در هنگام جستجو کلمه در قسمت عنوان میتوانید کلمات مورد جستجو را با کاراکتر (-) جدا کنید.
کاربرد نوع شرط:
- جایگاه : پژوهشی
- مجله: مدیریت دارایی و تامین مالی
- نوع مقاله: Journal Article
- کلمات کلیدی: شبکه عصبی مصنوعی,الگوریتم ژنتیک,تحلیل پوششی داده ها,شبکه عصبی فازی,پیش بینی کارایی بانک ها
- چکیده: دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی بانک های دولتی و خصوصی کشور با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک می باشد. در این پژوهش ابتدا با استفاده از مدل تحلیل پوششی داده ها و با در نظر گرفتن جمع کل دارایی ها و تعداد کل شعب به عنوان ورودی های مدل و سود و زیان خالص و مانده تسهیلات اعطایی و مطالبات به عنوان متغیرهای خروجی مدل به بررسی کارایی بانک ها در بین سال های 1386 تا 1390 پرداخته شد. در مرحله بعد، از رویکرد رگرسیون چند متغیره، شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک جهت پیش بینی کارایی بانک ها استفاده شده است. نتایج ارزیابی نشان داد که مدل شبکه عصبی فازی نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی کارایی بانک ها می باشد. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی سود و زیان خالص به عنوان ورودی که بیشترین تاثیر در کارایی بانک ها دارد، معرفی شده است
- چکیده انگلیسی: Continuous growth and development of the economics is considered as the main objectives which the firms are seeking to achieve. In doing so, the banks play key roles in the economic growth and development. Due to the increasing numbers of the public and private banks in Iran, predicting their efficiency has attracted significant attentions. This study aims at modeling and predicting the efficiency of the public and private banks by using artificial neural networks, Fuzzy neural networks and genetic algorithms. Using data envelopment analysis (DEA) and considering the total assets and total number of branches as the inputs of the model, the banksâ efficiency has been examined during a period from 2007 to 2011. The outputs of the model include the net profit or loss, the balance of granted credits and receivables. As the next step, the multivariate regression approach, artificial neural network, fuzzy neural network and genetic algorithms have been employed to predict the efficiency of the banks. The findings revealed that the fuzzy neural network is the most precise model in comparison with the other models of predicting efficiency. Based on the sensitivity analysis of the inputs by the neural networks, the net profit or loss has been known as the input with the highest impact on the banksâ efficiency.
- انتشار مقاله: 25-03-1395
- نویسندگان: رضا محبی,علی فاضل یزدی,روح الله تقی زاده مهرجردی
- مشاهده
- جایگاه : پژوهشی
- مجله: مدیریت دارایی و تامین مالی
- نوع مقاله: Journal Article
- کلمات کلیدی: شبکه عصبی مصنوعی,الگوریتم ژنتیک,تحلیل پوششی داده ها,شبکه عصبی فازی,پیش بینی کارایی بانک ها
- چکیده: دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی بانک های دولتی و خصوصی کشور با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک می باشد. در این پژوهش ابتدا با استفاده از مدل تحلیل پوششی داده ها و با در نظر گرفتن جمع کل دارایی ها و تعداد کل شعب به عنوان ورودی های مدل و سود و زیان خالص و مانده تسهیلات اعطایی و مطالبات به عنوان متغیرهای خروجی مدل به بررسی کارایی بانک ها در بین سال های 1386 تا 1390 پرداخته شد. در مرحله بعد، از رویکرد رگرسیون چند متغیره، شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک جهت پیش بینی کارایی بانک ها استفاده شده است. نتایج ارزیابی نشان داد که مدل شبکه عصبی فازی نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی کارایی بانک ها می باشد. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی سود و زیان خالص به عنوان ورودی که بیشترین تاثیر در کارایی بانک ها دارد، معرفی شده است
- چکیده انگلیسی: Continuous growth and development of the economics is considered as the main objectives which the firms are seeking to achieve. In doing so, the banks play key roles in the economic growth and development. Due to the increasing numbers of the public and private banks in Iran, predicting their efficiency has attracted significant attentions. This study aims at modeling and predicting the efficiency of the public and private banks by using artificial neural networks, Fuzzy neural networks and genetic algorithms. Using data envelopment analysis (DEA) and considering the total assets and total number of branches as the inputs of the model, the banksâ efficiency has been examined during a period from 2007 to 2011. The outputs of the model include the net profit or loss, the balance of granted credits and receivables. As the next step, the multivariate regression approach, artificial neural network, fuzzy neural network and genetic algorithms have been employed to predict the efficiency of the banks. The findings revealed that the fuzzy neural network is the most precise model in comparison with the other models of predicting efficiency. Based on the sensitivity analysis of the inputs by the neural networks, the net profit or loss has been known as the input with the highest impact on the banksâ efficiency.
- انتشار مقاله: 25-03-1395
- نویسندگان: رضا محبی,علی فاضل یزدی,روح الله تقی زاده مهرجردی
- مشاهده
- جایگاه : پژوهشی
- مجله: مدیریت دارایی و تامین مالی
- نوع مقاله: Journal Article
- کلمات کلیدی: شبکه عصبی مصنوعی,الگوریتم ژنتیک,تحلیل پوششی داده ها,شبکه عصبی فازی,پیش بینی کارایی بانک ها
- چکیده: دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی بانک های دولتی و خصوصی کشور با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک می باشد. در این پژوهش ابتدا با استفاده از مدل تحلیل پوششی داده ها و با در نظر گرفتن جمع کل دارایی ها و تعداد کل شعب به عنوان ورودی های مدل و سود و زیان خالص و مانده تسهیلات اعطایی و مطالبات به عنوان متغیرهای خروجی مدل به بررسی کارایی بانک ها در بین سال های 1386 تا 1390 پرداخته شد. در مرحله بعد، از رویکرد رگرسیون چند متغیره، شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک جهت پیش بینی کارایی بانک ها استفاده شده است. نتایج ارزیابی نشان داد که مدل شبکه عصبی فازی نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی کارایی بانک ها می باشد. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی سود و زیان خالص به عنوان ورودی که بیشترین تاثیر در کارایی بانک ها دارد، معرفی شده است
- چکیده انگلیسی: Continuous growth and development of the economics is considered as the main objectives which the firms are seeking to achieve. In doing so, the banks play key roles in the economic growth and development. Due to the increasing numbers of the public and private banks in Iran, predicting their efficiency has attracted significant attentions. This study aims at modeling and predicting the efficiency of the public and private banks by using artificial neural networks, Fuzzy neural networks and genetic algorithms. Using data envelopment analysis (DEA) and considering the total assets and total number of branches as the inputs of the model, the banksâ efficiency has been examined during a period from 2007 to 2011. The outputs of the model include the net profit or loss, the balance of granted credits and receivables. As the next step, the multivariate regression approach, artificial neural network, fuzzy neural network and genetic algorithms have been employed to predict the efficiency of the banks. The findings revealed that the fuzzy neural network is the most precise model in comparison with the other models of predicting efficiency. Based on the sensitivity analysis of the inputs by the neural networks, the net profit or loss has been known as the input with the highest impact on the banksâ efficiency.
