چکیده

ویژگی های توپوگرافی قلمرو تأثیر بسزایی بر توزیع فضایی خصوصیات خاک دارد. این تحقیق بر روی نقشه‌برداری دیجیتالی خاک (DSM) خصوصیات کشاورزی شیمیایی خاک – مقادیر کربن آلی خاک (SOC)، نیتروژن، پتاسیم، کلسیم، منیزیم، سدیم، فسفر، pH و ضخامت هوموس-انباشته (AB) متمرکز شده است. افق زمین های قابل کشت در منطقه استپ ترانس اورال (جمهوری باشقورتستان، روسیه). روش‌های رگرسیون خطی چندگانه (MLR) و ماشین بردار پشتیبان (SVM) برای پیش‌بینی توزیع مکانی و تنوع عناصر غذایی خاک استفاده شد. ما از 17 شاخص توپوگرافی محاسبه شده با استفاده از مدل ارتفاعی دیجیتال SRTM (ماموریت توپوگرافی رادار شاتل) استفاده کردیم. نتایج نشان داد که SVM بهترین روش برای پیش‌بینی تغییرات مکانی کلیه ویژگی‌های کشاورزی شیمیایی خاک در مقایسه با MLR است. با توجه به ضریب تعیینR2 ، بهترین مدل های پیش بینی برای محتوای نیتروژن ( R2 = 0.74 )، SOC ( R2 = 0.66)، و پتاسیم ( R2 = 0.62) به دست آمد. در مطالعه ما، ارتفاع، شیب و شاخص MMRTF (تطبیق بالای پشته چند تفکیک‌پذیر) مهم‌ترین متغیرها هستند. روش توسعه یافته را می توان برای مطالعه توزیع فضایی مواد مغذی خاک و نقشه برداری در مقیاس بزرگ در مناظر مشابه مورد استفاده قرار داد.

کلید واژه ها:

خواص شیمیایی کشاورزی ; نقشه برداری دیجیتال خاک ; SVM ; MLR ; متغیرهای توپوگرافی

1. مقدمه

مواد مغذی برای حاصلخیزی خاک و رشد پایدار گیاه ضروری هستند [ 1 ]. مطالعه، مدل‌سازی و نقشه‌برداری توزیع فضایی ویژگی‌های خاک یک وظیفه مهم برای کشاورزی مؤثر و مدیریت پایدار زمین است [ 2 ]. بیشتر نقشه‌های خاک روسیه در مقیاس بزرگ قبل از اواخر دهه 1980 [ 3 ] ایجاد شد که تقریباً همزمان با شروع مشکلات اقتصادی در اتحاد جماهیر شوروی است. بنابراین، تدوین داده های جدید نقشه برداری و به روز رسانی داده های کارتوگرافی موجود، به ویژه به دلیل استفاده فعال کشاورزی و تغییر شرایط اقلیمی ضروری است. با این وجود، بررسی خاک صحرایی و نقشه برداری در مقیاس بزرگ بیشتر (از جمله به روز رسانی نقشه های قدیمی) فرآیندهای پرهزینه و وقت گیر هستند.
در دهه‌های اخیر، روش‌های نقشه‌برداری دیجیتالی خاک (DSM) به طور فعال برای مطالعه و نقشه‌برداری خاک‌ها و ویژگی‌های آن‌ها استفاده شده است. DSM بر اساس روش های آماری، زمین آماری و ریاضی برای شناسایی روابط بین خواص خاک و عوامل تشکیل خاک است که متغیرهای کمکی محیطی نامیده می شوند [ 4 ]. روش‌های DSM مقرون‌به‌صرفه‌تر هستند و امکان ایجاد نقشه‌هایی با دقت بیشتر و وضوح فضایی بالاتر را فراهم می‌کنند [ 5 ]. این روش‌ها به‌ویژه به نقشه‌برداری دیجیتالی مواد مغذی خاک مربوط می‌شوند، زیرا تجزیه و تحلیل آزمایشگاهی عناصر غذایی خاک پرهزینه و زمان‌بر است.
تسکین (و همچنین مواد مادر، موجودات، اقلیم و زمان) یکی از عوامل اصلی تشکیل خاک است و تأثیر زیادی بر توزیع خواص خاک دارد [ 6 ، 7 ، 8 ]، به ویژه در مناطق خشک و نیمه خشک. 9 ]. علاوه بر این، برخی از نویسندگان نتیجه می گیرند که توپوگرافی مفیدترین عامل در مطالعه و پیش بینی خاک است [ 4 ، 10 ]. ویژگی های امدادی (مانند مواردی که در جدول 1 ارائه شده است ) فرصت خوبی برای نقشه برداری از ویژگی های خاک و طبقات خاک فراهم می کند [ 11 , 12 , 13 , 14 , 15 , 16 ،17].
اطلاعات در مورد امداد به عنوان یک عامل اصلی یا اضافی با موفقیت در مطالعات مختلف مانند مهاجرت رادیوسزیم در ژاپن [ 18 ]، تجزیه و تحلیل زمین لغزش های کم عمق پس از یک طوفان شدید باران در ایتالیا [ 19 ]، و تکثیر جوامع قارچی در یک کوه آلپ شمالی استفاده شد. اکوسیستم [ 20 ]. در منطقه مورد مطالعه (جمهوری باشقورستان)، داده های توپوگرافی در نقشه برداری زیرگروه های خاک و فلزات سنگین چرنوزم [ 21 ]، در مطالعه فرآیندهای فرسایش [ 22 ]، و در آماده سازی زمین های زراعی برای احیای آبیاری [ 23 ] استفاده شد. .

تکنیک های یادگیری ماشین (ML) به طور فعال برای پیش بینی و نقشه برداری از خواص خاک استفاده می شود. تکنیک‌های مختلفی از جمله رگرسیون خطی چندگانه (MLR) و ماشین بردار پشتیبان (SVM) با موفقیت در رابطه متقابل ویژگی‌های خاک و متغیرهای کمکی اعمال شده‌اند [ 24 ، 25 ، 26 ]. MLR یک الگوریتم یادگیری ماشینی است که برای رگرسیون متغیر هدف استفاده می شود. MLR یک مدل حداقل مربعات است که در آن یک ویژگی خاک هدف از متغیرهای توپوگرافی توضیحی انتخاب شده پیش‌بینی می‌شود [ 27 ]. این روش یک رابطه خطی بین عناصر پیش بینی شده و متغیرهای کمکی برقرار می کند. برای درک بهتر این روابط، MLR در رابطه (1) در زیر ارائه شده است [ 28]:

y=آ+ ∑من-1nبمن × ایکسمن ± εمن

که در آن n تعداد پیش‌بینی‌کننده‌ها، y – متغیرهای پاسخ، x i – متغیرها یا پیش‌بینی‌کننده‌های توضیحی، a – intercept (جمله ثابت)، b i – ضرایب رگرسیون جزئی، و ε i – باقی‌مانده است.

