فرزانه پارسایی؛ احمد فرخیان فیروزی؛ مسعود داوری؛ روح الله تقی زاده مهرجردی
چکیده
هدایت هیدرولیکی اشباع خاک سطحی (Ks) بهعنوان یکی از مهم‌ترین ویژگی‌های فیزیکی خاک، نقشی کلیدی در توزیع آب و مواد مغذی در محیط خاک ایفا می‌کند و در مدیریت منابع آب و خاک اهمیت ویژه‌ای دارد. این پژوهش با هدف مدلسازی رقومی هدایت هیدرولیکی اشباع خاک سطحی با استفاده از رویکردهای یادگیری ماشین در حوزه آبخیز کیلانه واقع در استان کردستان ...
بیشتر
هدایت هیدرولیکی اشباع خاک سطحی (Ks) بهعنوان یکی از مهم‌ترین ویژگی‌های فیزیکی خاک، نقشی کلیدی در توزیع آب و مواد مغذی در محیط خاک ایفا می‌کند و در مدیریت منابع آب و خاک اهمیت ویژه‌ای دارد. این پژوهش با هدف مدلسازی رقومی هدایت هیدرولیکی اشباع خاک سطحی با استفاده از رویکردهای یادگیری ماشین در حوزه آبخیز کیلانه واقع در استان کردستان با مساحت 12 هزار هکتار انجام شد. سه الگوریتم یادگیری ماشین شامل: درخت تصمیم تقویت شده با گرادیان (XGBoost)، جنگل تصادفی (RF) و مدل نزدیکترین -k همسایگی (k-NN) با بهره‌گیری از تعدادی متغیرهای محیطی از مدل رقومی ارتفاع و تصاویر ماهواره سنتینل-2 شامل فاصله از کانال آبراهه، عمق دره، موقعیت نسبی شیب، سطح پایه کانال آبراهه، شاخص روشنایی، شاخص اثر باد، شاخص نرمال شده تفاوت پوشش گیاهی، باند 12، شاخص سبزینگی، انحنای سطح و پارامترهای خاک شامل ماده آلی، آهک، جرم مخصوص ظاهری، میانگین هندسی قطر ذرات، بافت خاک و دادههای طیف سنجی نزدیک خاک در طول موج 2450-400 نانومتر به عنوان نمایندگان عوامل خاکسازی برای مدلسازی Ks مورد استفاده قرار گرفتند. نتایج نشان داد که مدل XGBoost برای پیشبینی Ks با R2 برابر 65/0 و nRMSE برابر 25/0 نسبت به سایر مدلها دارای صحت بالاتری بودند. دادههای طیفی، متغیرهای توپوگرافی و پارامترهای خاک، بهعنوان ورودی مدل، نقش مهمی در پیشبینی تغییرپذیری مکانی Ks داشتند و مدل XGBoost با استفاده از این دادهها توانست پیشبینی دقیقی ارائه دهد. نتایج نشان داد که Ks تحت تأثیر متغیرهای توپوگرافی، فیزیکی و طیفی قرار دارد؛ ماده آلی، بافت خاک و شاخص‌های توپوگرافی مانند شیب و موقعیت نسبی بیشترین تأثیر را داشتند. نقشه‌های تولیدشده از این رویکرد تغییرپذیری مکانی می‌توانند در مدیریت منابع آب و خاک و مدلهای هیدرولوژیکی مورد استفاده قرار گیرند.
فرزانه پارسایی؛ احمد فرخیان فیروزی؛ مسعود داوری؛ روح الله تقی زاده مهرجردی
چکیده
ویژگی‌های مکانیکی خاک، مانند مقاومت برشی و مقاومت فروروی، نقش مهمی در افزایش سطح تولید محصولات کشاورزی و مدیریت منابع خاک دارند. هدف از این پژوهش تهیه نقشه رقومی مقاومت برشی و فروروی خاک با استفاده از درخت تصمیم تقویت شده با گرادیان (XGBoost)، جنگل تصادفی (RF) و مدل نزدیکترین -k همسایگی (k-NN) در حوزه آبخیز کیلانه واقع در استان کردستان با مساحت ...
