| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,913 |
| تعداد مقالات | 32,864 |
| تعداد مشاهده مقاله | 43,217,869 |
| تعداد دریافت فایل اصل مقاله | 19,733,299 |
تهیه نقشه رقومی اجزاء بافت خاک با استفاده از مدل ترکیبی رگرسیون کریجینگ و کریجینگ باقی‌مانده شبکه عصبی | ||
| پژوهش های خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 بهمن 1403 اصل مقاله (1.38 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijsr.2025.367274.763 | ||
| نویسندگان | ||
| محمد شهریاری* 1؛ محمد رضا پهلوان راد2؛ معصومه دلبری3؛ پیمان افراسیاب3 | ||
| 1بخش تحقیقات فنی و مهندسی مرکز تحقیقات وآموزش کشاورزی و منابع طبیعی سیستان، زابل | ||
| 2بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی گلستان. سازمان تحقیقات، آموزش و ترویج کشاورزی | ||
| 3دانشیار گروه مهندسی آب دانشگاه زابل | ||
| چکیده | ||
| هدف از انجام این پژوهش تهیه نقشه رقومی اجزاء بافت خاک اراضی کشاورزی دشت سیستان با وسعت 1300 کیلومترمربع با استفاده از مدل‌های رگرسیون کریجینگ و مدل ترکیبی رگرسیون‌کریجینگ و کریجینگ باقی‌مانده شبکه عصبی‌مصنوعی (RKNNRK)می‌باشد. برای این منظور تعداد 160 نمونه لایه‌سطحی (cm30-0) از سری‌های مختلف خاک گرفته شد و درصد اجزاء بافت خاک در آزمایشگاه اندازه گیری گردید. با توجه به این که بافت خاک یک داده مرکب است، وقتی اجزاء آن جداگانه تخمین زده می‌شوند تضمینی برای اینکه جمع سه جزء برابر 100 شود وجود ندارد، از این‌رو قبل از مدل‌سازی، اجزء بافت خاک با استفاده از تابع لگاریتمی (alr) تبدیل شدند. از تصاویر باندهای 1 تا 8 ماهواره لندست 8 و شاخص‌های پوشش گیاهی، روشنایی، درصد رس و اندازه ذرات خاک به عنوان متغیر‌های کمکی برای درون‌یابی اجزاء بافت خاک استفاده گردید. 80 درصد داده‌ها برای پیش‌بینی و 20 درصد برای اعتبارسنجی اختصاص یافت. نتایج نشان داد که جزء رس خاک هم‌بستگی مکانی متوسط و اجزاء سیلت و شن خاک ساختار مکانی قوی دارند. مدل نمایی بیشترین انطباق را با نیم‌تغییرنمای تجربی با هر سه جزء شن، سیلت و رس خاک و اجزاء تبدیل شده بافت خاک شاملSiltalr و Clayalr دارد. همچنین داده‌های Siltalr و Clayalr نیز از هم‌بستگی مکانی قوی در منطقه مورد مطالعه برخوردار بودند. نتایج نشان داد که روش RKNNRK با آماره RMSE برابر 04/15، 30/14 و 18/7 به ترتیب برای اجزاء شن، سیلت و رس خاک دقت بالاتری در پیش بینی اجزاء بافت خاک در مقایسه با مدل رگرسیون کریجینگ داشت. بطوریکه این مقادیر به ترتیب 10، 6/10 و 5/3 درصد نسبت به مقادیر متناظر آن در روش رگرسیون کریجینگ کاهش دارد. بنابراین روش RKNNRK در تلفیق با داده‌های سنجش از دور بر دقت پیش‌بینی نقشه‌های رقومی اجزاء بافت خاک افزوده است و به‌عنوان یک روش مناسب قابل توصیه می‌باشد. | ||
| کلیدواژه‌ها | ||
| اجزاء بافت خاک؛ تغییرات مکانی؛ سنجش‌ازدور؛ کریجینگ باقی‌مانده شبکه عصبی؛ متغیر کمکی | ||
| عنوان مقاله [English] | ||
| Digital mapping of soil texture fractions using regression kriging and neural network residual kriging model | ||
| نویسندگان [English] | ||
| mohammad shahriari1؛ mohammad reza pahlavan rad2؛ masooume delbari3؛ peyman afrasiab3 | ||
| 1Researcher, Agricultural Engineering Research Department, Agricultural and Natural Resources Research and Education Center, AREEO, Zabol, Iran. | ||
| 2Soil and Water Research Department, Golestan Agricultural and Natural Resources Research and Education Center, AREEO, Gorgan, Iran | ||
| 3Associate Professor of Irrigation and Drainage Engineering Department of Water Engineering Faculty of Water and Soil University of Zabol, Iran | ||
| چکیده [English] | ||
| The aim of this study was to predict Digital mapping of soil texture fractions in Sistan flood plain of agiculture land at a regional scale (area 1300 km2). A regression kriging (RK) with neural network residual kriging (RKNNRK) was used to examine the relation between auxiliary variables and the soil texture components. Soil texture fractions including percentage of sand, silt and clay content were measured for 160 soil samples collected from surface layer (0-30 cm) of various soil series in agriculture land of Sistan plain. The additive log-ratio (alr) transformation was applied to transform texture components prior to prediction. Remotely sensed data including Landsat 8’s Band (1-8), Band 8 and Band 4/ Band 8, Band 4/ Band 3, NDVI index, brightness index, clay index, grain size index (GSI) were used as auxiliary variables for interpolation of soil texture fractions. 80 % of data was used for prediction and 20 % of data was used for validation, and RMSE, ME and MAE were used for evaluation. Result shows the values of RMSE of estimating percentage of sand, silt and clay at validation sites using RKNNRK method were 15.04, 14.30 and 7.18 %, respectively that the values of RMSE of estimation by a RK model were 10, 10.6 and 3.5 % higher than those obtained by RKNNRK model. Both siltalr and clayalr show a strong exponential-type spatial correlation. A strong spatial correlation is seen for siltalr and clayalr. The residuals follow an exponential model of spatial structure for RK, and a spherical structure for RKNNRK. So, RKNNRK model have higher accuracy when combined by remotely sensed data and it is a suitable method for mapping soil texture fractions in flood plain at regional scale. | ||
| کلیدواژه‌ها [English] | ||
| Auxiliary Variables, Neural Network Residual Kriging, Remote Sensing, Soil Texture Fraction, Spatial Variation, Regression Kriging | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 44 |
||