مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

732
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

733
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مدل سازی و پیش بینی مکانی کلاس خاک با استفاده از الگوریتم یادگیری رگرسیون درختی توسعه یافته و جنگل-های تصادفی در بخشی از اراضی دشت قزوین

صفحات

 صفحه شروع 2525 | صفحه پایان 2538

چکیده

 انتخاب متغیرهای کمکی مناسب در روش های یادگیرنده ماشینی جهت نقشه برداری رقومی خاک از اهمیت ویژه ای برخوردار است. طی سال های اخیر در ایران استفاده از الگوریتم های یادگیرنده در نقشه برداری رقومی و بهنگام سازی نقشه های قدیمی توسعه یافته است. پژوهش حاضر در بخشی از اراضی دشت قزوین با هدف مقایسه جنگل های تصادفی (RF) و رگرسیون درختی توسعه یافته (BRT) در پیش بینی مکانی کلاس های زیرگروه و فامیل خاک بهمراه انتخاب متغیرهای کمکی با استفاده از شاخص تورم واریانس انجام شده است. 61 خاکرخ به روش نمونه برداری تصادفی طبقه بندی شده حفر, تشریح و با تجزیه وتحلیل آزمایشگاهی تا سطح فامیل رده بندی گردید. مناسب ترین متغیر های محیطی از میان 15 متغیر ژئومورفومتری و شاخص های سنجش از دور با استفاده از فاکتور تورم واریانس انتخاب گردیدند. مدل سازی رابطه خاک – زمین نما در دو سطح زیرگروه و فامیل خاک با استفاده از دو الگوریتم یادگیرنده RF و BRT در نرم افزار RStudio بر اساس دو بسته "Randomforest" و "C5. 0" اجرا گردید. نتایج انتخاب متغیر های محیطی نشان داد که شش متغیر CHA, DEM, STH, NDVI, SI و DVI به عنوان متغیر ورودی انتخاب گردیدند. شاخص های ارزیابی مدل ها شامل صحت کلی و شاخص کاپا به ترتیب برای الگوریتم BRT, 35, 26 درصد و برای الگوریتم RF, 70, 60 درصد در سطح فامیل خاک حاصل گردید. آنالیز حساسیت برمبنای شاخص میانگین حداقل صحت نشان داد که متغیر محیطی مساحت حوزه آبخیز اصلاح شده دارای بیشترین اهمیت نسبی در میان متغیرهای انتخاب شده است. به طورکلی با استفاده از رویکردهای نوین انتخاب متغیر و الگوریتم های یادگیرنده مؤثر می توان نقشه ی پراکنش مکانی خاک ها را حتی در نواحی با پستی وبلندی کم با صحت قابل قبول تهیه نمود.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    موسوی، سیدروح اله، سرمدیان، فریدون، و رحمانی، اصغر. (1398). مدل سازی و پیش بینی مکانی کلاس خاک با استفاده از الگوریتم یادگیری رگرسیون درختی توسعه یافته و جنگل-های تصادفی در بخشی از اراضی دشت قزوین. تحقیقات آب و خاک ایران (علوم کشاورزی ایران)، 50(10 )، 2525-2538. SID. https://sid.ir/paper/368028/fa

    Vancouver: کپی

    موسوی سیدروح اله، سرمدیان فریدون، رحمانی اصغر. مدل سازی و پیش بینی مکانی کلاس خاک با استفاده از الگوریتم یادگیری رگرسیون درختی توسعه یافته و جنگل-های تصادفی در بخشی از اراضی دشت قزوین. تحقیقات آب و خاک ایران (علوم کشاورزی ایران)[Internet]. 1398؛50(10 ):2525-2538. Available from: https://sid.ir/paper/368028/fa

    IEEE: کپی

    سیدروح اله موسوی، فریدون سرمدیان، و اصغر رحمانی، “مدل سازی و پیش بینی مکانی کلاس خاک با استفاده از الگوریتم یادگیری رگرسیون درختی توسعه یافته و جنگل-های تصادفی در بخشی از اراضی دشت قزوین،” تحقیقات آب و خاک ایران (علوم کشاورزی ایران)، vol. 50، no. 10 ، pp. 2525–2538، 1398، [Online]. Available: https://sid.ir/paper/368028/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button