. اساس این روش‌ها پیش‌بینی کلاس‌ها یا ویژگی‌های خاک به کمک مدل‌سازی روابط بین آن‌ها و متغیرهای محیطی به عنوان نمایندگان عوامل خاک‌سازی، میباشد. ماهیت نامتوازن توزیع خاک‌ها در طبیعت که منجر به بیش‌برازش کلاس‌های با فراوانی زیاد و کم برازش کلاس‌های با فراوانی کم و درنتیجه کاهش دقت فرآیند نقشه‌برداری خاک شده، از چالش‌های موجود در این روش میباشد. بنابراین، پژوهش حاضر باهدف ارزیابی توانایی دو الگوریتم جنگل تصادفی و ماشین‌بردار‌پشتیبان در نقشه‌برداری‌رقومی کلاس‌های فامیل خاک با توزیع نامتوازن، حاصل از 95 خاک‌رخ مطالعاتی در 4000 هکتار از اراضی زیرحوضه هنام، استان لرستان انجام گرفت. در این مطالعه موضوع عدم توازن در فراوانی کلاس‌های خاک با استفاده از 6 مجموعه داده، ازجمله مجموعه داده‌های اصلی و پنج مجموعه داده ایجادشده توسط چندین رویکرد نمونه‌گیری مجدد از داده‌های اصلی، شامل دو رویکرد طبقه‌بندی دستی و سه الگوریتم بیش‌نمونه‌گیری و کم‌نمونه‌گیری و بیش‌نمونه‌گیری اقلیت مصنوعی در محیط نرم افزار R موردبررسی قرار گرفت. نتایج نشان داد علیرغم مقایر پائین آماره‌های اعتبارسنجی، شباهت گسترش خاک‌های با فراوانی زیاد در منطقه مطالعاتی در نقشه‌های حاصل از مدل جنگل تصادفی و مجموعه داده‌های اصلی و همچنین الگوریتم بیش‌نمونه‌گیری اقلیت مصنوعی با نقشه خاک تهیه‌شده به روش مرسوم قابل‌توجه میباشد. بنابراین فراوانی کم سایر کلاس‌های خاک و در نتیجه آن عدم آموزش درست مدل‌ها برای آن‌ها را می‌توان یکی از دلایل اصلی صحت‌کلی کم مدل‌های به‌کار‌رفته دانست.