- انتشار مقاله: 25-03-1395
- نویسندگان: رضا محبی,علی فاضل یزدی,روح الله تقی زاده مهرجردی
- مشاهده
- جایگاه : پژوهشی
- مجله: مدیریت بیابان
- نوع مقاله: Journal Article
- کلمات کلیدی: زمین آمار,آلودگی خاک,واریوگرام,طبقه بندی شیءگرا,اَبَرمکعب
- چکیده: در سال های اخیر به دلیل گسترش فعالیت های صنعتی، غلظت فلزات سنگین در محیط زیست و همچنین مواد غذایی افزایش یافته است. قدرت تجمع زیستی فلزات سنگین از دلایل خطرآفرین بودن، آن ها است. با توجه به اهمیت آلودگی عناصر سنگین پژوهش حاضر با هدف ارائه توزیع مکانی آنها در خاک و ارتباط آن با کاربری اراضی در دشت یزد-اردکان، استان یزد انجام شد. محل 201 نمونه خاک از عمق صفر تا cm 20 بر پایه روش نمونه برداری اَبَرمکعب (هایپرکیوب) تعیین و برداشت شد و غلظت کل عناصر Fe، Mn، Ni، Pb و Zn به کمک دستگاه جذب اتمی مدل Analytik Jena-novAA300 اندازه گیری شد. سپس برای تبدیل داده های نقطه ای به داده های سطحی از روش های زمی نآمار IDW, GPI, RBF, LPI, Kriging استفاده شد. نقشة کاربری اراضی دشت یزد- اردکان مربوط به سال 2016 با استفاده از روش طبقه بندی شیءگرا در 7 طبقه تولید شد. نتایج بررسی رابطه غلظت فلزات سنگین خاک با کاربری ارضی نشان داد که کاربری اراضی کشاورزی و باغ و تپه های ماسه ای با میانگین ppm 0/095 و 0/836 به ترتیب بیشترین و کمترین غلظت Fe را دارند. بیشترین میانگین غلظت Mn مربوط به کاربری اراضی مسکونی با 1/821 ppm و کمترین مربوط به اراضی صخره ای با 1/083 ppm است. مرتع فقیر و اراضی بایر با 0/302 ppm بیشترین و اراضی مسکونی با میانگین 0/219 ppm کمترین غلظت Ni را دارند. بیشترین میانگین Pb در کاربری اراضی کشاورزی و باغ و اراضی مسکونی (1/465 و 1/373 ppm به ترتیب) و کمترین میانگین در اراضی صخره ای با 0/925 ppm دیده می شود. کاربری های اراضی کشاورزی و باغ با 0/583 و اراضی مسکونی با 0/552 بیشترین میانگین غلظت Zn و کاربری اراضی صخره ای با 0/342 ppm کمترین غلظت Zn را به خود اختصاص داده اند.
- چکیده انگلیسی: In recent years, due to the expansion of industrial activities, the concentration of heavy metals in the environment as well as foods has increased. Heavy metals are dangerous because of their bioaccumulation. Regarding the importance of contamination of heavy elements of the soil, the present study aimed to provide the spatial distribution of heavy metals and its relationship with land use in the Yazd-Ardakan plain, Iran. First, 201 soil samples from depths of 0 to 20 cm were sampled using the hypercube method, and the total concentration of iron, manganese, nickel, lead, and zinc elements were determined using Analytical Jena-novAA300 atomic absorption device. Then, to convert point data to surface data, geostatistical methods of IDW, GPI, RBF, LPI, and Kriging were used. The land cover/use map of the Yazd-Ardakan plain in 2016 was mapped using an object-oriented classification method. Results of the relationship between heavy metals concentration and land cover/use showed that the agricultural lands and gardens and sand dunes with the mean of 0.950 and 0.836 ppm had the highest and lowest iron concentrations. The highest mean concentration of manganese was related to the residential land (1.821 ppm) and the lowest mean of rocky terrains (1.083 ppm), the most average for poor rangelands and bare land was (0.302 ppm), Residential areas had the lowest nickel concentration (0.192 ppm). The highest mean of lead metal in agricultural land and gardens, as well as residential areas (1.465 and 1.373 ppm, respectively) and the lowest, mean in rocky terrains (0.925 ppm). Agricultural and gardens areas, and residential lands, have the highest mean of zinc concentration (0.583 and 0.552 ppm, respectively), and the rocky terrain has the lowest zinc concentration (0.342 ppm).
- انتشار مقاله: 10-10-1397
- نویسندگان: حسن فتحی زاد,محمدعلی حکیم زاده اردکانی,روح الله تقی زاده مهرجردی,حمید سودائی زاده
- مشاهده
- جایگاه : پژوهشی
- مجله: مجله مدیریت خاک و تولید پایدار
- نوع مقاله: Journal Article
- کلمات کلیدی: داده کاوی,شهرستان کامیاران,نقشه برداری دیجیتال خاک,پهنه بندی کربن آلی خاک
- چکیده: چکیده
سابقه و هدف: کربن آلی خاک نقشی حیاتی درکنترل اقلیم و پایداری محیط زیست دارد. همچنین کربن آلی تاثیر کلیدی بر خصوصیات فیزیکو شیمیایی و بیولوژیکی خاک دارد به نحوی که از آن به عنوان شاخص سلامت خاک نام برده میشود. بههمین جهت، بررسی توزیع مکانی کربن آلی خاک از الزامات برنامهریزی مدیریت اقلیم و خاک میباشد. روشهای مرسوم برآورد کربن آلی خاک پر هزینه و زمانبر بوده و قابلیت تکرار و تعمیم به نقاط مشابه را ندارد. در سالهای اخیر با پیشرفت تکنولوژی و نیاز روز افزون بشر برای دستیابی به اطلاعات زودیافت و صرفه جویی در هزینه، از طریق دادهکاوی و به کمک تصاویر ماهوارهای و پارامترهای محیطی توپوگرافی، رقومی سازی ویژگیهای خاک از جمله کربن آلی امکانپذیر شده است. نقشه برداری رقومی خاک در واقع توسعه یک مدل عددی یا آماری از رابطه بین متغییرهای محیطی و خصوصیات خاک است که برای دادههای جغرافیایی زیادی به منظور تولید نقشه رقومی بکار میرود. سه هدف اصلی نقشه برداری رقومی خاک عبارت است از: 1) استنباط رابطه بین متغییرهای محیطی و خصوصیات خاک، 2) تولید و ارائه دادههایی که پیوستگی خاک-زمیننما را بهتر نمایش میدهند و 3) بکارگیری صریح دانش کارشناس در طراحی مدل میباش همچنین نقشه برداری رقومی با ایجاد بینشی در مورد فرآیندهای خاکسازی، باعث پیشرفت بالقوه پدولوژی و جغرافیای خاک میشود.