SVM یکی از رویکردهای نظارت شده اساسی برای طبقه بندی و تحلیل رگرسیون است [ 29 ، 30 ]. SVM با استفاده از طبقه بندی باینری، نزدیک ترین نقاط بین دو کلاس را در فضای ویژگی تعریف می کند و یک خط تقسیم بهینه بین آنها ترسیم می کند [ 31 ، 32 ]. این ابرصفحه، از حاشیه های حداکثر شده، به عنوان معیاری برای طبقه بندی بعدی استفاده می شود. چندین محقق گزارش کرده اند که رویکرد SVM در مقایسه با روش های دیگر، خطاهای پیش بینی کمتری را ارائه می دهد [ 33 ، 34 ، 35 ].
از آنجایی که تسکین یکی از عوامل اصلی تشکیل خاک است، ما فرض کردیم که تکنیک‌های ML با استفاده از اطلاعات توپوگرافی می‌توانند توزیع مکانی اکثر خواص خاک را با دقت خوبی پیش‌بینی کنند.
اهداف این مطالعه به شرح زیر است: (i) نقشه‌برداری دیجیتالی مواد مغذی خاک با استفاده از ویژگی‌های امدادی در زمین‌های زراعی در منطقه استپی ترانس اورال (جمهوری باشقورتوستان، روسیه)، (۲) ارزیابی عملکرد مدل با استفاده از الگوریتم‌های MLR و SVM، و (iii) ایجاد نقشه های دیجیتال و تعیین توزیع فضایی عناصر غذایی خاک. ما فرض می‌کنیم که مدل‌های توسعه‌یافته را می‌توان برای نقشه‌برداری دیجیتالی در مقیاس بزرگ بیشتر از زمین‌های کشاورزی در سایر مناطق جهان با شرایط مشابه استفاده کرد.

2. مواد و روشها

سایت مورد مطالعه در منطقه استپی ترانس اورال، در نزدیکی مرز جنوبی کوه‌های اورال (جمهوری باشقورتستان، روسیه) واقع شده است ( شکل 1 ). منطقه مورد مطالعه شامل 1400 هکتار است و عمدتاً با شیب ملایم (1-3 درجه) تا 8 درجه با نوردهی های مختلف مشخص می شود. ارتفاع میدان مورد مطالعه از 460 متر در قسمت شمال غربی سایت تا 377 متر از سطح دریا در قسمت جنوب شرقی متغیر است. وضعیت پوشش خاک در قطعه مورد مطالعه به عنوان زمین زراعی مشخص می شود (شخم زدن توسط تراکتور با چرخش لایه خاک تا عمق 10-15 سانتی متر که هر سال در بهار تکرار می شود). گندم ( Triticum aestivum) عمدتاً در زمین کشت می شود. بررسی شناسایی منطقه مورد مطالعه نشان داد که در قسمت جنوبی قلمرو، فرآیندهای فرسایش آبی (فرسایش ورقه ای و شیاری) در حال وقوع است.
اقلیم منطقه مورد مطالعه به صورت خشک و کمی خشک یا Dfa توسط طبقه بندی اقلیمی کوپن مشخص می شود. میانگین دمای هوا در سال 1.4 درجه سانتی گراد است. میانگین بارندگی در اینجا به 379 میلی متر میرسد. پوشش خاک توسط Haplic Chernozems [ 36 ] ارائه شده است. مواد اصلی عبارتند از خاک رس کربناته ایلوویال-دلوویال، لوم های سنگین و شیست های شنی.
در قطعه زراعی مورد مطالعه، خاک از افق بالایی (0-10 سانتی متر) در مکان های معرف نمونه برداری شد. طرح مکان نقاط نمونه بر روی نقشه نشان داده شده است ( شکل 1 ). ما در مجموع از 76 نمونه خاک سطحی استفاده کردیم که در جولای 2020 جمع‌آوری شد. آماده‌سازی نمونه طبق روش استاندارد انجام شد: نمونه‌ها در هوا خشک شدند، سپس برای آزمایش‌های آزمایشگاهی بیشتر از طریق الک 1 میلی‌متری الک شدند.
آنالیزهای شیمیایی با استفاده از روش های استاندارد آزمایشگاهی گزارش شده در [ 37 ، 38 ، 39 ] انجام شد. محتوای کربن آلی خاک (SOC)، pH، نیتروژن قابل هیدرولیز قلیایی (N)، فسفر موجود P 2 O 5 ( P ) و K 2 O ( K ) و کاتیون های قابل تعویض Ca 2 + ، Mg 2 + و Na + مشخص شدند.
ویژگی‌های توپوگرافی (یا زمین) با استفاده از مدل رقومی ارتفاع (DEM) ماموریت توپوگرافی رادار شاتل ناسا (SRTM)، با وضوح 30 متر ( https://www2.jpl.nasa.gov/srtm ، دسترسی به 12 اکتبر ) محاسبه شد. 2020). محاسبه ویژگی های توپوگرافی در SAGA GIS انجام شد. ویژگی های زمین به دست آمده از DEM در جدول 1 موجود است.
تکنیک‌های MLR و SVM برای مدل‌سازی فضایی ویژگی‌های کشاورزی شیمیایی خاک استفاده شد. برای انتخاب مدل نهایی MLR و جلوگیری از برازش بیش از حد، از کمینه کردن C p [ 40 ] Mallows و روش انتخاب گام به گام به عقب استفاده کردیم.

