تعداد نشریات | 13 |
تعداد شمارهها | 144 |
تعداد مقالات | 1,440 |
تعداد مشاهده مقاله | 2,155,069 |
تعداد دریافت فایل اصل مقاله | 1,794,870 |
تهیه نقشه رقومی شکلهای مختلف آهن خاک با استفاده از دادههای سنجنده OLI ماهواره لندست در ساحل شرقی دریاچه ارومیه | ||
تحقیقات کاربردی خاک | ||
دوره 9، شماره 2، شهریور 1400، صفحه 47-60 اصل مقاله (1.13 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
امین موسوی* 1؛ فرزین شهبازی2؛ شاهین اوستان2؛ علی اصغر جعفرزاده2؛ بودیمن میناسنی3 | ||
1دانشجوی دکتری، گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران/ دانشگاه تبریز، تبریز، ایران | ||
2عضو هیئت علمی گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
3استاد دانشکده علوم محیطی و کشاورزی، دانشگاه سیدنی، سیدنی، استرالیا | ||
چکیده | ||
در این مطالعه با استفاده از دو روش دادهکاوی شامل مدل درخت تصمیمگیری (DT) و مدل کیوبیست (Cu) نقشه رقومی مهمترین شکلهای آهن 131 نمونه خاک سطحی (عمق صفر تا 10 سانتیمتری) شامل آهن معادل کل (Fet)، آهن پدوژنیک (Fed) و آهن بیشکل (Feo) در منطقهای به مساحت 500 کیلومترمربع از دو سایت جداگانه در بستر خشک شده ساحل شرقی دریاچه ارومیه تهیه شد. در این پژوهش در مجموع تعداد 19 متغیر کمکی برگرفته از تصویر سنجنده OLI ماهواره لندست 8 مربوط به تیرماه سال 1396 مورد استفاده قرار گرفت. نتایج نشان داد که مدل کیوبیست با داشتن مقادیر (89/0 R2 =و 25/2RMSE=) برای پیشبینی Fet، (85/0 R2 =و 57/0RMSE=) برای پیشبینی Fed و (88/0 R2 =و 09/0RMSE=) برای پیشبینی Feo دارای دقت بالاتری نسبت به مدل درخت تصمیمگیری بهمنظور پیشبینی هر سه شکل آهن داشت. همچنین نتایج میزان اهمیت و درصد مشارکت متغیرهای کمکی در هر دو مدل نشاندهنده اهمیت بالای برخی شاخصهای طیفی از جمله شاخص نسبت رطوبتی نرمال شده (NDMI) و شاخص اصلاح شده گیاهی تعدیلکننده اثر خاک (MSAVI) در پیشبینی Fet، Fed و Feo میباشد. بهطور کلی نتایج نشان داد که مدل کیوبیست در مقایسه با مدل درخت تصمیمگیری دارای توانایی و کارایی بالاتری در مدلسازی و تخمین پراکنش مکانی شکلهای مختلف آهن خاک در منطقه مورد مطالعه بوده است. | ||
کلیدواژهها | ||
دادهکاوی؛ درخت تصمیمگیری؛ شکلهای مختلف آهن؛ کیوبیست؛ متغیرهای کمکی | ||
مراجع | ||
Boettinger J.L., Ramsey R.D., Bodily J.M., Cole N.J., Kienast-Brown S., Nield S.J., Saunders A.M., and Stum A.K. 2008. Landsat spectral data for digital soil mapping, In: Hartemink A.E., McBratney A.B., and Mendonca-Santos M. (Eds.), Digital Soil Mapping with Limited Data. Springer, Dordrecht, pp. 193-203. Breiman L., Friedman J.H., Olshen R.A., and Stone C.J. 1984. Classification and Regression Trees. Chapman & Hall, New York. Drury S.A. 2016. Image Interpretation in Geology (2nd Ed.). Nelson Thornes, London. ESRI. 2011. ArcGIS Desktop: Release 10.2. Environmental Systems Research Institute. Redlands, CA. Fatehi S.H., Mohammadi J., Salehi M.H., Momeni M., Toomanian N., and Jafari N. 2016. Downscaling digital soil organic carbon map. Journal of Water and Soil, 30(1-2): 1142-1157. (In Persian) Gilabert M.A., Gonzalez-Piqueras J., Garcia-Haro F.J., and Melia J. 2002. A generalized soil adjusted vegetation index. Remote Sensing of Environment, 82(2): 303-310. Gitelson A.A., Kaufman Y.J., Stark R., and Rundquist D. 2002. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 80: 76-87. Haese R.R., Wallmann K., Dahmke A., Kretzmann U., Muller P.J., and Schulz H.D. 1997. Iron species determination to investigate early diagenetic reactivity in marine sediments. Geochim Cosmochim Acta, 61: 63-72. IRIMO. 