مواد و روشها: در این پژوهش 110 نمونه خاک بههمراه 101 پارامتر کمکی جهت پیش بینی کربن آلی خاک در شهرستان کامیاران (استان کردستان) استفاده گردید. با دو مدل رگرسیون خطی چند متغییره و شبکه عصبی مصنوعی به کمک نرم افزار JMP مدلسازی انجام شد.
یافتهها: نتایج نشان داد مقدار کربن آلی خاک در بخشهای غربی و شمال غربی منطقه مورد مطالعه بیشترین مقدار است که شامل مناطق با پوشش جنگلی و مرتعی میباشد. متغیرهای کمکی سطح پایه شبکه کانال (40%)، باند 4 (23%)، مقدار آب برگ (20%)، زبری زمین (19%)، فاصله عمودی تا شبکه کانال (18%)، شیب حوزه (18%)، شاخص تفاضل نرمال شده پوشش گیاهی (17%)، سطح حوزه (16%)، جهت شیب (16%)، ارتفاع (16%)، باند 3 (15%)، شاخص جذب انعکاسی (14%)، باند 1 (14%)، باران (13%)، باند 5 (13%)، دمای هوا (12%)، شاخص پوشش گیاهی (11%)، شاخص خیسی توپوگرافی (10%)، شاخص تفاضل پوشش گیاهی (10%) و غیره بیشترین اثر را روی مدلسازی کربن آلی خاک در مدل شبکه عصبی مصنوعی داشتهاند. مدلسازی توزیع کربن آلی خاک توسط شبکه عصبی مصنوعی (97/0 R2=) نتیجه بهتری نسبت به رگرسیون خطی چند متغییره (59/0 R2=) داشته است.
نتیجهگیری: نتایج این پژوهش نشان داد که پراکنش کربن آلی بیشتر تحت تأثیر فاکتورهای توپوگرافی، پوشش گیاهی و اقلیم میباشد. در مناطقی که به هر دلیل امکان نمونهبرداری در کل منطقه وجود ندارد، میتوان از طریق دادههای محیطی مانند پارامترهای توپوگرافی، اقلیمی و پوشش گیاهی و با روشهای نوین دادهکاوی برای تخمین کربن آلی خاک بهره گرفت.- چکیده انگلیسی: Abstract
Background and Objectives: Soil organic carbon plays a vital role in climate control and environmental sustainability. It also has a key impact on the physico-chemical and biological properties of the soil as it is considered an indicator of soil health. Therefore, investigating the spatial distribution of soil organic carbon is one of the requirements of climate and soil management planning. Traditional methods of estimating soil organic carbon are costly and time consuming and cannot be replicated and extended to similar locations. With the advancement of technology and the ever-increasing need for cost-effective information, data mining and satellite imagery and land parameters have been digitized by soil features. Digital soil mapping is the development of a numerical or statistical model of the relationship between environmental variables and soil properties that is used for large geographic data to generate a digital map. The three main goals of soil digital mapping are: 1) inferring the relationship between environmental variables and soil characteristics, 2) producing and presenting data that better demonstrate soil-geography coherence, and 3) applying expert knowledge in model design. Digital mapping also develops the potential of pedology and soil geography by creating insights into burial processes.
Materials and Methods: In this study 110 soil samples along with 101 auxiliary parameters were used to predict soil organic carbon in Kamyaran city (Kurdistan province). Multivariate linear regression models and artificial neural networks were modeled using JMP software.
Results: The results showed that soil organic carbon content was highest in the western and northwestern parts of the study area and was related to forest cover and pasture areas. On the other hand, higher altitudes have higher estimated organic carbon. Auxiliary variables of the channel network base level (40%), band 4 (23%), leaf water content (20%), vector terrain roughness (19%), vertical distance to channel network (18%), catchment slope (18%), Normalized vegetation difference index (17%), catchment area (16%), aspect (16%), dem (16%), band 3 (15%), reflectance absorption index (14%), band 1 (14) %), Rain (13%), band 5 (13%), air temperature (12%), vegetation index (11%), topographic wetness index (10%), vegetation index (10%) and so on had the greatest effect on soil organic carbon modeling, in the artificial neural network model. Modeling soil organic carbon distribution by artificial neural network (R2 = 0.97) performed better than multivariate linear regression (R2 = 0.59). Conclusion: The results of this study showed that the distribution of organic carbon is more influenced by topographic, vegetation and climate factors. In areas where sampling is not possible in the whole area for any reason, it can be used through environmental data such as topographic, climatic and vegetation parameters and with new data mining methods to estimate soil organic carbon.- انتشار مقاله: 24-03-1399
- نویسندگان: حمید محمودزاده,حمید رضا متین فر,روح الله تقی زاده مهرجردی
- مشاهده
- جایگاه : پژوهشی
- مجله: مجله مدیریت خاک و تولید پایدار
- نوع مقاله: Journal Article
- کلمات کلیدی: جنگل تصادفی,لندست,: کیفیت خاک,نقشه ژئومورفولوژی,خصوصیات سرزمین
- چکیده: سابقه و هدف: کیفیت خاک یکی از خصوصیات بسیار مهم خاک بوده که بررسی تغییرات مکانی آن، جهت مدیریت و تخریب خاک مهم میباشد. رویکرد کمی کردن کیفیت خاک با استفاده از شاخصهای کیفیت، جهت فهم بهتر اکوسیستمهای خاک به طور گستردهای بهکار برده شده است. شاخص کیفیت خاک از طریق اندازهگیری یکسری خصوصیات خاک محاسبه میشود که اندازهگیری این خصوصیات گران و زمانبر میباشد که یکی از راهها جهت این کاهش هزینه و زمان، استفاده از تکنیک نقشهبرداری رقومی خاک است که میتواند خصوصیات خاک را با استفاده از دادههای کمکی و مدلهای دادهکاوی به صورت رقومی پیشبینی کند. هدف از این تحقیق استفاده از مدل جنگل تصادفی و دادههای کمکی برای نقشهبرداری شاخص کیفیت خاک میباشد.
