پيش بيني مكاني شوري خاك با استفاده از ماشين بردار پشتيبان در مناطق بياباني (مطالعه موردي: شهرستان ميبد)

Spatial Perdiction of Soil Salinity Using SVM in Desert Regions (Case study: Meybod City)

غزالي آرزو Ghazali Arezo

تقي زاده مهرجردي روح الله Taghizadeh Mehrjardi Ruhollah

كلانتري سعيده Kalantari Saeide , رحيميان محمدحسن Rahimian Mohammad Hassan

مديريت و كنترل بيابان

كشاورزي و منابع طبيعي

مهندسي طبيعت

101ص

ابعاد سلول , لندست 〖"ETM" 〗^"+" , مدل رقومي ارتفاع , نقشه برداري رقومي خاك

Digital elevation model , Digital soil mapping , cell size , Landsat ETM+

نقشه¬برداري رقومي روشي نوين و جايگزيني مناسب براي روش¬هاي سنتي و مشكلات آن¬ها است. در اين روش شوري خاك با يك سري متغيرهاي محيطي ارتباط داده مي¬شود و سپس شوري خاك در نقاط ديگر پيش¬بيني مي¬شود. در اين پژوهش، از شهرستان ميبد به وسعت 98/867 كيلومترمربع، 73 نقطه به روش هايپركيوپ مشخص و از اين نقاط نمونه¬برداري صورت گرفت و هدايت الكتيريكي نمونه¬ها در عصاره اشباع اندازه¬گيري شد. با استفاده از مدل¬هاي شبكه عصبي مصنوعي، ماشين بردار پشتيبان، رگرسيون چند متغيره و درخت تصميم، ارتباط بين داده¬هاي زميني و متغيرهاي محيطي (اجزاء سرزمين و داده¬هاي تصوير ماهواره¬ لندست 8) بدست آمد. همچنين جهت تعيين بهترين ابعاد سلولي مدل رقومي ارتفاع و تصوير ماهواره¬اي جهت نقشه¬برداري خاك، در مرحله اول، از داده‌هاي مختلف جانبي از جمله داده‌هاي به دست آمده از مدل ارتفاعي رقومي با رزولوشن هاي مختلف و در مرحله دوم، تركيبي از داده‌هاي به دست آمده از مدل ارتفاعي رقومي و تصاوير سنجش از دور با رزولوشن هاي مختلف، براي مدل‌سازي استفاده كرديم. در نهايت با استفاده از ضريب تبيين بين مقادير واقعي و برآورد شده، مدل¬ها اعتبارسنجي شد. نتايج نشان داد كه اطلاعات حاصل از تلفيق داده¬برداري زميني، تصاوير ماهواره¬اي و مدل رقومي ارتفاع براي تهيه¬ي نقشه¬ي شوري خاك مناسب هستند. همچنين مدل درخت تصميم، بهترين مدل براي پهنه¬بندي شوري است (90/0="R" ^"2" ). نتايج مدل درختي نشان داد كه پارامتر band4 به‌عنوان مهم¬ترين متغير محيطي جهت برآورد شوري خاك مي¬باشد. بعد از مدل درخت تصميم، به ترتيب مدل شبكه عصبي مصنوعي، رگرسيون چند متغيره و ماشين بردار پشتيبان داراي بهترين عملكرد مي¬باشند (48/0 و 51/0، 57/0="R" ^"2" ). نتايج بررسي بهترين ابعاد سلولي نشان داد بالاترين ضريب تبيين به دست آمده (95/0)، مربوط به مدل‌سازي با درخت تصميم بر روي كل داده¬ها است.

Digital mapping is a new and appropriate alternative approach for traditional methods .In this method, soil salinity is associated with a series of environmental variables and soil salinity is predicted in other points. In this study, in city maybod the area 867/98 square kilometer, 73 points were located based on hypercube sampling method and samples were taken and Electrical Conductivity (EC) were measured in saturation extract. The relationship between ground data and environment variables (land components and The Landsat 8 satellite images) were constructed. Using artificial neural networks, support vector machine, multiple regression and decision trees. Furthermore, for determination of the best cell size of Digital elevation model and satellite images for soil mapping, at the first stage, was used different ancillary data including data derived from a digital elevation model with different resolution and in the second stage, a combination of data derived from a digital elevation model and remote sensing images with different resolution, for modeling. Finally, the validation of obtained models were by the correlation coefficient between actual and estimated values. The results showed that information obtained from Combination Of ground data, satellite imagery and digital elevation model are suitable for mapping soil salinity.Moreover, decision tree model the best model for salinity mapping (R2 = 0.90). The results of the tree model Showed that Parameter of band4 is the main environment variable to estimate soil salinity. After the decision tree model, artificial neural network model, multiple regression and support vector machine have the best performance respectively (R2 = 0.57, 0.48, …). results On The best cell size showed The best performance-correlation coefficient (0.95) was obtained when we applied decision tree on all data.

10/7/2015 12:00:00 AM

153

NE65

خانم فتوحي