نوع مقاله : مقاله پژوهشی
نویسندگان
1 گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران.
2 گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران
3 گروه علوم زمین، علوم خاک و ژئومرفولوژی، دانشگاه توبینگن، توبینگن، آلمان.
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 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.
کلیدواژهها
عنوان مقاله [English]
Digital Mapping of Soil Penetration Resistance and Shear Strength using Machine Learning Algorithms in the Kilane Watershed, Kurdistan Province
نویسندگان [English]
- Farzaneh Parsaie 1
- Ahmad Farrokhian Firouzi 1
- Masoud Davari 2
- Ruhollah Taghizadeh-Mehrjardi 3
1 Department of Soil Science and Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
2 3. Department of Soil Science, Faculty of Agriculture, University of Kurdistan, Sanandaj, Iran
3 4. Department of Geosciences, Soil Science and Geomorphology, University of Tübingen, Tübingen, Germany.
چکیده [English]
Mechanical properties of soil, such as shear strength and penetration resistance, play a crucial role in optimizing crop productivity and proper soil management. The objective of the research was to produce digital map of soil shear strength and penetration resistance in Kielaneh watershed, located in Kurdistan Province, covering an area of 12,000 hectares using Gradient Boosted Decision Trees (XGBoost), Random Forest (RF), and k-Nearest Neighbors (KNN). Soil penetration resistance and shear strength were measured using handheld penetrometers and vane shear devices at 150 observation points from the surface soil layer (0 to 10 centimeters). Spectral data and auxiliary variables derived from the Digital Elevation Model and Sentinel-2 satellite images were used to predict soil shear strength and penetration resistance. These variables include CHND, VD, RSP, CHNBL, Brightness, WE, NDVI, Band12, Greenness, PLC, as well as soil parameters such as organic matter, calcium carbonate, bulk density, geometric mean particle size, soil texture (percentages of clay, sand, silt), and visible near-infrared spectral data as latent variable (LT), representing soil formation factors. The results showed that the XGBoost had higher accuracy compared to other models for predicting shear strength in surface soil layer with an (R2) of 0.61 and an nRMSE of 0.16, as well as for predicting penetration resistance in the surface soil layer with an (R2) of 0.60 and an nRMSE of 0.11. In conclusion, the XGBoost model, using spectral data along with topographic variables and soil parameters, was able to estimate the spatial variability of soil mechanical properties with acceptable accuracy in the study area. The generated maps can be used to make necessary management decisions regarding of the region.
کلیدواژهها [English]
- Digital Modeling
- Environmental Variables
- Machine Learning
- Spatial Variability