مواد و روشها: بر اساس نقشه ژئومورفولوژی، 17 پروفیل خاک و 105 نمونه اوگر از عمق 20-0 سانتیمتری در منطقه قروه استان کردستان (با وسعت 6500 هکتار) برداشت شد و بافت خاک، کربن آلی، ظرفیت تبادل کاتیونی، هدایت الکتریکی، اسیدیته، کربنات کلسیم معادل، ازت کل، فسفر در دسترس، شدت تنفس میکروبی، نسبت جذب سطحی سدیم (SAR)، جرم مخصوص ظاهری و درصد سنگریزه اندازهگیری و محاسبه شدند و سپس شاخص کیفیت وزنی تجمعی خاک محاسبه شد. متغیرهای محیطی در این پژوهش نقشه ژئومورفولوژی، پارامترهای سرزمین و دادههای تصویر +ETM بودند. نقشه ژئومورفولوژی بر اساس روش زینک تهیه شد. پارامترهای سرزمین ( شامل 10 پارامتر)، شاخص تعدیل شده خاک (SAVI)، شاخص روشنایی (BI) و شاخص گیاهی نرمال شده (NDVI) به ترتیب با استفاده از نرمافزار SAGA و ArcGIS10.3 محاسبه و استخراج گردید. جهت ارتباط بین شاخص کیفیت خاک و متغیرهای کمکی از مدل جنگل تصادفی استفاده شد و با استفاده از روش اعتبارسنجی دوجانبه و پارامترهای آماری شامل ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا مورد ارزیابی قرار گرفت.
یافتهها: بر اساس آنالیز واریانس مشترک (سهم هر ویژگی) جرم مخصوص ظاهری خاک، شن، ظرفیت تبادل کاتیونی و رس دارای بیشترین وزن (1/0 ≥) و سنگریزه و SAR دارای کمترین وزن (05/0 ≤) در میان ویژگیهای کیفیت خاک بودند. برای پیشبینی شاخص کیفیت خاک، متغیرهای کمکی شامل شیب، شاخص SAVI، شاخص خیسی، شاخص MrVBF، فاکتور LS، ارتفاع، شاخص NDVI و نقشه ژئومورفولوژی مهمترین بودند. نتایج این تحقیق نشان داد که مدل جنگل تصادفی با 65/0، 042/0 و 062/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا دارای دقت نسبتا مناسب برای پیشبینی شاخص کیفیت خاک بودند. شاخص کیفیت خاک در محدوه بین 65/0 -3/0 قرار داشت و میانگین مقادیر آن در واحدهای ژئومورفولوژی (مناطق مرتفع شمال، شمالغربی و شمالشرقی) با شیب زیاد و عمق کم خاک (Mo131، Mo141 و Hi231) کمترین و در واحدهای با شیب کم و عمق زیاد خاک (Pi111،Pi311، Pi322،Pi211 و Pi312) بیشترین بود که از لحاظ آماری هم این اختلافات معنیداری میباشند.
نتیجهگیری: در پژوهش حاضر از مدل جنگل تصادفی جهت بررسی تغییرات مکانی شاخص کیفیت خاک در منطقه قروه استان کردستان استفاده شد. شرایط ژئومورفولوژیک منطقه مطالعاتی بسیاری از خصوصیات خاک و متعاقبا شاخص کیفیت خاک را در منطقه تاثیر قرار داده است. مدل جنگل تصادفی برآورد نسبتا دقیقی از شاخص کیفیت خاک داشت. لذا پیشنهاد میگردد جهت نقشهبرداری خصوصیات خاک از تکنیکهای پدومتری (همچون جنگل تصادفی) و دادههای کمکی از قبیل نقشه ژئومورفولوژی، اجزاء سرزمین و تصاویر ماهوارهای استفاده شود.- چکیده انگلیسی: Background and objectives: Soil quality is one of the most important soil properties which investigation of it's changes is essential to soil management and degradation. Quantifying soil quality using soil quality index to improve understanding of soil ecosystems is have been wieldy used. The soil quality index is calculated by measuring some soil characteristics which measuring these properties is expensive and time consuming. Therefore, one of the solutions is the use of digital soil mapping technique that can digitally predict soil properties using auxiliary data and data mining models. The purpose of this research is using a random forest model and auxiliary data for mapping the soil quality index.
Materials and Methods: Based on the geomorphology map, 17 soil profiles and 105 auger samples were taken from a depth of 0-20 cm in the Ghorveh area of Kurdistan Province ( covers 6500 ha) and soil texture, organic carbon, cation exchange capacity, electrical conductivity, pH, carbonate calcium equivalent, total nitrogen, available phosphorus, microbial respiration rate, sodium adsorption ratio (SAR), bulk density, and gravel percentage were measured and calculated then the soil additive weighted index was calculated. Environmental variables in this research were map geomorphology, terrain attributes and data of ETM+ image. Geomorphology map was prepared based on zinc method. Terrain attributes (including 10 parameters), soil adjust vegetative index index (SAVI), and normalized difference vegetative index (NDVI), and brightness index (BI) were computed and extracted using SAGA and Arc GIS software, respectively. To make a relationship between soil quality index and auxiliary data, random forest (RF) model were applied and using cross validation method and statistic criteria including coefficient of determination (R2), mean error (ME) and root mean square error (RMSE) was validated.
Results and Discussion: According to the communality (share of each soil indicator), bulk density, sand, cation exchange capacity and clay had the highest weight (≥ 0.1) and gravel and SAR had the lowest weight (≤0.05) among the soil quality properties. To predict soil quality index, auxiliary variables including slope, SAVI index, wetness index, MrVBF index, LS factor, elevation, NDVI index and geomorphology map were the most important. The results of this study showed that the random forest model with 0.65, 0.042 and 0.062 for determination of coefficient (R2), mean error (ME), and root mean square root (RMSE) had a fairly suitable accuracy for prediction of soil quality index. The soil quality index was ranged between 0.3-0.65 and its mean values in geomorphologic units with low gradient and low soil depth (Mo131, Mo141 and Hi231) were the lowest and in geomorphologic units with low slope and high soil depth (Pi111, Pi311, Pi322, Pi211 and Pi312) were the highest which these differences were statistically significant.
