- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی کشاورزی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
اخبار و اعلانات
آمار
| تعداد نشریات | 279 |
| تعداد نشریات سازمان | 78 |
| تعداد شماره‌ها | 2,250 |
| تعداد مقالات | 26,072 |
| تعداد مشاهده مقاله | 14,184,323 |
| تعداد دریافت فایل اصل مقاله | 11,346,790 |
کاربرد مدل‌های یادگیری ماشین در برآورد مکانی فسفر و پتاسیم خاک در بخشی از اراضی دشت آبیک | ||
| پژوهش های خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 13 دی 1400 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijsr.2022.355198.618 | ||
| نویسندگان | ||
سیدروح اله موسوی 1؛ فریدون سرمدیان  2؛ محمود امید3؛ پاتریک بوگارت4
| ||
| 1دانشجوی دکتری گروه مهندسی علوم خاک، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2استاد گروه مهندسی علوم خاک، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3استاد گروه مهندسی ماشین‌های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 4استاد دانشکده محیط زیست و علوم زمین، دانشگاه کاتولیک لوون، لوون، بلژیک | ||
| چکیده | ||
| عناصر مغذی به‌عنوان بخشی از ویژگی‌های شیمیایی خاک نقش مهمی را در حاصلخیزی خاک و عملکرد محصولات زراعی دارند؛ بنابراین مدلسازی و نقشه‌برداری توزیع مکانی این ویژگی‌ها در افزایش بهره‌وری بخش کشاورزی و نیل به توسعه پایدار جایگاه ویژه‌ای دارد. این پژوهش باهدف تهیه نقشه‌های رقومی دو عنصر مغذی فسفر در دسترس (Pav) و پتاسیم قابل‌تبادل (Kex) خاک با استفاده از مدل‌های یادگیری ماشین (MLM) شامل جنگل تصادفی (RF)، کوبیست (CB)، رگرسیون بردار پشتیبان (SVR) و k – نزدیک‌ترین همسایگی (k-NN) در دو عمق 0-15 و 30- 15 سانتی‌متر در بخشی از اراضی دشت آبیک صورت پذیرفت. در راستای این هدف 278 خاک رخ مطالعاتی در منطقه موردمطالعه حفر و پس از نمونه‌برداری از افق‌های مورد‌نظر، خاک‌ها برای انجام آزمایش‌های مورد‌نیاز به آزمایشگاه منتقل شد. ارزیابی کارایی MLM بر اساس روش اعتبارسنجی متقابل با 10-گام صورت پذیرفت. نتایج مدلسازی حاکی از آن است که مدل RF نسبت به سه مدل دیگر در برآورد مکانی Pav و Kex در دو عمق موردمطالعه دارای بیشترین میزان صحت و حداقل مقدار خطا بود، به نحویکه طبق آماره‌های ضریب همبستگی تطابق (CCC) برای Pav در عمق 15-0 سانتی‌متر مقادیر 84/0، 74/0، 48/0 و 35/0 و حداقل مقدار میانگین ریشه مربعات خطا نرمال شده (NRMSE) 38/0، 54/0، 70/0 و 80/0 به ترتیب توسط مدل‌های RF، CB، k-NN، SVR و برای Kex در همین عمق مقادیر CCC برابر 82/0، 72/0، 70/، 47/0 و NRMSE 25/0، 34/0، 36/0 و 45/0 به ترتیب توسط مدل‌های RF، CB، SVR، k-NN مشاهده گردید. اهمیت نسبی متغیرهای محیطی مؤید نقش مؤثرتر ویژگی‌های خاک نسبت به سایر متغیرهای محیطی در برآورد Pav و Kex بود. با توجه به نقشه‌های پهنه-بندی دو عنصر مغذی و غالبیت کاربری‌های زراعی، بخش‌های عمده‌ای از منطقه بر اساس مقادیر استاندارد Pav دارای کمبود بوده که به‌منظور افزایش بهره‌وری و بهبود مدیریت حاصلخیزی استفاده از کودهای فسفاته با نظارت کارشناسان خاک توصیه می‌شود. | ||
| کلیدواژه‌ها | ||
| فسفر قابل جذب؛ پتاسیم تبادلی؛ مدلسازی مکانی؛ نقشه‌برداری رقومی | ||
| عنوان مقاله [English] | ||
| Application of machine learning models in spatial estimation of soil phosphorus and potassium in some part of Abyek plain | ||
| نویسندگان [English] | ||
| Sayed Roholla Mousavi1؛ Fereydoon Sarmadian2؛ Mahmoud Omid3؛ Patrick Bogaert4 | ||
| 1Ph.D. Student of Soil Resources Management,, Science and soil Engineering Department, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Professor of Soil and Science Engineering Department, Faculty of Agricultural Engineering and Technology, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 3Professor of Agricultural Machinery Engineering Department, Faculty of Agricultural Engineering and Technology, Faculty of Agricultural Engineering and Technology, University of Tehran, Karaj, Iran. | ||
| 4Professor of Earth and Life Institute, catholique de Louvain, Louvain-la-Neuve, Belgium | ||
| چکیده [English] | ||
| Nutrient elements play an important role in soil fertility and crop yield as part of soil chemical properties. Therefore, modeling and mapping of these elements had importance in increasing the productivity of agriculture and achieving sustainable development. The aim of this research was to prepare digital maps of two nutrients available phosphorus (Pav) and exchangeable potassium (Kex) using machine learning models (MLM) i.e., random forest (RF), cubist (CB), support vector regression (SVR) and k-nearest neighborhood (k-NN) at two depths of 15-30 and 0-15 cm in a part of Abyek plain. In this regard, 278 soil profiles were dug, sampled from desired horizons, and samples were transferred to the laboratory for required analysis. MLM performance was implemented by 10-fold cross-valuation. The modeling results demonstrated that the RF model had the highest accuracy and minimum error compared to the other three models in spatial estimation of available Pav and Kex at the two studied depths so that according to the CCC statistics for Pav at a depth of 0-15 cm values of 0.84, 0.74, 0.5, 0.48 and 0.38 and NRMSE 0.38, 0.54, 0.80 and 0.70 by RF, CB, k-NN, SVR, respectively, and for Kex at the same depth values CCC values were 0.82, 0.72, 0. 70, 0.48 and NRMSE 0.25, 0.34, 0.36 and 0.45, by RF, CB, SVR and k-NN models, respectively. The relative importance of environmental variables showed that soil covariates have a more effective role in the spatial estimation of Pav and Kex than other environmental variables. According to the estimated maps of the two elements and the predominance of agricultural land uses, major parts of the area are deficient based on standard amounts of Pav, which to increase productivity and improve management of soil fertility, the use of phosphate fertilizers is recommended under the supervision of soil and water experts. | ||
| کلیدواژه‌ها [English] | ||
| Available phosphorus, Exchangeable potassium, Spatial modeling, Digital soil mapping | ||
|
آمار تعداد مشاهده مقاله: 11 |
||
