1404/09/14
مسعود داوری

مسعود داوری

مرتبه علمی: دانشیار
ارکید:
تحصیلات: دکترای تخصصی
شاخص H:
دانشکده: دانشکده کشاورزی
اسکولار:
پست الکترونیکی: m.davari [at] uok.ac.ir
اسکاپوس: مشاهده
تلفن:
ریسرچ گیت:

مشخصات پژوهش

عنوان
پیش‌بینی برخی ویژگی‌های فیزیکی و مکانیکی خاک با استفاده از داده‌های طیفی و متغیرهای محیطی در حوزه آبخیز کیلانه کردستان
نوع پژوهش
پایان نامه
کلیدواژه‌ها
تغییر پذیری مکانی، متغیرهای محیطی، مدل‌سازی رقومی، یادگیری ماشین
سال 1403
پژوهشگران فرزانه پارسایی(دانشجو)، احمد فرخیان فیروزی(استاد راهنما)، مسعود داوری(استاد مشاور)، روح الله تقی زاده مهرجردی(استاد مشاور)

چکیده

ویژگی‌های فیزیکی و مکانیکی خاک نقش اساسی در بهبود رشد گیاهان، افزایش بهره‌وری عملیات کشاورزی و مدیریت پایدار منابع خاک دارند و تأثیر مستقیمی بر افزایش تولیدات کشاورزی و پایداری آن‌ها دارند. این ویژگی‌ها با ایجاد شرایط مناسب برای جریان حرارت و هوا، تسهیل نفوذ ریشه‌ها و بهبود نگهداری و تأمین آب و مواد مغذی، بستری مطلوب برای رشد گیاهان فراهم می‌کنند. این پژوهش به مدل‌سازی رقومی ویژگی‌های فیزیکی و مکانیکی خاک، توسعه توابع انتقالی و ترکیب داده‌های طیفی و محیطی برای بهبود دقت برآورد و تهیه نقشه‌های پراکنش مکانی این ویژگی‌ها با استفاده از روش‌های داده‌کاوی در حوزه آبخیز کیلانه واقع در استان کردستان با مساحت 12 هزار هکتار بود. در این پژوهش، مجموعاً ۱۵۰ نمونه خاک از لایه سطحی (۰-۱۰ سانتی‌متر) با استفاده از روش نمونه‌برداری مکعب لاتین مشروط (CLHS) جمع‌آوری شد. مجموعه‌ای از متغیرهای کمکی، مستخرج از مدل رقومی ارتفاع و تصاویر ماهواره‌ای سنتینل-۲، شامل فاصله از کانال آبراهه، عمق دره، موقعیت نسبی شیب، سطح پایه کانال آّبراهه، شاخص روشنایی، شاخص اثر باد، شاخص نرمال شده تفاوت پوش گیاهی، باند 12، شاخص سبزینگی، احنای سطح و همچنین پارامترهای خاک شامل ماده آلی، آهک، جرم مخصوص ظاهری، میانگین هندسی قطر خاکدانه‌ها، اجزاء بافت خاک (درصد رس، شن، سیلت) و داده‌های طیفی مرئی و نزدیک به مادون‌قرمز (VNIR) به‌عنوان متغیرهای نهفته (Latent Variable)، در دو سناریو شامل سناریو اول (سنجش‌ازدور و توپوگرافی) و سناریوی دوم (افزودن داده‌های سنجش از نزدیک و پارامترهای خاک) برای نقشه‌برداری رقومی ویژگی‌های خاک استفاده شدند. سه مدل یادگیری ماشین، شامل جنگل تصادفی (RF)، مدل نزدیک‌ترین -k همسایگی (k-NN) و درخت تصمیم تقویت شده با گرادیان (XGBoost)، برای مدل‌سازی ارتباط میان ویژگی‌های خاک و متغیرهای محیطی به کار گرفته شدند. نتایج مدل‌سازی نشان داد که همه مدل‌های یادگیری ماشین بر اساس سناریو دو عملکرد دقیق‌تری داشتند، به‌ویژه مدل XGBoost که برای پیش‌بینی FC ،Ks ، AWC، SS، PR، PI ، SL و PL، به ترتیب با R2 برابر 0.69، 0.65، 0.62، 0.61، 0.60، 0.67، 0.62 و 0.67، nRMSE برابر 0.14، 0.69، 0.33، 0.16، 0.11، 0.18، 0.096 و 0.09 نسبت به سایر مدل‌ها دارای صحت بالاتری بودند. درحالی‌که برای پیش‌بینی PWP و LL مدل‌ RF دقت بهتری داشته‌ است. به‌طورکلی مدل XGBoost ‌با استفاده از داده‌های طیفی به همراه متغیرهای توپوگرافی و پارامترهای خاک توانستند تغییرپذیری مکانی ویژگی‌های فیزیکی و مکانیکی خاک را با صحت قابل قبول در منطقه مورد مطالعه برآورد نمایند. نقشه‌های تهیه شده می‌توانند برای اعمال تصمیم‌های مدیریتی لازم در مورد خاک‌های منطقه مورد استفاده قرار گیرند.