Conclusion: In this research, a randomized forest model was used to study the spatial variation of soil quality index in Ghorveh area of Kurdistan province. The geomorphologic conditions of the study area have affected many soil characteristics and subsequently the soil quality index in the region. The soil quality index content was the lowest in highlands of north, northwest and northeast with high slope and low soil depth. The slope was the most important auxiliary variables to predict soil quality index in the region. Based on the results of statistical indices, random forest model also had relatively accurate estimation of the soil quality index. Therefore, it is suggested to map soil properties podometric techniques (such as randomized forest) and auxiliary data such as geomorphologic map, terrain attributes, and satellite images were applied.- انتشار مقاله: 18-01-1398
- نویسندگان: لیلا رسولی,کمال نبی اللهی,روح الله تقی زاده
- مشاهده
- جایگاه : پژوهشی
- مجله: مجله مدیریت خاک و تولید پایدار
- نوع مقاله: Journal Article
- کلمات کلیدی: نقشهبرداری رقومی خاک,روش مربعات لاتین,عوامل خاکسازی
- چکیده: سابقه و هدف: در ایران بیشتر نقشههای خاکی که طی شش دهه گذشته با روش سنتی تهیه شدهاند، بهدلیل نیاز به هزینه و زمان زیاد به روز نشدهاند. در سالهای اخیر روش نقشهبرداری رقومی خاک با هدف تهیه نقشههای دقیق بر مبنای مدلسازی کمی روابط بین کلاسها یا خصوصیات خاک و دادههای کمکی ارزان نماینده عوامل خاکسازی بهعنوان روش جایگزین روشهای سنتی معرفی شده است. در این رابطه یک روش استفاده از مدلسازی دادههای موجود خاک در یک منطقه برای پیشبینی کلاسهای خاک در یک منطقه دیگر فاقد نقشه خاک است. این مطالعه با هدف ارزیابی تعمیمپذیری مدل جنگل تصادفی مستخرج از منطقه دهنده اطلاعات برای تهیه نقشه کلاسهای خاک در سطح زیرگروه برای منطقه گیرنده انجام شد.
مواد و روشها: دشت سعادتشهر استان فارس بهعنوان منطقه دهنده یا مرجع و دشت سیدان در مجاور آن بهعنوان منطقه گیرنده اطلاعات با توجه به شباهت متغیرهای محیطی در دو منطقه انتخاب شدند. در منطقه دهنده، موقعیت 82 پدون مشاهدهای بر اساس روش مربعات لاتین تعیین و طی مطالعه خاکشناسی مطابق سامانه ردهبندی خاک آمریکایی (2014) طبقهبندی شدند. 25 متغیر کمکی پستی و بلندی و داده-های سنجش از دور با قدرت تفکیک 30 متر در مطالعه استفاده شدند. در منطقه دهنده با کاربرد روش جنگل تصادفی برای مدلسازی روابط بین کلاسهای خاک و متغیرهای کمکی مهم، 70 درصد پدونها برای آموزش مدل و 30 درصد برای آزمون به کار رفتند. در منطقه گیرنده با کاربرد متغیرهای کمکی مشابه در مدلهای استخراج شده از منطقه دهنده (یکی با 70 درصد و دیگری با 100 درصد دادهها)، کلاسهای پیشبینی شده با نتایج طبقهبندی 27 خاکرخ مطالعه شده در این منطقه مقایسه و صحت مدلها در تعمیم دادهها مورد ارزیابی قرار گرفت. توانایی مدل در پیشبینی کلاسهای خاک در هر دو منطقه بر اساس نتایج آمارههای صحت کاربر، صحت تولید کننده، صحت کلی و ضریب کاپا مورد ارزیابی قرار گرفت.
یافتهها: نتایج نشان داد از میان تمامی عوامل محیطی استفاده شده، شیب، شاخص همواری دره با درجه تفکیک بالا، شاخص ناهمواریهای توپوگرافی، شاخص خیسی توپوگرافی و مساحت حوزه اصلاح شده بیشترین تأثیر را در پیشبینی کلاسهای خاک در سطح زیرگروه داشته-اند. دستیابی به مقادیر 72 درصد برای صحت کلی و 59/0 برای ضریب کاپا در پیشبینی کلاسهای خاک حاکی از ارتباط خوب بین داده-های مشاهدهای و پیشبینی در منطقه مرجع بود. در منطقه تعمیم، با استفاده از 70 درصد دادههای آموزشی منطقه دهنده، صحت کلی و ضریب کاپا به ترتیب 45 درصد و 27/0 و با کاربرد 100 درصد دادهها، علاوه بر پیشبینی یک کلاس بیشتر در منطقه گیرنده، صحت کلی و ضریب کاپا به ترتیب تا 52 درصد و 38/0 بهبود نشان داد. در بین زیرگروههای خاک، بهترین پیشبینی مربوط به خاک غالب تیپیک کلسی-زرپتز و تیپیک زراورتنتز و ضعیفترین آن مربوط به خاکهای مشابه کلاسهای غالب بود. علاوه بر آن نتایج گویای آن است که مدل قادر به پیشبینی کلاسهای دارای فراوانی ناچیز در هر دو منطقه گیرنده و دهنده نبود.
نتیجهگیری: این پژوهش نشان داد در مناطقی از ایران که فاقد نقشه خاک بوده یا نقشههای موجود به روز نشده است، انتقال مدلهای ساخته شده بر پایه نقشهبرداری رقومی در مناطق مشابه دارای دادههای کافی میتواند ابزاری کارآمد برای تهیه نقشه خاک در این مناطق باشد. صرفهجوئی در هزینه و زمان و دقت قابل قبول، میتواند مشوقهای اصلی استفاده از این روش توسط خاکشناسان باشد.- چکیده انگلیسی: Background and objectives: Many soil maps that produced in Iran are in medium scale related to the soil survey projects that have done over the past six decades. In many cases, soil maps have not updated due to the high cost of soil survey activities in conventional methods. A proposed solution to overcome limitations of the conventional soil survey is digital soil mapping (DSM) that extensively used for producing soil maps in many countries recently. The extrapolation method in which soil pattern rules in reference area is used for soil class prediction in other areas as a cost-effective method have been mentioned by some soil surveyors. To achieve the main advantages of extrapolation in DSM, in this research we evaluated the use of random forest model in a reference area (donor area) for producing soil taxonomic classes at subgroup level in a site out of the reference area (recipient area).