رویکرد SVM با استفاده از یک هسته پایه شعاعی انجام شد. از روش تنظیم برای انتخاب بهترین پارامترها در مدل SVM (C و گاما) استفاده شد. این مقادیر با فواصل زیر تعریف شدند: 0.1 < C < 1.0 (اندازه گام 0.1 است) و 0.2 < γ < 0.5 (اندازه مرحله 0.05 است)، با توجه به Mattera و Haykin [ 41 ] و Cherkassky و Ma [ 42 ]. برای تعیین پیش‌بینی دقت نهایی از مقادیر ریشه میانگین مربعات خطای پیش‌بینی (RMSE) و ضریب تعیین ( R2 ) استفاده شد (معادلات ( 2 ) و (3)). این مقادیر با رویکرد اعتبارسنجی متقابل 10 برابری [ 43 ] ارزیابی شدند]. با انتخاب تصادفی، 80 درصد از کل نمونه ها برای داده های آموزش مدل و سپس 20 درصد باقی مانده برای اعتبارسنجی و ارزیابی دقت مدل استفاده شد. مجموعه داده های تجزیه و تحلیل شده به طور تصادفی به ده تا با اندازه مساوی تقسیم شد. سپس، 9 تا از این چین‌ها برای کالیبره کردن مدل و پیش‌بینی مقادیر برای تاهای باقی‌مانده استفاده شد. این روش 10 بار تکرار شد، هر بار یک تای متفاوت کنار گذاشته شد [ 44 ]. مزیت این روش این است که به طور قابل اعتماد و بی طرفانه در مجموعه داده های کوچکتر عمل می کند [ 45 ].

آرماسE=∑من=0n(Oمن-پمن)2n
آر2=(∑من=0n(Oمن- Oآvg) × (پمن- پآvg)∑من=0n(Oمن-Oآvg)2× (پمن- پآvg)2)2

که در آن O i و P i مشاهده شده و مقادیر پیش بینی شده خصوصیات خاک هستند، O avg و P avg مقادیر متوسط ​​و n تعداد نمونه ها هستند.

مدل با کمترین RMSE و بالاترین مقادیر R 2 به عنوان کاربردی ترین در نظر گرفته شد [ 46 ]. R2 با طبقه‌بندی زیر تعیین شد [ 47 ] : مدل‌های با R2 < 0.4 سطح ضعیف یا بسیار پایینی از توانایی پیش‌بینی را نشان می‌دهند. مقادیر 0.5 < R2 <0.7 مدل هایی با سطح متوسط ​​پیش بینی را نشان می دهد. مدل های با R2 > 0.7 بسیار پیش بینی هستند.
پردازش داده های آماری و برآورد دقت مدل با استفاده از بسته های “leaps”، “e1071” و “caret” در R 4.0.2 [ 48 ] و RStudio (نسخه 1.3.1073) [ 49 ] انجام شد.