2012. Islamic Republic of Iran Meteorological Organization. Kuhn M., Weston S., Keefer C., and Coulter N. 2016. C code for Cubist. Cubist: Rule- and Instance-based Regression Modeling. R Package Version 0.0.19. https://CRAN.Rproject. org/package=Cubist. Lin L.I. 1989. A concordance correlation coefficient to evaluate reproducibility. Biometrics, 45: 255-268. Loeppert R.L., and Inskeep W.P. 1996. Iron. In: Sparks D.L. (Ed.), Methods of Soil Analysis-Part 3. (3rd Ed.). Agron. Monogr. vol. 9. ASA, CSSA, and SSSA, Madison, WI. pp. 639-664. McGrath S.P., and Cunliffe C.H. 1985. A simplified method for the extraction of the metals Fe, Zn, Cu, Ni, Cd, Pb, Cr, Co and Mn from soils and sewage sludges. Journal of the Science of Food and Agriculture, 36: 794-798. McKenzie N.J., Webster R., and Ryan P.J. 2008. Sampling using statistical methods. In: McKenzie N.J., Grundy M.J., Webster R., and Ringrose-Voase A.J. (Eds.), Guidelines for Surveying Soil and Land Resources, 2nd. CSIRO, Australia, pp. 319-326. Metternicht G.I., and Zinck J.A. 2003. Remote sensing of soil salinity: potentials and constraints. Remote Sensing of Environment, 85: 1-20. Mosleh Z., Salehi M.H., Jafari A., Borujeni I.E., and Mehnatkesh A. 2016. The effectiveness of digital soil mapping to predict soil properties over low-relief areas. Environmental Monitoring and Assessment, 188(3): 195. Parks S.A., Dillon G.K., and Miller C. 2014. A new metric for quantifying burn severity: the relativized burn ratio. Remote Sensing, 6: 1827-1844. Qi J., Chehbouni A.R., Kerr Y.H., and Sorooshian S. 1994. A modified soil adjusted vegetation index. Remote Sensing of Environment, 48: 119-126. Quinlan J.R. 1992. Learning with continuous classes. In: Proceedings of Australian, 5th Joint Conference on Artificial Intelligence. World Scientific, Singapore, pp. 343-348. Shahbazi F., Hughes P., McBratney A., Minasny B., and Malone B.P. 2019a. Evaluating the spatial and vertical distribution of agriculturally important nutrients-nitrogen, phosphorous and boron-in North West Iran. Catena, 173: 71-82. Shahbazi F, McBratney A, Malone B.P, Oustan S., and Minasny B. 2019b. Retrospective monitoring of the spatial variability of crystalline iron in soils of the east shore of Urmia Lake, Iran using remotely sensed data and digital maps. Geoderma, 337: 1196-1207. Skakun R.S., Wulder M.A., and Franklin S.E. 2003. Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage. Remote Sensing of Environment, 86: 433-443. Somarathna P.D.S.N., Malone B.P., and Minasny B., 2016. Mapping soil organic carbon content over New South Wales, Australia using local regression kriging. Geoderma Rigional, 7: 38-48. Stonehouse H.B., and Arnaud R.J.St. 1971. Distribution of iron, clay and extractable iron and aluminum in some Skatchewan soils. Canadian Journal of Soil Science, 51(2): 283-292. Tack F.M.G., and Verloo M.G. 1997. Single extractions versus sequential extraction for the estimation of heavy metal fractions in reduced and oxidised dredged sediments. Chemical Speciation & Bioavailab, 11: 43-50. 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. Therneau T., Atkinson B., and Ripley B. 2017. rpart: Recursive Partitioning and Regression Trees. R Package Version 4.1-11. https://CRAN.R-project.org/package=rpart. ULRP, 2015. Report of Lake Urmia Conditions. Urmia Lake Restoration Program. University of Sharif, Iran. Were K., Bui D.T., Dick Q.B., and Singh B.R. 2015. A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an Afromontane landscape. Ecological Indicators, 52: 394-403. Xu H. 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27: 3025-3033. Zhu A., Hudson B., Burt J., Lubich K., and Simonson D. 2001. Soil mapping using GIS, expert knowledge and fuzzy logic. Soil Science Society of America Journal, 65: 1463-1472. | ||
آمار تعداد مشاهده مقاله: 1,524 تعداد دریافت فایل اصل مقاله: 1,039 |