Materials and methods: In this study two neighboring areas in Fars Province in southern Iran were selected: 1) Saadat Shahr plain as donor site and, 2) Seidan plain as recipient area. Two agricultural plain have a moderately similar environmental condition such as elevation, geology, physiography, and climate and agriculture behavior. In donor area, 82 soil profiles were excavated, described and analyzed. Latin hypercube sampling (LHS) was used as a statistical method in donor area. In recipient area, 27 locations were determined on some parallel transects across the plain. All soils were classified according to USDA soil taxonomy System (2014). Random forest (RF) in R statistical software was used to predict soil classes in donor area. Then the constructed model in donor area saved and applied to the recipient area. 25 variables related to soil forming factors consist of 1) primary and secondary train attributes and 2) remote sensing indices obtained from Landsat 8 satellite, OLI sensor imagery were used in this study. All auxiliary environmental covariate layers were resampled to a 30 resolution. Producer's, users and overall accuracy and kappa index calculated according to the agreement of the field surveyed with predicted soil classes.
Results: Using RF algorithm from the 25 variables related to soil forming factors, five primary and secondary train attributes consist of slop, multiresolution index of valley bottom flatness (MRVBF), terrain ruggedness index, topographic wetness index and modified catchment area were selected as influential covariates. An overall accuracy of 72%, and a Kappa index of 0.59 in the donor area, illustrating the relatively desirable agreement between observed and predicted soil classes. For extrapolating evaluation, the result of RF model with 70% of soil samples in the donor area was compared with the output of the transported RF model using 27 observations of the validation dataset. The overall accuracy of the external validation was 45%, and the Kappa index was 0.28. Transferring the RF model constructed by all soil samples of the donor area (100%) showed a better result of soil prediction in the recipient area. The overall accuracy and the Kappa index of the external validation was 52% and 0.38, respectively. From the six soil subgroup classes, the best predicted classes were Typic Calcixerepts and Typic Xerorthents. Some classes were too sparse and the model was unable to predict them correctly.
Conclusion: The results showed that the model extrapolation in the framework of DSM could be a powerful tool for producing soil map in the area of Iran that soil maps are not available or updating the present soil maps are time and cost consuming. The low-cost and time saving method reported here, encourages soil surveyors to select model extrapolation for their survey activities.- انتشار مقاله: 02-08-1397
- نویسندگان: محمد جمشیدی,محمد امیر دلاور,روح الله تقی زاده,کلبی برانگارد
- مشاهده
- جایگاه : پژوهشی
- مجله: مجله مدیریت خاک و تولید پایدار
- نوع مقاله: Journal Article
- کلمات کلیدی: مدل رقومی ارتفاع,تصویر ماهوارهای,پدومتری
- چکیده: سابقه و هدف: شوری خاک یکی از مشکلات عمده در مناطق خشک و نیمهخشک میباشد. در این شرایط، نمکهای مسابقه و هدف: شوری خاک یکی از مشکلات عمده در مناطق خشک و نیمهخشک است. در این شرایط، نمکهای محلول در سطح خاک تجمع یافته و باعث کاهش عملکرد و حاصلخیزی خاک میشوند. شناسایی و نقشهبرداری خاکهای مبتلا به نمک میتواند به بهبود مدیریت این خاکها کمک کند. بررسی تغییرات شوری خاک به شیوههای مرسوم گران و زمانبر است . بنابراین یکی از راههای چاره جهت حل این چالش استفاده از نقشهبرداری رقومی خاک است که خصوصیات خاک با استفاده از دادههای کمکی نقشهبرداری میشوند. هدف از این تحقیق استفاده از مدلهای رگرسیون درختی و شبکه عصبی مصنوعی و دادههای کمکی برای تهیه نقشه شوری خاک میباشد.
مواد و روشها: با استفاده از روش نمونهبرداری هایپرکیوب تعداد 150 نمونه خاک از عمق 30-0 سانتیمتری خاکهای منطقه قروه استان کردستان (با وسعت 30000 هکتار) برداشت شده و هدایت الکتریکی خاک اندازهگیری شد. متغیرهای محیطی در این پژوهش اجزاء سرزمین و دادههای تصویر +ETM ماهواره لندست 8 بودند. پارامترهای سرزمین ( شامل 15 پارامتر) و شاخص شوری (SI) و شاخص گیاهی نرمال شده (NDVI) به ترتیب با استفاده از نرمافزار SAGA و ArcGIS محاسبه و استخراج گردید. جهت ایجاد ارتباط بین شوری خاک و متغیرهای کمکی از مدل رگرسیون درختی و شبکه عصبی بهره گرفته شد و با استفاده از روش اعتبارسنجی مورد ارزیابی قرار گرفت. در نهایت نقشه شوری خاک با استفاده از مدل بهتر تهیه شد.
یافتهها: برای پیشبینی شوری خاک، متغیرهای کمکی شامل شاخص شوری، شاخص خیسی، شاخص همواری دره، شاخص NDVI، باند3 و باند 7 مهمترین بودند. نتایج این تحقیق نشان داد که مدل شبکه عصبی مصنوعی (با 70/0، 036/0 و 190/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا) دارای دقت بیشتری نسبت به رگرسیون درختی برای پیشبینی شوری خاک میباشد. شوری خاک در محدوده بین 93/6 -23/0 دسیزیمنس بر متر قرار داشت و بیشترین مقادیر شوری خاک در مناطق مرکزی (اراضی پست و بایر) قرار داشت. در این مناطق مرکزی، دادههای کمکی شامل شاخص شوری، شاخص همواری دره، شاخص خیسی، باند 7 و باند 3 بیشترین مقدار و شاخص NDVI کمترین مقدار را داشتند.
