دانشگاه علوم کشاورزی و منابع طبیعی گرگان

 آمار

تعداد نشریات13
تعداد شماره‌ها661
تعداد مقالات6,889
تعداد مشاهده مقاله10,091,828
تعداد دریافت فایل اصل مقاله9,357,936
میرک زهی, خلیل اله, شهریاری, علی, پهلوان راد, محمدرضا, بامری, ابوالفضل. (1396). کاربرد روش درختان تصمیم‌گیری تصادفی در پیش‌بینی کلاس‌های خاک در اراضی با پستی و بلندی کم ( مطالعه موردی: شهرستان هیرمند). , 24(1), 67-84. doi: 10.22069/jwfst.2017.12396.2700
خلیل اله میرک زهی; علی شهریاری; محمدرضا پهلوان راد; ابوالفضل بامری. "کاربرد روش درختان تصمیم‌گیری تصادفی در پیش‌بینی کلاس‌های خاک در اراضی با پستی و بلندی کم ( مطالعه موردی: شهرستان هیرمند)". , 24, 1, 1396, 67-84. doi: 10.22069/jwfst.2017.12396.2700
میرک زهی, خلیل اله, شهریاری, علی, پهلوان راد, محمدرضا, بامری, ابوالفضل. (1396). 'کاربرد روش درختان تصمیم‌گیری تصادفی در پیش‌بینی کلاس‌های خاک در اراضی با پستی و بلندی کم ( مطالعه موردی: شهرستان هیرمند)', , 24(1), pp. 67-84. doi: 10.22069/jwfst.2017.12396.2700
میرک زهی, خلیل اله, شهریاری, علی, پهلوان راد, محمدرضا, بامری, ابوالفضل. کاربرد روش درختان تصمیم‌گیری تصادفی در پیش‌بینی کلاس‌های خاک در اراضی با پستی و بلندی کم ( مطالعه موردی: شهرستان هیرمند). , 1396; 24(1): 67-84. doi: 10.22069/jwfst.2017.12396.2700

کاربرد روش درختان تصمیم‌گیری تصادفی در پیش‌بینی کلاس‌های خاک در اراضی با پستی و بلندی کم ( مطالعه موردی: شهرستان هیرمند)

مجله پژوهش‌های حفاظت آب و خاک
مقاله 4، دوره 24، شماره 1، فروردین 1396، صفحه 67-84    اصل مقاله (1.64 M)
نوع مقاله: مقاله کامل علمی پژوهشی
شناسه دیجیتال (DOI): 10.22069/jwfst.2017.12396.2700
نویسندگان
خلیل اله میرک زهی1؛ علی شهریاری* 2؛ محمدرضا پهلوان راد3؛ ابوالفضل بامری1
1گروه علوم و مهندسی خاک، دانشگاه زابل، زابل، ایران
2گروه علوم خاک، دانشگاه زابل
3بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی سیستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، زابل، ایران
چکیده
سابقه و هدف: شناسایی و نقشه برداری خاک، به عنوان روشی برای تعیین الگوی پراکنش خاک، توصیف و نمایش آن به شکل قابل فهم و تفسیر برای کاربران مختلف، پایه و اساس اطلاعات خاک برای مدل سازی های محیطی می باشد. نقشه‌برداری رقومی خاک شامل ایجاد ارتباط بین کلاس‌ها یا خصوصیات خاک با فاکتورها‌ی محیطی دخیل در تشکیل و تکامل خاک با استفاده از مدل‌ها‌ی ریاضی است که می‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌تواند نقشه‌ها‌‌‌ی خاک دقیق‌تر و یکدست‌تر در زمان کمتر با ارائه میزان دقت و صحت ایجاد نماید و باعث کاهش هزینه‌های پروژه‌های شناسایی و تهیه نقشه‌های خاک گردد. این پژوهش جهت تهیه نقشه کلاس‌‌ها‌‌‌ی گروه‌های بزرگ و زیرگروه‌های خاک با استفاده از تکنیک درختان تصمیم گیری تصادفی در اراضی شهرستان هیرمند در دشت سیستان انجام گرفت.
