انتخاب ویژگی‌های مؤثر بر برخی شاخص‌های کیفیت فیزیکی خاک و پیش‌بینی آن‌ها با درخت تصمیم و رگرسیون چند متغیره خطی

آب و خاک

مقاله 6، دوره 32، شماره 2 - شماره پیاپی 58، خرداد 1397، صفحه 327-342   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v32i2.68121

نویسندگان

حسین شکفته^{* 1}؛ مریم دوستکی²؛ اعظم مسعودی²

¹دانشگاه جیرفت

²دانشگاه ولیعصر رفسنجان

چکیده

اثر راهکارهای مدیریتی و استفاده از اراضی روی کیفیت خاک با شاخص‌های کیفیت فیزیکی خاک تعیین می‌شود که با ویژگی‌های فیزیکی- شیمیایی تخمین زده می‌شوند. جهت پیش‌بینی این شاخص‌ها، انتخاب ویژگی‌های مؤثر بر آن‌ها امری ضروری می‌باشد. مسأله انتخاب زیرمجموعه ویژگی‌ها، به مفهوم شناسایی و انتخاب یک زیرمجموعه مفید از ویژگی‌ها از میان مجموعه داده اولیه می‌باشد. در این مطالعه از ضریب همبستگی پیرسون برای انتخاب ویژگی‌های مؤثر بر شاخص‌های کیفیت فیزیکی خاک (از جمله؛ ظرفیت هوایی (AC)، ظرفیت زراعی نسبی (RFC) و آب قابل دسترس گیاه (PAWC)) استفاده شد و در ادامه پیش‌بینی این شاخص‌های کیفیت با الگوریتم درخت تصمیم رگرسیونی و رگرسیون چند متغیره خطی انجام شد. بدین منظور از 104 نقطه از چهار اراضی باغ، جنگل، مرتع و زراعی شهرستان رابر واقع در استان کرمان نمونه‌برداری شد و پارامترهای از جمله؛ بافت، تخلخل، چگالی ظاهری و حقیقی، هدایت هیدرولیکی، اسیدیته کربنات کلسیم، ظرفیت هوایی، ظرفیت زراعی نسبی و آب قابل دسترس اندازه‌گیری شدند. نتایج نشان داد برای ظرفیت هوایی، ویژگی‌های تخلخل، چگالی ظاهری، رس و شن، برای ظرفیت زراعی نسبی، تخلخل، شن، رس و سیلت و برای آب قابل دسترس گیاه، چگالی ظاهری، رس، قابلیت هدایت الکتریکی، تخلخل، شن و سیلت به عنوان پارامترهای ورودی مهم انتخاب شدند. همچنین مقدار R2 به‌دست آمده برای مدل درخت تصمیم برای ظرفیت هوایی، ظرفیت زراعی نسبی و آب قابل دسترس به ترتیب 95/0، 84/0 و 85/0 بود در حالی‌که در مدل رگرسیون چند متغیره خطی این شاخص‌ها به ترتیب 63/0، 62/0 و 61/0 مشاهده شدند. ویژگی‌های تخلخل و چگالی ظاهری بر ظرفیت هوایی، تخلخل بر ظرفیت زراعی نسبی و چگالی ظاهری بر روی آب قابل دسترس گیاه به عنوان مهم‌ترین پارامترهای مؤثر شناخته شدند. این پژوهش یک اساس برای پیش‌بینی و شناسایی پارامترهای مهم بر روی این سه ویژگی فیزیکی یا هیدرولیکی در خاک‌های کشاورزی، در منطقه نیمه خشک را فراهم کرد که می‌توان به مناطق دیگر نیز تعمیم داده شود.

کلیدواژه‌ها

آب قابل‌دسترس؛ ظرفیت زراعی نسبی؛ ظرفیت هوایی؛ مدل‌سازی؛ مدیریت خاک

مراجع

1- Alison L. E., and Modie C. D. 1965. Carbonate. P. 1379-1396. In: C. A. Black et al. (Ed.), Methods of soil analysis. Part II, Am. Soc. Agron., Madison, WI.

2- Allmaras R.R., Fritz V.A., PFLEGER F.L., and Copeland S.M. 2002. Impaired internal drainage and Aphanomyces euteiches root rot of pea caused by soil compaction in a finetextured soil. Soil and Tillage Research. 1740:1 -12.

3- Anlauf R., and Rehrmann P. 2012. Effect of compaction on soil hydraulic parameters of vegetative landfill covers. Geomaterials 2, 29–36.

4- Asghari Jafarabadi M., Soltani A., and Mohamadi S. M. 2013. Series Statistics; Correlation and regression. Iranian Journal of Diabetes and Lipid.12(6): 479-506.

5- Blake G. R. 1965. Bulk density. Methods of Soil Analysis. Part 1 Society of Agronomy, Madison, Wisconsin, USA.

6- Blake G. R., and Hartage K. H. 1986. Particle density, In: Klute, A. (Ed.), Methods of Soil Analysis, Part 1, # 9(2nd ed.), Agronomy Monograph. American Society of Agronomy,Madison, 377-381.

7- Bouyoucos G. J. 1951. A recalibration of hydrometer method for making mechanical analysis of soil. Agronomy Journal, 43: 434-438.

8- Breiman L., Friedman J., Olshen R., and Stone C. 1984 Classification and Regression Trees, Chapman & Hall/CRC Press, Boca Raton, FL. Development of a decision tree modeling approach .Geoderma. 139:277-287.