نتیجهگیری: مهمترین متغیر کمکی در پیش بینی شوری خاک در منطقه شاخص شوری میباشد و وجود ارتباط قوی بین داده خاک و دادههای کمکی میتواند برروی دقت مدل اثرگذار باشد. بهطور کلی نتایج نشان داد که تکنیکهای پدومتری میتواند در گسترهای وسیع جهت نقشهبرداری رقومی خصوصیات خاکها به کار گرفته شود. پیشنهاد میگردد که جهت تهیه نقشه خصوصیات خاک از مدل شبکه عصبی مصنوعی، و دادههای کمکی همچون اجزاء سرزمین و تصاویر ماهوارهای در مطالعات آینده استفاده شود.- چکیده انگلیسی: Background and objectives: Soil salinity is one of the major problems in arid and semi-arid area. In this condition, soluble salts accumulate in the soil surface and reduce yield and soil fertility. Soils survey and mapping can help to improve these soils. The investigation of variability of soil salinity using traditional methods is expensive and time consuming. Therefore, one of the ways to solve this challenge is using digital soil mapping that soil characteristics were mapped using auxiliary data. The aim of this research is using tree regression (TR) and artificial neural network (ANN) models and auxiliary data to prepare soil salinity map.
Materials and methods: Using Hypercube soil sampling method, 100 soil samples in depths 0-30 cm of Ghorveh soils, Kurdistan Province (covers 30000 ha) were taken and soil electrical conductivity was measured. Auxiliary data in this study were terrain attributes and Landsat 8 ETM+ data. Terrain parameters (include 15 parameters) and salinity index (SI) and normalized difference vegetative index (NDVI) were computed and extracted using SAGA and ArcGIS software, respectively. To make a relationship between soil salinity and auxiliary data, TR and ANN models were applied and were validated using cross validation method. Finally, soil salinity map were made using better model.
Results: To predict soil salinity, auxiliary variables include salinity index, wetness index, index of valley bottom flatness, NDVI index, Band 3, and Band 7 were the most important. The results of the study showed that ANN model (0.70, 0.036 and 0.190, respectively for determination of coefficient, mean error, and root mean square root) has more accuracy compared to TR model to predict soil salinity. Soil salinity content ranged between 0.23 to 6.93 dSm1 and the highest content of soil salinity located in central regions (lowland and bare land). In these central regions, auxiliary data include salinity index, index of valley bottom flatness, wetness index, band 7 and band 3 had the highest values and NDVI index had the lowest values.
Conclusion: Salinity index is the most important auxiliary data to predict soil salinity of the study area. Strong link between soil data and auxiliary data can impact on the accuracy of the model. In general, the results showed that pedometrics techniques in a wide range can be used for digital mapping of soil properties. It is suggested ANN model and auxiliary data such as terrain attributes and satellite images were applied to prepare map of soil properties in future studies.- انتشار مقاله: 10-02-1396
- نویسندگان: شیرین مرادیان,کمال نبی اللهی,روح الله تقی زاده مهرجردی
- مشاهده
- جایگاه : پژوهشی
- مجله: مجله مدیریت خاک و تولید پایدار
- نوع مقاله: Journal Article
- کلمات کلیدی: پایداری خاکدانه,لغزش,شیار,خندق,تراکم آبراهه
- چکیده: سابقه و هدف: تخریب اراضی جنگلی در اثر آتش سوزی یکی از بزرگترین مشکلات زیست محیطی شمال کشور است که به طور معنی داری پوشش گیاهی و عوارض قابل مشاهده سطح خاک را تغییر داده و بنابراین بر میزان پایداری خاکدانه ها در برابر نیروهای فرساینده تأثیرگذار می باشد. با داشتن اطلاعات کامل از میزان پایداری خاکدانه ها در مقیاس خرد و نوع عوارض مرتبط با فرسایش خاک در مقیاس های کرت و حوضه آبخیز بهتر می توان در مورد خطر فرسایش در منطقه قضاوت کرد. این پژوهش با هدف بررسی تأثیر آتش سوزی بر پایداری خاکدانه ها، عوارض قابل مشاهده سطحی و ویژگی های پوشش گیاهی در مقیاس های خرد، کرت و حوضه آبخیز در بخش هایی از اراضی جنگلی واقع در شمال غرب استان گیلان انجام گرفت.
مواد و روش ها: در قطعاتی در داخل محدوده 15 ناحیه آسیب دیده در اثر آتش سوزی و 15 منطقه نسوخته مجاور آنها، در پنج واحد ژئومورفولوژی مختلف، شاخص های پایداری خاکدانه ها در مقیاس خرد و اشکال میکروتوپوگرافی فرسایش و درصد لاشبرگ در مقیاس کرت اندازه گیری شدند. همچنین برخی ویژگی های پوشش گیاهی، شاخص تراکم آبراهه ها و برخی از اشکال مورفودینامیکی فرسایش مورد بررسی قرار گرفتند.
یافته ها: نتایج آنالیز واریانس نشان داد که شاخص های پایداری خاکدانه ها، درصد لاشبرگ و شاخص تراکم آبراهه ها اختلاف معنی داری بین نقاط آتش سوزی و شاهد (داخل گروه ها) داشتند. در بین واحدهای ژئومورفولوژی (بین گروه ها) نیز تنها از نظر درصد لاشبرگ اختلاف معنی دار وجود داشت. نتایج همچنین مشخص کرد که حدود چهار تا پنج سال طول کشید تا میزان شاخص های پایداری خاکدانه ها و تراکم آبراهه ها به شرایط قبل از آتش سوزی برسد. همچنین افزایش شدت آتش سوزی از کم به زیاد و تغییر نوع آتش سوزی از سطحی به تاجی بیشترین تأثیر را بر میانگین وزنی قطر خاکدانه ها داشت. نتایج بررسی اشکال میکروتوپوگرافی فرسایش در مقیاس کرت نشان داد که برخی از آنها در نقاط آتش سوزی نسبت به شاهد دچار تغییر شده بودند. در مقیاس حوضه آبخیز نیز شیارها، لغزش های رخ داده و خندق ها بیشتر در نواحی آتش سوزی وجود داشتند. ضرایب همبستگی ایجاد شده بین ویژگی های مربوط به مقیاس های مختلف مشخص کرد که همبستگی معنی داری بین برخی ویژگی های اندازه گیری شده در مقیاس های مختلف وجود دارد.