مواد و روش‌ها: در این مطالعه 108 پروفیل خاک در سطحی حدود 60000 هکتار از اراضی شهرستان هیرمند حفر گردید. 16متغیر محیطی شامل خصوصیات زمین، شاخص شوری و شاخص پوشش گیاهی به عنوان تخمین‌گر برای تهیه نقشه خاک، مورد استفاده قرار گرفته شدند. پس از تعیین گروه‌های بزرگ و زیرگروه‌های خاک، نقشه کلاس‌‌ها‌‌‌ی خاک با استفاده از روش درختان تصمیم گیری تصادفی (RF) تهیه شد. شایان ذکر است که 80 درصد داده در آموزش مدل و 20 درصد برای اعتبارسنجی مستقل استفاده شدند
یافته‌ها: نتایج مطالعات خاکشناسی نشان داده که خاک‌های تشکیل شده در دشت سیستان تکامل زیادی نداشتند و عمدتا در رده‌های انتی‌سول و اریدی‌سول قرار دارند. بیش‌ترین تعداد خاکرخ در گروه‌های بزرگ مربوط به Torrifluvents، و بیش‌ترین تعداد خاکرخ در زیرگروه‌های بزرگ مربوط به Typic Torrifluvents بود. همچنین نتایج روش RF نشان داد که کمترین مقدار خطای تخمین نمونه‌های خارج از سبد در گروه‌های بزرگ و زیرگروه‌های خاک به ترتیب53/43 و 59/50 بود. نتایج اعتبار سنجی مستقل نشان داد که بهترین دقت بدست آمده برای گروه‌های بزرگ و زیرگروه‌های بزرگ خاک به ترتیب 48 و 53 درصد بود. بین متغیرهای مختلف محیطی عمق شیارها، شاخص همگرایی، شبکه کانال‌ها و شوری در گروه‌های بزرگ خاک و عمق شیارها، ارتفاع و سطح حوزه در زیرگروه‌های خاک دارای بیشترین اهمیت در تخمین کلاس‌های خاک بودند.
نتیجه‌گیری: نتایج نشان داد که در مناطق خشک با پستی و بلندی کم خاک‌ها عمدتا جوان هستند و همچنین در این مناطق تنوع خاک کم است. در چنین مناطقی روش نقشه‌برداری رقومی و تکنیک درختان تصمیم گیری تصادفی می‌تواند برای پیش‌بینی کلاس‌های خاک و تهیه نقشه‌های خاک بسیار مفید بوده و مورد استفاده قرار گیرد.
کلمات کلیدی: نقشه‌برداری رقومی خاک، تکنیک درختان تصمیم‌گیری تصادفی، دقت نقشه، مناطق خشک، دشت سیستان
کلیدواژه‌ها
نقشه‌برداری رقومی خاک؛ تکنیک درختان تصمیم‌گیری تصادفی؛ دقت نقشه؛ مناطق خشک؛ دشت سیستان
مراجع
ebkit-text-size-adjust: auto; -webkit-1.Al-Masrahy, M.A., and Mountney, N.P. 2015. A classification scheme for fluvial–aeolian
system interaction in desert-margin settings. Aeolian Research. 17: 67-88.
2.Barthold, F.K., Wiesmeier, M., Breuer, L., Frede, H.G., Wu, J., and Blank, F.B. 2013. Land
use and climate control the spatial distribution of soil types in the grasslands of Inner
Mongolia. J. Arid Environ. 88: 194-205.
3.Behrens, T., Förster, H., Scholten, T., Steinrücken, U., Spies, E.D., and Goldschmitt, M. 2005.
Digital soil mapping using artificial neural networks. J. Plant Nutr. Soil Sci. 168: 21-33.
4.Behrens, T., Schmidt, K., Zhu, A.X., and Scholten, T. 2010. The ConMap approach for
terrainbased digital soil mapping. Eur. J. Soil Sci. 61: 133-143.
5.Boer, M., DelBarrio, G., and Puigdefabregas, J. 1996. Mapping soil depth classes in dry
Mediterranean areas using terrain attributes derived from a digital elevationmodel.
Geoderma. 72: 99-118.
6.Breiman, L., and Cutler, A. 2004. Random Forests. Department of Statistics, University of
Berkeley. http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm.