3. نتایج و بحث

خاک مورد مطالعه در عمق 0 تا 10 سانتی متر دارای محتوای SOC کم و متوسط ​​و واکنش خنثی و کمی قلیایی است. محتوای NPK برای این منطقه کافی و متناسب است و همچنین مقادیر کاتیون های قابل تعویض [ 50 ]. با توجه به ضخامت افق انباشته هوموس (AB)، خاک ها به عنوان یک خاک فرسوده، فرسوده نشده و جایی با رسوب رسوب مشخص می شوند. پارامترهای آماری عمومی خصوصیات خاک – میانگین، حداقل، حداکثر، انحراف معیار (SD) و ضریب تغییرات (CV) – در جدول 2 نشان داده شده است.
شکل 2 نمودار همبستگی بین خواص خاک و ویژگی های توپوگرافی را نشان می دهد. طبق این نمودار، مقادیر SOC با N ( R = 0.66)، با ضخامت افق تجمعی هوموس ( R = 0.59)، K ( R = 0.52)، و Ca ( R = 0.48) مرتبط است. همچنین رابطه بین عناصر N و K ( R = 0.57)، Mg و Ca ( R = 0.47)، Ca و N ( R = 0.53)، و بین ضخامت افق هوموس با N ( R = 0.55) برقرار شد. .
در بین ویژگی‌ها و عناصر توپوگرافی سایت مورد مطالعه، قوی‌ترین همبستگی برای N به دست آمد. این عنصر با ارتفاع ( 72/0 = R )، سطح پایه شبکه کانال (CNBL) ( 68/0 = R )، عمق دره (VD) همبستگی نزدیک نشان می‌دهد. ) ( R = -0.67)، و صافی بالای خط الراس چند وضوح (MRRTF) ( R = 0.50). محتوای SOC با متغیرهای زیر رابطه دارد: MRRTF ( R = 0.54)، ارتفاع ( R = 0.47)، CNBL ( R = 0.46)، و VD ( R = -0.43).
کلسیم با مقادیر MRRTF ( R = 0.45)، ارتفاع و CNBL ( R = 0.44) همبستگی مثبت دارد. مقادیر CNBL و ارتفاع نیز روابطی را با عنصر K نشان می دهد (به ترتیب R = 0.47 و R = 0.43). ضخامت افق هوموس فقط با MRRTF ( R = 0.43) رابطه ای را نشان می دهد. عناصر منیزیم، سدیم و فسفر و pH با ویژگی‌های زمین محاسبه‌شده همبستگی ندارند.
نتایج نهایی مدل سازی با استفاده از روش های MLR و SVM در جدول 3 ارائه شده است. با توجه به مقادیر R2 و RMSE، SVM در مقایسه با روش MLR عملکرد بهتری را برای همه خواص پیش‌بینی نشان داد. روش SVM بهترین توانایی را برای پیش بینی N دارد ( R2 = 0.74، RMSE = 14.23). برای مثال، ژو [ 25 ] همچنین یک مدل SVM برای پیش‌بینی نیتروژن کل خاک در شمال غربی چین ایجاد کرد. نویسندگان 50 درصد از تغییرات را با استفاده از داده های مربوط به کاربری زمین، پوشش زمین، آب و هوا، توپوگرافی و متغیرهای مشتق شده از سنجش از دور توضیح دادند.
MLR و SVM عملکرد مشابهی در پیش‌بینی K نشان دادند ( به ترتیب R2 = 0.57، RMSE = 35.51 در مقابل R2 = 0.62، RMSE = 32.34). به عنوان مثال، Gopp [ 15 ] یک مدل MLR با مقدار R 2 0.45 برای تغییرات فضایی پیش بینی شده پتاسیم قابل تعویض در زمین زراعی در روسیه با استفاده از متغیرهای توپوگرافی به دست آورد.
عملکرد خوب برای پیش بینی توزیع فضایی توسط SOC ( R2 = 0.66، RMSE = 0.53) با استفاده از رویکرد SVM به دست آمد. این مدل از هفت متغیر توپوگرافی (AnHil، As، LS-F، TWI، MRRTF) استفاده می کند. سیلاتسا [ 51 ] به این نتیجه رسید که ویژگی های زمین متغیرهای مهمی برای پیش بینی محتوای SOC هستند. به طور مشابه، محمودزاده [ 35 ] دریافت که 58 درصد از توزیع SOC توسط متغیرهای توپوگرافی و اقلیم با استفاده از مدل SVM در ایران توصیف شده است.
روش SVM ضرایب تعیین تقریبا مشابهی را برای Na ( R2 = 0.49، RMSE = 0.20) و عمق افق هوموس ( R2 = 0.52، RMSE = 6.81) نشان داد. روش SVM به طور قابل توجهی بهتر از MLR در مقدار RMSE برای عمق افق هوموس (به ترتیب 6.8 در مقابل 47.03) عمل کرد.
مدل SVM 43 درصد از تغییرات کلسیم را توضیح داد ( R2 = 0.43، RMSE = 5.33). در مطالعه فوق الذکر [ 15 ]، گوپ مدلی با ضریب تعیین 0.67 برای کلسیم قابل تعویض به دست آورد.
ضرایب تعیین پایین ( R2 < 0.25) و در نتیجه، هیچ قابلیت پیش بینی برای pH ( R2 = 0.01)، P ( R2 = 0.11)، و Mg ( R2 = 0.04) یافت نشد. این عناصر با روش های مورد استفاده با دقت رضایت بخشی پیش بینی نمی شوند. نتایج قبلی همچنین مدل‌های ضعیفی را برای پیش‌بینی توزیع فضایی pH با استفاده از رویکردهای یادگیری ماشین به دست آورد [ 52 ، 53 ].
اهمیت نسبی متغیرهای مورد استفاده برای پیش بینی عناصر خاک در شکل 3 نشان داده شده است . شاخص MMRTF یک ویژگی کلیدی برای پیش‌بینی SOC و ضخامت تغییرات افق هوموس (به ترتیب 56 و 47 درصد) است. MMRTF یک متغیر اساسی در مدلسازی کلسیم است (38%). این ویژگی توپوگرافی یک شاخص مسطح چند مقیاسی است که نواحی شیب دار و مسطح را مشخص می کند و جهت و قدرت توزیع ماده را در چشم انداز مشخص می کند [ 54 ]. به عنوان مثال، یک ویژگی MMRTF با موفقیت در مدل‌ها برای پیش‌بینی SOC، K، pH و خاک رس با استفاده از روش‌های کریجینگ رگرسیون استفاده شد [ 55 ].
ارتفاع زمین مهمترین متغیر برای تبیین تغییرپذیری نیتروژن و کلسیم در منطقه مورد مطالعه است (به ترتیب 81% و 41%). وانگ [ 56 ] گزارش داد که ارتفاع مهمترین متغیر مؤثر بر توزیع فضایی N است. در برخی دیگر از مطالعات نقشه برداری رقومی خاک، ارتفاع نیز به عنوان مهم ترین متغیر کمکی برای پیش بینی عناصر خاک ذکر شده است [ 51 ، 53 ، 57 ، 58 ، 59 . ].
شیب متغیر کمکی اصلی در مدل Na در تحقیق ما است (41%). موثرترین متغیرها عبارتند از CNBL (21%)، LS-Factor (18%) و ارتفاع (17%). ویژگی LS-Factor دومین پارامتر مهم در مدل های SOC و N است (به ترتیب 16 و 9 درصد). LS-Factor ترکیبی از طول شیب و زاویه شیب است. این ویژگی یکی از پنج عامل معادله جهانی از دست دادن خاک (USLE) و توصیف تأثیر توپوگرافی بر خطر فرسایش خاک است.
شکل 4 فراوانی استفاده از تمام 17 ویژگی توپوگرافی را نشان می دهد. متداول ترین ویژگی توپوگرافی مورد استفاده در مدل سازی Aspect (نمایش شیب) است. چهار بار در معادلات رگرسیونی مختلف استفاده می شود و تقریباً در پیش بینی همه عناصر (به جز کلسیم و منیزیم) نقش دارد. ویژگی توپوگرافی تحلیلی hillshading (AnHil) سه بار استفاده می شود که ارتباط نزدیکی با جنبه دارد. تصویر شطرنجی AnHil یک نقش برجسته با سایه است که بر اساس زاویه منبع نور و سایه ایجاد شده است. سحابیف [ 55] از موقعیت جنوب غربی به عنوان یک پارامتر توپوگرافی جداگانه در تحلیل رگرسیون برای مدل پیش‌بینی محتوای هوموس، N، pH و رس فیزیکی (مجموع بخش‌های خاک کمتر از 0.01 میلی‌متر، %) استفاده کرد. متغیرهای elevation، LS-Factor و MRRTF نیز هر کدام سه بار در پیش‌بینی استفاده شدند. این متغیرها ارتباط نزدیکی با یکدیگر دارند و با موفقیت مناطقی را که تجمع عناصر غذایی خاک در آن اتفاق می‌افتد، تعیین می‌کنند.
فقط مدل هایی با ضریب تعیین R 2 ≥ 0.25 برای ایجاد نقشه ها استفاده شد. تغییرات مکانی خواص خاک مورد مطالعه با استفاده از مدل های پیش بینی شده SVM در شکل 5 نشان داده شده است . تغییرات فضایی SOC، Ca، N، K و ضخامت افق هوموس با ارتفاع ارتباط دارد و با مقادیر بالاتر در نواحی بالای بخش غربی و بخش مرکزی کرت مورد مطالعه مشخص می‌شود. علاوه بر این، این خواص به تدریج به سمت قسمت جنوبی میدان، جایی که فرآیندهای رواناب رخ می دهد، کاهش می یابد. این منطقه جنوبی به اندازه کافی مناطق تجمع کلسیم، سدیم و محتوای SOC را به دلیل رواناب و رسوب رسوب از مناطق مرتفع نشان می دهد. منطقه مورد مطالعه با فرآیندهای فرسایش بادی فعال مشخص می شود [ 60]. بنابراین، مقادیر بیشتری از این مواد مغذی نیز در کنار جاده ها و کمربندهای جنگلی یافت می شوند که برای محافظت در برابر فرسایش بادی طراحی شده اند. توزیع فضایی Na در مقایسه با سایر عناصر نقشه‌برداری شده دارای ویژگی متفاوتی است. مناطق تجمع سدیم در بخش جنوب غربی متمرکز شده است.
برای اعتبارسنجی و ارزیابی دقت تکنیک‌های ML در نقشه‌برداری خاک (پیش‌بینی توزیع فضایی عناصر خاک)، نتایج را با رویکرد کریجینگ معمولی مقایسه کردیم. نقشه های مبتنی بر و ایجاد شده با استفاده از رویکرد کریجینگ ( شکل 6 ) دارای توزیع مشابهی از پارامترهای خاک مورد مطالعه است که با روش SVM به دست آمده است. بالاترین مقادیر SOC، Ca، N، K و ضخامت افق هوموس نیز در قسمت غربی در نواحی مرتفع قرار دارد. بنابراین، دقت به‌دست‌آمده برای تکنیک‌های ML در این مطالعه امیدوارکننده و در نقشه‌برداری دیجیتالی خاک مفید است.
لازم به ذکر است که خواص خاک ممکن است در طول زمان تغییر کند. بنابراین، ادامه مطالعه حاضر برای مقایسه و اعتبارسنجی نتایج ضروری است. در عین حال، ما فرض کردیم که خطا در نقشه‌برداری دیجیتالی خاک با استفاده از تکنیک‌های ML وجود ندارد یا جزئی است. به عنوان مثال، تحقیقات [ 61 ] که قبلاً در منطقه مورد مطالعه انجام شد نشان داد که برخی از ویژگی‌های خاک (یعنی ضخامت افق تجمعی هوموس، SOC، P و N) از سال 1975 به طور ناچیز (کمتر از 5-10٪) تغییر کرده است. اساساً، این تغییرات با فرآیندهای فرسایش و تأثیر مکانیکی عملیات خاک‌ورزی همراه بود.