نتیجه گیری: از شاخص های پایداری خاکدانه ها می توان در مقیاس خرد به عنوان یک معیار ارزیابی مفید در بررسی میزان قدرت شکل گیری اشکال مختلف میکروتوپوگرافی و مورفودینامیکی فرسایش خاک در مقیاس های کرت و حوضه آبخیز استفاده کرد. نتایج این بررسی می تواند در ارزیابی خطر فرسایش خاک های اراضی جنگلی و مدیریت جنگل به کار رود.- چکیده انگلیسی: Background and Objectives: Degradation of forest lands by fire is one of the major bioenvironmental problems in northern Iran that significantly changes the vegetation attributes and visible features at the soil surface and therefore, affects aggregate stability against erosive forces. The complete information from aggregate stability at the micro scale and type of features related to soil erosion at the plot and watershed scales leads to a perfect judgment about erosion risk in an area. The objective of this study was to evaluate the effect of fire on aggregate stability, surface visible features and vegetation cover at the micro, plot and watershed scales in some parts of forest lands in west northern zone of the Guilan province.
Material and Methods: In parcels separated in 15 fire-affected forests and 15 unburned forests adjacent to the fire-affected forests, in five geomorphological units, aggregate stability indices at the micro scale and microtopographic erosion features and litter percentage at the plot scale were measured. In addition, some vegetation attributes, drainage density index, and the presence of some morphodynamics features of soil erosion were evaluated at the watershed scale.
Results: The results of analysis of variance showed that all aggregate stability indices as well as litter percentage and drainage density had significant differences within subjects (within burned and unburned forests). Among studied parameters, only litter percentage showed significant differences between subjects (geomorphological units). Results also revealed that the time reversibility for aggregate stability indices and drainage density to condition before fire was about four to five years. Also, increasing the fire severity from low to high and changing of fire type from surface to canopy had the most effect on mean weight diameter of aggregates. Assessment of microtopographical erosion features at the plot scale revealed that some of them had variations in burned sites compared with the control sites. At the watershed scale, the rills, gullies and landslides were more abundant in the burned sites than the unburned sites. The correlation coefficients between measured properties related to different scales showed that there were significant correlations between some of them at the various scales.
Conclusion: The soil aggregate stability indices are very useful to evaluate the power of formation of many microtopographic and morphodynamics features of soil erosion at the plot and watershed scales. The results of this study can be used for assessment of soil erosion risk in forest lands and can be useful for management of woodlands.- انتشار مقاله: 28-02-1395
- نویسندگان: علی اکبرزاده,شجاع قربانی دشتکی,مهدی نادری خوراسگانی,جهانگرد محمدی,روح الله تقی زاده مهرجردی
- مشاهده
- جایگاه : پژوهشی
- مجله: مجله مدیریت خاک و تولید پایدار
- نوع مقاله: Journal Article
- کلمات کلیدی: رگرسیون درختی,نقشهبرداری رقومی خاک,دستگاه القاگر الکترومغناطیس
- چکیده: اولین گام در استفاده از داده¬های نقطه¬ای در چارچوب کاری اسکورپن، تبدیل آن¬ها به داده¬های پیوسته می¬باشد. برای انجام این¬کار، روش¬های مختلف زمین¬آماری وجود دارد، که در مطالعه حاضر از روش رگرسیون کریجینگ با واریوگرام محلی استفاده گردید. جهت پهنه¬بندی رقومی هدایت الکتریکی ظاهری در منطقه¬ای به وسعت 72000 هکتار واقع در اردکان، تعداد 700 قرائت در حالت افق و عمودی توسط دستگاه القاگر الکترومغناطیس انجام گرفت. متغیرهای محیطی یا نمایندگان فاکتورهای خاک¬سازی که در این مطالعه استفاده شدند عبارت است از اجزاء سرزمین (استخراج شده از مدل رقومی ارتفاع)، داده¬های تصویر +ETM ماهواره لندست و نقشه سطوح ژئومورفولوژی. در ابتدا، رابطه بین متغیرهای مستقل (داده¬های کمکی) و متغیر وابسته (هدایت الکتریکی ظاهری) بوسیله رگرسیون درختی محاسبه شد. سپس مقادیر باقی¬مانده حاصل از این معادله توسط مدل کریجینگ با واریوگرام محلی به نقشه تبدیل گردید. در نهایت با تجمیع نقشه¬های باقیمانه¬ها و هدایت الکتریکی ظاهری مستخرج از رگرسیون درختی، نقشه پیوسته پارامترهای مورد نظر بدست آمد. نتایج نشان داد که در پیش¬بینی هدایت الکتریکی ظاهری، پارامترهای کمکی از جمله شاخص خیسی، سطوح ژئومورفولوژی و مولفه اول تصویر ماهواره¬ای، دارای اهمیت بیشتری می¬باشند. همچنین نتایج، کارائی بالای مدل رگرسیون کریجینگ با واریوگرام محلی را تایید می¬نماید به¬طوری¬که برای هدایت الکتریکی ظاهری در حالت عمودی مقدار ضریب تبیین 49/0، ریشه مربعات 74/37 و میانگین خطا 07/1- بدست آمد، که این نتایج در مطالعات نقشه¬برداری رقومی خاک قابل قبول می¬باشد. لذا پیشنهاد می¬شود که جهت تهیه نقشه رقومی خصوصیات خاک از مدل¬های رگرسیون کریجینگ با واریوگرام محلی در مطالعات آینده استفاده شود.
- چکیده انگلیسی: Abstract: Converting point data to continuous one is the first step in order to use them in scorpan flowchart. For this purpose, different geostatistic methods are available which at present research regression kriging with local variogram was applied. For mapping apparent electrical conductivity at the area covering 72000ha located in Ardakan region, 700 readings in horizontal and vertical modes carried out by electromagnetic induction. Auxiliary data used in this study to represent predictive soil forming factors were terrain attributes, Landsat 7 ETM+ data and a geomorphologic surfaces map. At first, the relationship between independent variables (i.e. auxiliary data) and dependent variable (i.e. apparent electrical conductivity) was calculated by regression tree. Then, the residuals, derived from regression tree, were mapped by using kriging with local variogram. Finally, the residual and ECa maps were aggregated in order to produce the final maps. Results showed some auxiliary variables had more influence on predictive apparent electrical conductivity model which included: wetness index, geomorphology map and the first principal component analysis. Results also confirmed that regression kriging with local variogram had high performance; however, determination of coefficient, root mean square error and mean error calculated for model in vertical mode were 0.49, 37.74 and -1/07, respectively. These results are acceptable in digital soil mapping studies and hence, it is suggested using of regression kriging with local variogram for spatial prediction of soil properties in future studies.
- انتشار مقاله: 27-06-1392
- نویسندگان: روح الله تقی زاده,فریدون سرمدیان,محمد جواد روستا,محمد حسن رحیمیان,محمود امید,نورایر تومانیان
- مشاهده