7.Brungard, C.B., and Boettinger, J.L. 2012. Spatial prediction of biological soil crust classes;
value added DSM from soil survey. P 57-60, In: B. Minasny, B.P. Malone and A.
McBratney (Eds.), Digital Soil Assessments and Beyond Proceedings of the 5th
GlobalWorkshop on Digital Soil Mapping. CRC Press, Sydney.
8.Brungard, C.W. 2009. Alternative Sampling and Analysis Methods for Digital Soil Mapping
in Southwestern Utah. Thesis for Master of Science, Utah State University. USA.
9.Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A., and Edwards Jr., T.C. 2015.
Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma.
239-240: 68-83.
10.Buol, S.W., Southard, R.J., Graham, R.C., and McDaniel, P.A. 2011. Soil genesis and
classification. 6th edition. Iowa State Univ. Press. Ames. Iowa, 556p.
11.Campling, P., Gobin, A., and Feyen, J. 2002. Logisticmodeling to spatially predict the
probability of soil drainage classes. Soil Sci. Soc. Am. J. 66: 1390-1401.
12.Cook, S.E., Jarvis, A., and Gonzalez, J.P. 2008. A New Global Demand for Digital Soil
Information. P 31-43, In: A.E. Hartemink, A. McBratney and M.L. Mendonca-Santos (Eds.),
Digital Soil Mapping with Limited Data. Springer, Dordrecht Heidelberg London New York.
13.Grunwald, S. 2010. Current State of Digital Soil Mapping and What Is Next. P 3-12, In: J.L.
Boettinger, D.W. Howel, A.C. Moore, A.E. Hartemink and S. Kienast-Brown (Eds.), Digital
Soil Mapping: Bridging Research, Environmental Application and Operation. Springer.
Dordrecht Heidelberg London New York.
14.Hastie, T., Tibshirani, R., and Friedman, J.H. 2001. The Elements of Statistical Learning:
Data Mining, Inference and Prediction. Springer, New York.
15.Hengl, T., and Reuter, H.I. 2008. Geomorphometry. Concepts, Software, Applications.
Developments in Soil Science. Elsevier, Amsterdam.
16.Hengl, T., Toomanian, N., Reuter, H.I., and Malakouti, M.J. 2007. Methods to interpolate soil
categorical variables from profile observations: lessons from Iran. Geoderma. 140: 417-427.
17.Heung, B., Bulmer, C.E., and Schmidt, M.G. 2014. Predictive soil parent material mapping
at a regional–Scale: A random forest approach. Geoderma. 214-215: 141-154.
18.Jafari, A., Ayoubi, S., Khademi, H., Finke, P.A., and Toomanian, N. 2013. Selection of a
taxonomic level for soil mapping using diversity and map purity indices: a case study from
an Iranian arid region. Geomorphology. 201: 86-97.
19.Jafari, A., Finke, P.A., Van deWauw, J., Ayoubi, S., and Khademi, H. 2012. Spatial prediction
of USDA-great soil groups in the arid Zarand region, Iran: comparing logistic regression
approaches to predict diagnostic horizons and soil types. Eur. J. Soil Sci. 63: 284-298.
20.Jenny, H. 1941. Factors of Soil Formation: A System of Quantitative Pedology. McGrawHill, New York.
21.Lieb, M., Glaser, B., and Huwe, B. 2012. Uncertainty in the spatial prediction of soil texture
comparison of regression tree and random forest models. Geoderma. 170: 70-79.
22.Liu, J., Pattey, E., Nolin, M.C., Miller, J.R., and Ka, O. 2008. Mapping within-field soil
drainage using remote sensing, DEM and apparent soil electrical conductivity. Geoderma.
143: 261-272.
23.McBratney, A.B., Mendonça Santos, M.L., and Minasny, B. 2003. On digital soil mapping.
Geoderma. 117: 1-2. 3-52.
24.Minasny, B., McBratney, A.B., and Hartemink, A.E. 2010. Global pedodiversity, taxonomic
distance and the World Reference Base. Geoderma. 155: 132-139.
25.Moonjun, R., Farshad, A., Shrestha, D.P., and Vaiphasa, C. 2010. Artificial neural network
and decision tree in predictive soil mapping of Hoi Num Rin sub-watershed, Thailand.