4. نتیجه گیری

نظارت بر شرایط زمین کشاورزی به ویژه به دلیل فشارهای شدید انسانی و تغییر اقلیم یک کار ضروری است. نقشه برداری در مقیاس بزرگ از ویژگی های خاک برای مدیریت منطقی زمین و اقدامات احیای کشاورزی ضروری است.
با توجه به ضریب تعیین ( R2 ) و مقادیر RMSE، روش SVM نسبت به MLR در پیش‌بینی تمام خصوصیات کشاورزی شیمیایی مورد مطالعه برتری داشت. مدل SVM برای توضیح تغییرات فضایی محتوای N به دست آمد و بهترین نتایج را نشان داد ( R2 = 0.74، RMSE = 14.23). این مدل با توانایی پیش بینی بسیار مشخص می شود. سطح متوسط ​​پیش‌بینی برای مدل‌سازی SOC، Na، K و ضخامت افق انباشته هوموس (AB) به‌دست آمد. مهمترین متغیرها برای پیش‌بینی توزیع مکانی ویژگی‌های خاک، ارتفاع، شیب و شاخص MRRTF بودند.
نتایج ما امکان استفاده از متغیرهای توپوگرافی با رویکرد SVM را برای پیش‌بینی ویژگی‌های آگروشیمیایی اصلی خاک در منطقه استپی ترانس اورال (جمهوری باشقورتوستان، روسیه) نشان داد. استفاده از چنین تکنیک‌های ML می‌تواند تلاش‌های نمونه‌برداری از خاک را کاهش دهد و در نتیجه هزینه‌های نقشه‌برداری خاک را کاهش دهد و زمان / منابع انسانی را حفظ کند. ما فرض کردیم که دقت به‌دست‌آمده در این مطالعه برای تلاش‌های نقشه‌برداری دیجیتالی خاک در مقیاس محلی فعلی/آینده و همچنین برای مناطق دیگر در جهان با شرایط خاک/اقلیم مشابه امیدوارکننده است. ما پیشنهاد می‌کنیم که مدل‌های SVM شرح‌داده‌شده باید با افزودن سایر متغیرهای کمکی، تجزیه و تحلیل سایر عوامل تشکیل خاک، افزایش تعداد و دوره نمونه‌برداری از خاک، و استفاده از سایر تکنیک‌های ML برای به دست آوردن بهترین نتایج برای نقشه‌برداری خاک، بهبود یابند.