9- Dastourani M. T ., Habibipoor A., Ekhtesasi M. R., Talebi A., and Mahjoobi J. 2013. Evaluation of the Decision Tree Model in Precipitation Prediction (Case study: Yazd Synoptic Station). Iran-Water Resources Research. 8(3): 14-27. (In Persian with English abstract).

10- Dexter A.R. 2004. Soil physical quality. Part I: Theory, effects of soil texture, density, and organic matter, and effects on root growth. Geoderma. 120:201-214.

11- Drury, C.F., T.Q. Zhang, and B.D. Kay. 2003. The non-limiting and least limiting water range for soil nitrogen mineralization. Soil Science Society of America Journal. 67:1388-1404.

12- Emami H. 2012. Investigation the stability of agricultural soils in field Karaj. Journal of Soil Research (Soil and Water Sciences), 26:245-254.

13- Hughes G. F. 1968. On the Mean Accuracy of Statistical Pattern Recognizers. IEEE Transactions on Information Theory, 14, pp. 55-63.

14- Lal R. 1994. Soil Methods and guidelines for Sustainable use of soil and water resources in the tropics. Soil Management Support System, USDA,-NRCS. Washington, DC.

15- Mahmodabadi M., and Mazaheri M. 2012. Effect of some soil physical and chemical properties on permeability in field conditions. Jurnal of Engineering water and soil, 8, pp 14-26.

16- Moebius B.N., Van Es H.M., Schindelbeck R.R., Idowu O.J., Clune D.J., and Thies J.E. 2007. Evaluation of laboratory-measured soil physical properties and indicators of soil physical quality. Soil Science. 172: 895-912.

17- Mueller L., Kay B.D., Deen B., Hu C., Zhang Y., Wolff M., Eulenstein F., and Schindler U. 2009. Visual assessment of soil structure: Part II. Implications of tillage, rotation and traffic on sites in Canada, China and Germany. Soil and Tillage Research 103, 188-196.

18- Nabiollahi K., Haidari A., and Taghizadeh- Mehrjerdi R. 2014. Digital Mapping of Soil Texture Using Regression Tree and Artificial Neural Network in Bijar, Kurdistan. Journal of Water and Soil. 28(5):1025-1036. (In Persian with English abstract).

19- Norouzi M. 2009. Prediction of rainfed wheat yield using artificial neural network in Ardal district of Chaharmahal and Bakhtiari province. M.Sc. Thesis, Collage of Agriculture, Isfahan University of Technology, Isfahan, Iran, 112 p. (In Persian).

20- Omidvar K., Shafie SH., Taghizade Z., and Alipoor M. 2014. Evaluation of the Decision Tree Model in Precipitation Prediction Kermanshah Synoptic Station .Journal of operational research of geographical science. 14(34): 89-110. (In Persian).

21- Pahlavan Rad M., Khormali F., Tomanian N., Kiani F., and Komaki B. 2015. Predict soil classes using decision tree and logistic regression multivariate random on Golestan province. 14th iranian soil science congress, vali-e-Asr University of Rafsanjan.168-172.

22- Reynolds W.D., Bowman B.T., Drury C.F., Tan C.S., and X. Lu. 2002. Indicators of good soil physical quality: density and storage parameters. Geoderma. 110:131 -146.

23- Reynolds W., Drury C., Yang X., and Tan C. 2008. Optimal soil physical quality inferred through structural regression and parameter interactions. Geoderma 146, 466-474.

24- Richards L. A. 1954. Diagnosis and Improvement of Saline-Alkali Soils. U.S.D.A. Hand book, 60. Washington, D.C., U.S.A.

25- Shekofte H., Ramezani F., and Shirani H. 2017. Optimal feature selection for predicting soil CEC: Comparing the hybrid of ant colony organization algorithm and adaptive network-based fuzzy system with multiple linear regression. Geoderma 298: 27 –34.

26- Shirani H., Habibi M., Besalatpour A.A., and Esfandiarpour I. 2015. Determining the features influencing physical quality of calcareous soils in a semiarid region of Iran using a hybrid PSO-DT algorithm, 259-260 (2015)1-11.

27- Silva A.P., and Kay B.D. 1996. The sensitivity of shoot growth of corn to the least limiting water range of soils. Plant and Soil. 184: 323-329.

28- Singh M.J., and Khera K.L. 2009. Physical indicators of soil quality in relation to soil erodibility under different land uses. Arid Land Research and Management, 23:152-167.

29- Sobhani J., Najimi M., Pourkhorshidi A.R., and Parhizkar T. 2010. Prediction of the compressive strength of noslump concrete: A comparative study of regression, neural network and ANFIS models. Journal of Construction and Building Materials, 24: 709-718.

30- StatSoft Inc. 2004. Electronic Statistics Textbook (Tulsa, OK). http://www.statsoft.com/ textbook/stathome.html.

31- Taghizadeh-Mehrjardi R., Minasny B., Sarmadian F., and Malone P.B. 2013. Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma, 213: 15-28.

32- Tan M., Tsang I. W., and Wang L. 2014. Towards ultrahigh dimensional feature selection for big data.J. Mach. Learn. Research., 15(1): 1371-1429.

33- Topp G.C., Reynolds W.D., Cook F.J., Kirby J.M., and Carter M.R. 1997. Physical attributes of soil quality. In: Gregorich, E.G., Carter, M.R. (Eds.), Soil Quality for Crop Production and Ecosystem Health. Developments in Soil Science. 25: 21 – 58.

34- Walkley A., and Black T. A. 1934. An examination of the Degtjareff method for determinating organic matter and a proposed modification of chromic acid titration method. Soil Sciences, 37: 29-38.

35- White R. 2006. Principles and practice of soil science 4th ed. Blackwell Publishing.