بیشتر
ویژگی‌های مکانیکی خاک، مانند مقاومت برشی و مقاومت فروروی، نقش مهمی در افزایش سطح تولید محصولات کشاورزی و مدیریت منابع خاک دارند. هدف از این پژوهش تهیه نقشه رقومی مقاومت برشی و فروروی خاک با استفاده از درخت تصمیم تقویت شده با گرادیان (XGBoost)، جنگل تصادفی (RF) و مدل نزدیکترین -k همسایگی (k-NN) در حوزه آبخیز کیلانه واقع در استان کردستان با مساحت 12 هزار هکتار بود. مقاومت فروروی و برشی با دستگاه‌های نفوذسنج دستی و برش‌پره‌ای در 150 نقطه مشاهداتی لایه سطحی (0 تا 10 سانتی‌متری) خاک اندازه‌گیری شد. دادههای طیفی و متغیرهای کمکی مستخرج از مدل رقومی ارتفاع و تصاویر ماهواره سنتینل-2 شاملCHND،VD ، RSP ، CHNBL، Brightness، WE، NDVI، Band12، Greenness، PLC و ویژگی های خاک شامل ماده آلی، آهک، جرم مخصوص ظاهری، میانگین هندسی قطر خاکدانه‌ها، اجزاء بافت خاک (درصد رس، شن، سیلت) و دادههای طیف سنجی نزدیک خاک (LT) به عنوان نمایندگان عوامل خاکسازی برای برآورد مقاومت برشی و فروروی خاک استفاده شد. نتایج نشان داد که مدل XGBoost برای پیشبینی مقاومت برشی خاک در لایه سطحی با R2 برابر 61/0، nRMSE برابر 16/0 و مقاومت فروروی خاک در لایه سطحی با R2 برابر 60/0، nRMSE برابر 11/0 نسبت به سایر مدلها دارای دقت بیشتری بودند. به طور کلی مدل XGBoost با استفاده از دادههای طیفی به همراه متغیرهای توپوگرافی و پارامترهای خاک توانستند تغییرپذیری مکانی ویژگی‌های مکانیکی خاک را با صحت قابل قبول در منطقه مورد مطالعه برآورد نمایند. نقشه‌های تهیه شده در این پژوهش می‌توانند بهعنوان الگویی کاربردی در تهیه نقشه‌های مدیریت پذیر خاک‌ها در مطالعات خاکشناسی کشور مورد استفاده قرار گیرند.
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.
زهرا براتی؛ ابراهیم امیدوار؛ عطااله شیرزادی
چکیده
تهیۀ نقشۀ حساسیتپذیری زمینلغزش بهعنوان اولین گام مهم در ارزیابی خطر زمینلغزش محسوب میشود. هدف اصلی این پژوهش مقایسۀ عملکرد الگوریتم یادگیری ماشین مدل لجستیک درختی (LMT) با مدل آماری رگرسیون لجستیک (LR) بهمنظور مدلسازی حساسیتپذیری زمینلغزش در حوضۀ سرخون استان چهارمحال و بختیاری است. بدینمنظور ابتدا نقشۀ پراکنش ...
بیشتر
تهیۀ نقشۀ حساسیتپذیری زمینلغزش بهعنوان اولین گام مهم در ارزیابی خطر زمینلغزش محسوب میشود. هدف اصلی این پژوهش مقایسۀ عملکرد الگوریتم یادگیری ماشین مدل لجستیک درختی (LMT) با مدل آماری رگرسیون لجستیک (LR) بهمنظور مدلسازی حساسیتپذیری زمینلغزش در حوضۀ سرخون استان چهارمحال و بختیاری است. بدینمنظور ابتدا نقشۀ پراکنش با تعداد 98 موقعیت زمینلغزش با استفاده از دادههای عملیات میدانی و همچنین دادههای تاریخی ثبت شده، تهیه شد. علاوه بر این، برای تکمیل پایگاه دادهها، 100 موقعیت غیرزمینلغزشی نیز شناسایی شدند. نقاط زمینلغزشی و غیرزمینلغزشی به صورت تصادفی به دو دسته دادۀ مدلسازی و اعتبارسنجی تقسیم شدند. سپس بیست عامل مؤثر با توجه به مرور منابع و خصوصیات زمینمحیطی حوضه شناسایی شدند. در ادامه، مدلهای LMT و LR برای شناسایی تأثیر عوامل مؤثر روی وقوع زمینلغزش و همچنین ارزیابی حساسیتپذیری زمینلغزشها، بهوسیلۀ دادههای مرحلۀ آموزش بهکار گرفته شدند. در نهایت، عملکرد این دو مدل از طریق سطح زیر منحنی عامل گیرنده (AUC) مورد بررسی قرار گرفت. نتایج اعتبارسنجی مدلها حاکی از آن بود که مدل LR با AUC برابر با 797/0 عملکرد مناسبتری نسبت به مدل LMT (740/0 = AUC) از خود نشان داده، هر چند که هر دو مدل ابزارهای مفیدی برای پیشبینی مکانی حساسیتپذیری زمینلغزش هستند. بنابراین مدل LR میتواند بهعنوان یک ابزار جایگزین برای مدیریت بهتر مناطق تحت تأثیر زمینلغزش در منطقۀ مورد مطالعه پیشنهاد شود.