منابع

  1. دونگ، دبلیو. وو، تی. لو، جی. سان، ی. Xia، L. نقشه برداری خاک دیجیتالی مبتنی بر قطعه زمین از خواص مواد مغذی خاک در منطقه کشاورزی دشت آبرفتی-دیلوویا در چین. Geoderma 2019 ، 340 ، 234-248. [ Google Scholar ] [ CrossRef ]
  2. ممکن است.؛ میناسنی، بی. Wu, C. نقشه برداری از خواص کلیدی خاک برای حمایت از تولید کشاورزی در شرق چین. ژئودرما Reg. 2017 ، 10 ، 144-153. [ Google Scholar ] [ CrossRef ]
  3. ساوین، آی.ای. Ovechkin، SV در مورد به روز رسانی نقشه های خاک در مقیاس متوسط. علم خاک اوراسیا 2014 ، 47 ، 987-994. [ Google Scholar ] [ CrossRef ]
  4. مک براتنی، AB; مندونسا سانتوس، ام ال. میناسنی، ب. در نقشه برداری دیجیتالی خاک. ژئودرما 2003 ، 117 ، 3-52. [ Google Scholar ] [ CrossRef ]
  5. Arrouays، D.; گراندی، م. هارتمینک، AE; همپل، جی. Heuvelink، GBM؛ هنگ، سی. لاگاچری، پ. لیلیک، جی. مک براتنی، AB; مکنزی، نیوجرسی؛ و همکاران GlobalSoilMap: به سوی یک شبکه جهانی با وضوح عالی از ویژگی های خاک. Adv. آگرون. 2014 ، 125 ، 93-134. [ Google Scholar ] [ CrossRef ]
  6. دوکوچایف، وی وی استپ های ما—در یک زمان و اکنون . انتشارات Yevdokimoff: سن پترزبورگ، روسیه، 1892. (به زبان روسی) [ Google Scholar ]
  7. جنی، اچ. عوامل تشکیل خاک، سیستم کمی خاک شناسی . McGraw-Hill: نیویورک، نیویورک، ایالات متحده آمریکا، 1941. [ Google Scholar ]
  8. جنی، اچ. استخراج معادلات عامل حالت خاک و اکوسیستم. علم خاک Soc. صبح. J. 1961 , 25 , 385-388. [ Google Scholar ] [ CrossRef ]
  9. مهناتکش، ع. ایوبی، س. جلالیان، ع. صحروات، KL روابط بین عمق خاک و ویژگی های زمین در یک منطقه تپه ای نیمه خشک در غرب ایران. J. Mt. Sci. 2013 ، 10 ، 163-172. [ Google Scholar ] [ CrossRef ]
  10. مک کنزی، نیوجرسی؛ Gessler، PE; رایان، پی جی؛ O’Connell، DA نقش تجزیه و تحلیل زمین در نقشه برداری خاک. در تحلیل زمین: اصول و کاربردها . Wilson, JP, Gallant, JC, Eds. جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2000; ص 245-265. [ Google Scholar ]
  11. مور، شناسه; Gessler، PE; نیلسن، GA; پترسون، پیش‌بینی صفات خاک GA با استفاده از تحلیل زمین. علم خاک Soc. صبح. J. 1993 , 57 , 443-452. [ Google Scholar ] [ CrossRef ]
  12. اودها، IOA؛ مک براتنی، AB; Chittleborough، DJ پیش‌بینی فضایی ویژگی‌های خاک از ویژگی‌های شکل زمین برگرفته از یک مدل ارتفاع دیجیتال. ژئودرما 1994 ، 63 ، 197-214. [ Google Scholar ] [ CrossRef ]
  13. فلورینسکی، IV; Eilers, RG; منینگ، GR; Fuller، LG Prediction of Soil Properties by Digital Terrain Modelling. محیط زیست مدل. نرم افزار 2002 ، 17 ، 295-311. [ Google Scholar ] [ CrossRef ]
  14. مولدر، وی.ال. دی بروین، اس. Schaepman، ME; Mayr، TR استفاده از سنجش از دور در نقشه برداری خاک و زمین – مروری. ژئودرما 2011 ، 162 ، 1-19. [ Google Scholar ] [ CrossRef ]
  15. Gopp، NV; نچایوا، تلویزیون؛ ساونکوف، OA; اسمیرنوا، NV; اسمیرنوف، وی وی روش‌های ژئومورفومتری و نقشه‌برداری دیجیتالی خاک برای ارزیابی تغییرپذیری فضایی در ویژگی‌های خاک‌های آگروگری در یک شیب. علم خاک اوراسیا 2017 ، 50 ، 20-29. [ Google Scholar ] [ CrossRef ]
  16. تاکوتسینگ، بی. وبر، جی سی. مارتین، JAR; شپرد، ک. آینه کولو، ای. سیلا، آ. ارزیابی تنوع ویژگی‌های خاک با ویژگی‌های منظر در ارتفاعات کامرون. تخریب زمین توسعه دهنده 2018 ، 29 ، 2496-2505. [ Google Scholar ] [ CrossRef ]
  17. سنا، NC; Veloso، GV; فرناندز فیلهو، EI; فرانسلینو، MR; Schaefer، تجزیه و تحلیل CEGR از ویژگی‌های زمین در تفکیک‌پذیری‌های فضایی مختلف برای کاربرد دیجیتالی نقشه‌برداری خاک در جنوب شرقی برزیل. ژئودرما Reg. 2020 , 21 , e00268. [ Google Scholar ] [ CrossRef ]
  18. کومیساروف، م. Ogura، S. گل و لای و آلودگی رادیوسزیوم دریاچه های کوچک در انواع مختلف حوضه آبریز دور از محل حادثه نیروگاه هسته ای فوکوشیما دایچی. بین المللی حفظ آب خاک Res. 2020 ، 8 ، 56-65. [ Google Scholar ] [ CrossRef ]
  19. بارتلتی، سی. جیان‌چینی، آر. آوانزی، جی دی; گالانتی، ی. Mazzali، A. تأثیر تنظیمات زمین شناسی – مورفولوژیکی و کاربری زمین بر زمین لغزش های کم عمق در حوضه Pogliaschina T. (آپنین شمالی، ایتالیا). J. Maps 2017 ، 13 ، 142-152. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. چای، ی. جیانگ، اس. گوو، دبلیو. کین، ام. پان، جی. بهادر، ع. شی، جی. لو، جی. جین، ز. لیو، ی. و همکاران تأثیر جنبه شیب بر ساختار فیلوژنتیکی جوامع قارچی میکوریزی آربوسکولار در یک اکوسیستم آلپ. بیول خاک بیوشیمی. 2018 ، 126 ، 103-113. [ Google Scholar ] [ CrossRef ]
  21. Gabbasova، IM; سلیمانوف، آر.آر. Khabirov، IK; کومیساروف، MA; گاریپوف، تی تی. سیدورووا، LV; نازیرووا، ارزیابی چندگانه FI پوشش خاک در منطقه بناهای طبیعی مونادنوکس های ترا-تائو و یوراک-تاو تحت شرایط بارهای فناورانه. علم خاک اوراسیا 2014 ، 47 ، 35-46. [ Google Scholar ] [ CrossRef ]
  22. سلیمانوف، آر. یاپاروف، آی. سایفولین، آی. ویلدانوف، آی. شیروکیخ، پ. سلیمانوف، آ. کومیساروف، م. لیبلت، پی. نیگماتولین، ا. Khamidullin، R. وضعیت فعلی زمین های متروکه در منطقه جنگلی-استپی شمالی در جمهوری باشقورتوستان (اورال جنوبی، روسیه). طول. J. Soil Sci. 2020 ، 10 ، 29-44. [ Google Scholar ] [ CrossRef ]