P 151-164, In: J.L. Boettinger, D.W. Howell, A.C. Moore, A.E. Hartemink and S.
Kienast-Brown (Eds.), Digital Soil Mapping: Bridging Research, Environmental Application
and Operation. Springer, Dordrecht.
26.National soil survey center. 2012. Field book for describing and sampling soils, Ver. 3. U.S.
department of agriculture, Natural resources conservation service.
27.Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, C.B., and
Bogaert, P. 2014. Updating soil survey maps using random forest and conditional latin
hypercube sampling in the loess soil of northern Iran. Geoderma. 232-234: 97-106.
28.Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, C.B., and
Bogaert, P. 2016. Legacy soil maps as a covariate in digital soil mapping: A case study from
northern Iran. Geoderma. 279: 141-148.
29.Pahlavan Rad, M.R. 2014. Mapping and Updating Soil Map Using Random Forest and
Multinomial Logistic Regression in Golestan Province. Phd Thesis, Gorgan University of
Agricultural Sciences and Natural Resources, 114p.
30.Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, C.B., and
Bogaert, P. 2014. Digital soil mapping using random decision tree models in Golestan
province. J. Water Soil Cons. 21: 6. 73-93. (In Persian)
31.Poggio, L., Gimona, A., and Brewer, M.J. 2013. Regional scale mapping of soil properties
and their uncertainty with a large number of satellite-derived covariates. Geoderma.
209-210: 1–14.
32.Roecker, S.M., Howell, D.W., Haydu-Houdeshell, C.A., and Blinn, C. 2010. A Qualitative
Comparison of Conventional SoilSurvey and Digital Soil Mapping Approaches. P 369-384,
In: J.L. Boettinger, D.W. Howell, A.C. Moore, E.A. Hartemink and S. Kienast-Brown
(Eds.), Digital Soil Mapping: Bridging Research, Environmental Application and Operation.
Progress in Soil Science. Springer, New York.
33.Schaetzl, R.J., and Anderson, S. 2005. Soils: Genesis and Geomorphology. Cambridge
University Press, 833p.
34.Soil Survey Staff. 2014. Keys to soil Taxonomy, 12th ed. U.S. department of agriculture,
Natural resources conservation service.
35.Stum, A.K., Boettinger, J.L., White, M.A., and Ramsey, R.D. 2010. Random Forests applied
as a soil spatialpredictive model in arid Utah. P 179-189, In: J.L. Boettinger, D. Howell,
A.C. Moore, A. Hartemink and E.S. Kienast-Brown (Eds.), Digital SoilMapping:Bridging
Research, Environmental Application and Operation. Progress in Soil Science. Springer,
Logan, USA.
36.Taghizadeh-Mehrjardi, R., Minasny, B., Sarmadian, F., and Malone, B.P. 2014. Digital
mapping of soil salinity in Ardakan region, central Iran. Geoderma. 213: 15-28.
37.Were, K., Bui, D.T., Disk, B., and Singl, B.R. 2015. A comparative assessment of support
vector regression, artificial neural networks and random forest for predicting soil organic
carbon stocks across an afromonkane land scape. Ecological indicator. Pp: 394-403.
38.Wilson, J.P., and Gallant, J.C. 2000. Terrain Analysis: Principles and Applications. In: G.J.
Wilson JP (Ed.), Digital terrain analysis. John Wiley, New York, 478p.
39.Xiong, X., Grunwald, S., Myers, D.B., Kim, J., Harris, W.G., and Comerford, N.B. 2012.
Which soil, environmental and anthropogenic covariates for soil carbon models in Florida
are needed? P 335-339, In: B. Minasny, B.P. Malone and A. McBratney (Eds.), Digital Soil
Assessments and Beyond: Proceedings of the 5th Global Workshop on Digital SoilMapping.
CRC Press, Sydney.
40.Yokoyama, R., Shirasawa, M., and Pike, R.J. 2002. Visualizing topography by openness: a
new application of image processing to digital elevation models. Photogramm. Eng. Remote
Sens. 68: 257-266.

آمار
تعداد مشاهده مقاله: 1,283
تعداد دریافت فایل اصل مقاله: 1,121


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب