|
|
مقایسه روشهای شبکه عصبی مصنوعی و درخت تصمیم در تهیه نقشه رقومی خاک در منطقه اردکان
|
|
|
|
|
نویسنده
|
تقی زاده مهرجردی روح اله ,سرمدیان فریدون ,امید محمود ,ثواقبی غلامرضا ,تومانیان نورایر ,روستا محمدجواد ,رحیمیان محمدحسین
|
منبع
|
تحقيقات آب و خاك ايران - 1392 - دوره : 44 - شماره : 2 - صفحه:173 -182
|
|
|
چکیده
|
در پاسخ به تقاضای اطلاعات مکانی خاک، بهکاربردن دادههای کمکی رقومی و ارتباط آنها با دادههای مشاهداتی صحرایی در حال افزایش است. استفاده از اطلاعات رقومی از طریق روشهای کامپیوتری، که اصطلاحاً نقشهبرداری رقومی خاک خوانده میشود، قابل اعتمادتر و کمهزینهتر از روشهای سنّتی نقشهبرداری خاک است. بنابراین، در پژوهش حاضر از مدلهای درخت تصمیم و شبکه عصبی مصنوعی برای پیشبینی مکانی کلاسهای تاکسونومیک خاک در منطقهای خشک، به وسعت 720 کیلومتر مربع در اردکان، استفاده شد. عملیات نقشهبرداری در آنجا بسیار سخت است. در این منطقه بر اساس روش مربع لاتین مکان جغرافیایی 187 پروفیل خاک مشخص و سپس تشریح و نمونهبرداری شدند و طبقهبندی بر اساس سیستم امریکایی انجام گرفت. متغیرهای محیطی یا نمایندگان فاکتورهای خاکسازی، که در این پژوهش استفاده شد، شامل اجزای سرزمین، دادههای تصویر etm+ ماهواره لندست، و نقشه سطوح ژیومورفولوژی است. نتایج این تحقیق نشان داد، برای پیشبینی کلاس خاک، مدل درخت تصمیم نسبت به شبکه عصبی مصنوعی حدود هفت درصد دقیقتر است. مدل درختی و شبکه عصبی مصنوعی بهترتیب دقت کلی و ضریب تبیین و ضریب کاپای 48 درصد، 52 درصد، 34/0 و 46/0 و 13/0 و 25/0 دارند. نتایج نشان داد برای پیشبینی کلاس خاکْ شاخص خیسی، سطوح ژیومورفولوژی، و شاخص همواری دره با درجه تفکیک بالا مهمترین پارامترها هستند. مدلهای درختی نسبت به روش شبکه عصبی مصنوعی دقت بالاتری دارند و همچنین تفسیر نتایج مدل درختی بسیار راحتتر است. لذا پیشنهاد میشود در مطالعات آینده برای تهیه نقشه رقومی خاک از مدلهای درختی استفاده شود.
|
کلیدواژه
|
پیش بینی مکانی ,گروه های بزرگ خاک ,مربع لاتین ,نقشه برداری رقومی
|
آدرس
|
دانشگاه اردکان, ایران, دانشگاه تهران, ایران, دانشگاه تهران, ایران, دانشگاه تهران, ایران, استادیار، مرکز تحقیقات کشاورزی و منابع طبیعی اصفهان, ایران, استادیار، مرکز ملی تحقیقات شوری, ایران, مربی مرکز ملی تحقیقات شوری, ایران
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Authors
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|