  23. سلیمانوف، رویکرد ژئومورفومتریک و اطلاعات جغرافیایی AR برای ارزیابی بهبودی قلمرو. در تأثیرات تغییر اقلیم بر فرآیندهای هیدرولوژیکی و دینامیک رسوب: اندازه‌گیری، مدل‌سازی و مدیریت ؛ Chalov, S., Golosov, V., Li, R., Tsyplenkov, A., Eds. مقالات Springer در علوم زمین و محیط زیست; انتشارات بین المللی Springer: چم، سوئیس، 2019; صص 72-75. [ Google Scholar ] [ CrossRef ]
  24. فورکور، جی. Hounkpatin، OKL؛ ولپ، جی. Thiel, M. نقشه برداری با وضوح بالا از ویژگی های خاک با استفاده از متغیرهای سنجش از دور در جنوب غربی بورکینافاسو: مقایسه ای از یادگیری ماشین و مدل های رگرسیون خطی چندگانه. PLoS ONE 2017 , 12 , e0170478. [ Google Scholar ] [ CrossRef ]
  25. ژو، تی. گنگ، ی. چن، جی. سان، سی. هاس، دی. Lausch، A. نقشه برداری از محتوای نیتروژن کل خاک در مناطق میانی حوضه رودخانه هیهه در چین با استفاده از متغیرهای مشتق شده از سنجش از دور چند منبعی. Remote Sens. 2019 , 11 , 2934. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. کینگزلی، جی. لوانی، س. استر، ا. اندیه، ک. یکشنبه، او. Penížek, V. نقشه‌برداری پیش‌بینی‌کننده ویژگی‌های خاک برای کشاورزی دقیق با استفاده از مدل‌های زمین آمار مبتنی بر سیستم اطلاعات جغرافیایی (GIS). مد. Appl. علمی 2019 ، 13 ، 60. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. جان، ک. آبراهام ایسونگ، آی. مایکل کبونیه، ن. اوکان آیتو، ای. چپمن آگیمن، پی. مارکوس آفو، اس. استفاده از الگوریتم‌های یادگیری ماشین برای تخمین تغییرپذیری کربن آلی خاک با متغیرهای محیطی و شاخص‌های مواد مغذی خاک در یک خاک آبرفتی. Land 2020 , 9 , 487. [ Google Scholar ] [ CrossRef ]
  28. ترانمر، م. مورفی، جی. الیوت، ام. Pampaka، M. رگرسیون خطی چندگانه ، ویرایش دوم. مقاله کار موسسه کتی مارش. موسسه کتی مارش: منچستر، بریتانیا، 2020. [ Google Scholar ]
  29. کورتس، سی. Vapnik، V. پشتیبانی-بردار شبکه. ماخ فرا گرفتن. 1995 ، 20 ، 273-297. [ Google Scholar ] [ CrossRef ]
  30. Shmilovici، A. ماشین های بردار پشتیبانی. در کتاب داده کاوی و کشف دانش ; Maimon, O., Rokach, L., Eds. Springer: Boston, MA, USA, 2009; صص 231-247. [ Google Scholar ] [ CrossRef ]
  31. ویتن، آی اچ. Frank, E. Data Mining: Practical Machine Learning Tools and Techniques , 2nd ed.; الزویر: سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 2005; پ. 525. [ Google Scholar ]
  32. هیونگ، بی. هو، اچ سی; ژانگ، جی. نادبی، ا. Bulmer، CE; اشمیت، ام جی مروری و مقایسه تکنیک‌های یادگیری ماشینی برای اهداف طبقه‌بندی در نقشه‌برداری دیجیتالی خاک. ژئودرما 2016 ، 265 ، 62-77. [ Google Scholar ] [ CrossRef ]
  33. گوان، ایکس. وانگ، اس. گائو، ز. Lv، Y. پیش‌بینی دینامیکی شوری خاک در یک ناحیه آبیاری بر اساس ماشین بردار پشتیبان. ریاضی. محاسبه کنید. مدل. 2013 ، 58 ، 719-724. [ Google Scholar ] [ CrossRef ]
  34. پروین، ن. زیدی، س. دانمارکی، M. مدل رگرسیون بردار پشتیبان برای پیش بینی ظرفیت جذب سرب (II). چشم انداز علمی 2016 ، 8 ، 629-631. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. محمودزاده، ح. متین فر، HR; تقی زاده مهرجردی، ر. کری، آر. پیش‌بینی فضایی کربن آلی خاک با استفاده از تکنیک‌های یادگیری ماشین در غرب ایران. ژئودرما Reg. 2020 , 21 , e00260. [ Google Scholar ] [ CrossRef ]
  36. گروه کاری IUSS WRB. پایگاه مرجع جهانی منابع خاک در سیستم بین المللی طبقه بندی خاک برای نامگذاری خاک ها و ایجاد افسانه برای نقشه های خاک ; گزارش منابع خاک جهان شماره 106; فائو: رم، ایتالیا، 2014. [ Google Scholar ]
  37. Jones, JB, Jr. (Ed.) Soil Analysis Handbook of Reference Methods , 1st ed.; CRC Press: Boca Raton، FL، USA، 1999; پ. 264. [ Google Scholar ]
  38. پانسو، م. گوتیرو، جی. Handbook of Soil Analysis: Mineralogical, Organic and Inorganic Methods ; Springer: برلین، آلمان، 2006; پ. 993. [ Google Scholar ]
  39. کارتر، ام آر. گرگوریچ، EG (ویرایش‌ها) Soil Sampling and Methods of Analysis , 2nd ed.; CRC Press: Boca Raton، FL، USA، 2008; پ. 1264. [ Google Scholar ]
  40. Mallows, CL برخی از نظرات به Cp. تکنومتریک 2000 ، 42 ، 87-94. [ Google Scholar ] [ CrossRef ]
  41. ماترا، دی. هایکین، اس. ماشین‌های بردار پشتیبانی برای بازسازی دینامیکی یک سیستم آشفته. که در پیشرفت در روش‌های هسته: آموزش بردار پشتیبانی ؛ مطبوعات MIT: کمبریج، MA، ایالات متحده آمریکا، 1999; صص 211-241. [ Google Scholar ]
  42. چرکاسکی، وی. Ma, Y. انتخاب عملی پارامترهای SVM و تخمین نویز برای رگرسیون SVM. شبکه عصبی 2004 ، 17 ، 113-126. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. هنگل، تی. Heuvelink، GBM؛ کمپن، بی. Leenaars، JGB; والش، ام جی؛ شپرد، KD; سیلا، ا. مک میلان، RA; de Jesus, JM; تمنه، ال. و همکاران نقشه برداری از ویژگی های خاک آفریقا در 250 متر وضوح: جنگل های تصادفی به طور قابل توجهی پیش بینی های فعلی را بهبود می بخشد. PLoS ONE 2015 ، 10 ، e0125814. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. Heuvelink، GBM؛ آنجلینی، من؛ پوجیو، ال. بای، ز. Batjes، NH; ون دن بوش، آر. بوسیو، دی. استلا، اس. لمان، جی. اولمدو، جی اف. و همکاران یادگیری ماشین در فضا و زمان برای مدل‌سازی تغییر کربن آلی خاک. یورو J. Soil Sci. 2020 ، 1-17. [ Google Scholar ] [ CrossRef ]
  45. زراعت پیشه، م. ایوبی، س. جعفری، ع. تاجیک، س. Finke, P. نقشه برداری دیجیتالی خواص خاک با استفاده از یادگیری ماشینی چندگانه در یک منطقه نیمه خشک، ایران مرکزی. Geoderma 2019 ، 338 ، 445-452. [ Google Scholar ] [ CrossRef ]
  46. جابر، اس.م. Lant، CL; القینه، MI برآورد تغییرات فضایی کربن آلی خاک با استفاده از داده های فراطیفی ماهواره ای و جبر نقشه. بین المللی J. Remote Sens. 2011 , 32 , 5077-5103. [ Google Scholar ] [ CrossRef ]
  47. وودور، ای. گومز، سی. فواد، ی. ظرفیت تصویر Lagacherie, P. Sentinel-2 برای پیش‌بینی ویژگی‌های معمول خاک سطحی اکوسیستم‌های کشاورزی معتدل و مدیترانه‌ای. سنسور از راه دور محیط. 2019 ، 223 ، 21-33. [ Google Scholar ] [ CrossRef ]
  48. تیم اصلی توسعه R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2015; در دسترس آنلاین: https://www.Rproject.org (در 15 نوامبر 2020 قابل دسترسی است).
  49. RStudio. محیط توسعه یکپارچه برای R ; RStudio: بوستون، MA، ایالات متحده آمریکا، 2015; در دسترس آنلاین: https://www.r-studio.com (در 15 نوامبر 2020 قابل دسترسی است).
  50. Gabbasova، IM; گاریپوف، تی تی. کومیساروف، MA; سلیمانف، RR; سویوندوکوف، YT; Khasanova، RF; سیدورووا، LV; کومیساروف، AV; سلیمانوف، آر. نازیرووا، FI تأثیر آتش‌سوزی بر ویژگی‌های خاک‌های استپی در منطقه فرااورال. علم خاک اوراسیا 2019 ، 52 ، 1598-1607. [ Google Scholar ] [ CrossRef ]
  51. سیلاتسا، FBT؛ یمفک، م. تابی، FO; Heuvelink، GBM؛ Leenaars، JGB در حال ارزیابی ذخایر کربن آلی خاک کشور با استفاده از مدل‌سازی یادگیری ماشین ترکیبی و داده‌های خاک در کامرون. Geoderma 2020 , 367 , 114260. [ Google Scholar ] [ CrossRef ]
  52. Sun، X.-L.; وانگ، ی. وانگ، اچ.-ال. ژانگ، سی. وانگ، Z.-L. نقشه برداری دیجیتالی خاک بر اساس مولفه های تجزیه حالت تجربی متغیرهای کمکی محیطی. یورو J. Soil Sci. 2019 ، 70 ، 1109–1127. [ Google Scholar ] [ CrossRef ]
  53. مصلح، ز. صالحی، محمدحسن؛ جعفری، ع. بروجنی، IE; مهنتکش، الف. اثربخشی نقشه برداری دیجیتالی خاک برای پیش بینی ویژگی های خاک در مناطق کم امداد. محیط زیست نظارت کنید. ارزیابی کنید. 2016 ، 188 ، 195. [ Google Scholar ] [ CrossRef ]
  54. گالانت، جی سی. داولینگ، TI یک شاخص چند تفکیک پذیری صافی پایین دره برای نقشه برداری مناطق رسوبی. منبع آب Res. 2003 ، 39 . [ Google Scholar ] [ CrossRef ]
  55. سحابیف، IA; ریازانوف، اس.اس. Kolcova، TG; گریگوریان، BR انتخاب یک روش زمین آماری برای درونیابی خواص خاک مزارع آزمایش محصول دولتی با استفاده از ویژگی های یک مدل زمین دیجیتال. علم خاک اوراسیا 2018 ، 51 ، 255-267. [ Google Scholar ] [ CrossRef ]
  56. وانگ، اس. ژوانگ، س. وانگ، کیو. جین، ایکس. هان، سی. نقشه برداری از ذخایر کربن آلی خاک و نیتروژن کل خاک در استان لیائونینگ چین. Geoderma 2017 ، 305 ، 250-263. [ Google Scholar ] [ CrossRef ]
  57. ادیکاری، ک. هارتمینک، AE; میناسنی، بی. خیر، RB; گریو، مگابایت؛ Greve، MH نقشه برداری دیجیتالی محتویات و ذخایر کربن آلی خاک در دانمارک. PLoS ONE 2014 ، 9 ، e105519. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  58. آسامی، تی. Hamdi-Aїssa، B. نقشه برداری دیجیتالی طبقات خاک در الجزایر-مقایسه روش ها. ژئودرما Reg. 2019 ، 16 ، e00215. [ Google Scholar ] [ CrossRef ]
  59. Mondejar، JP; Tongco، AF تخمین کسرهای بافت سطحی خاک با نقشه برداری دیجیتالی خاک – پاسخی به نقشه خاک قدیمی در فیلیپین. حفظ کنید. محیط زیست Res. 2019 ، 29 ، 31. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  60. خازیف، FK خاک های باشقیرستان. در خصوصیات اکولوژیک – ژنتیکی و زراعی ; گیلم: اوفا، روسیه، 1995; جلد 1، ص. 385. (به روسی) [ Google Scholar ]
  61. Gabbasova، IM; سلیمانف، RR; Khabirov، IK; کومیساروف، MA; فروهاف، م. لیبلت، پی. گاریپوف، تی تی. سیدورووا، LV; Khaziev، FK تغییرات زمانی خاکهای فرسوده بسته به استفاده کشاورزی آنها در منطقه سیس-اورال جنوبی. علم خاک اوراسیا 2016 ، 49 ، 1204-1210. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00243 g001 550
شکل 1. محل منطقه مورد مطالعه و مکان های نمونه برداری از خاک (که به صورت نقاط سیاه در ( الف ) و ( ب ) مشخص شده اند): ( الف ) – نقشه ارتفاع بر حسب متر از سطح دریا. ( ب ) – نقشه شیب بر حسب درجه.
Ijgi 10 00243 g002 550
شکل 2. همبستگی عناصر غذایی خاک در متغیرهای توپوگرافی.
Ijgi 10 00243 g003 550
شکل 3. اهمیت نسبی (%) ویژگی های توپوگرافی با استفاده از مدل پیش بینی SVM (برای مدل های R2 ≥ 0.25).
Ijgi 10 00243 g004 550
شکل 4. فراوانی (%) استفاده از شاخص های توپوگرافی (برای مدل های R2 ≥ 0.25).
Ijgi 10 00243 g005 550
شکل 5. توزیع فضایی خصوصیات اگروشیمیایی خاک با استفاده از روش SVM (برای مدل های R 2 ≥ 0.25). در اینجا و در شکل 6 ، مناطق دارای پوشش گیاهی و جاده ها با رنگ سفید پوشانده شده اند.
Ijgi 10 00243 g006 550
شکل 6. توزیع مکانی خصوصیات کشاورزی شیمیایی خاک با استفاده از روش کریجینگ معمولی (برای مدل های R2 ≥ 0.25).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید