تعیین روش بهینه پیش پردازش داده ها به منظور افزایش دقت شبیه سازی های شوری خاک سطحی (مطالعه موردی: منطقه مروست)

آب و خاک

مقاله 3، دوره 31، شماره 3 - شماره پیاپی 53، شهریور 1396، صفحه 915-928   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v31i3.55462

نویسندگان

اعظم حبیبی پور^{* 1}؛ علی طالبی¹؛ علی اکبر کریمیان¹؛ فرهاد دهقانی²؛ محمد حسین مختاری¹

¹دانشگاه یزد

²مرکز ملی شوری

چکیده

در این تحقیق تأثیر روش‌های پیش پردازش داده‌های شوری درافزایش دقت شبیه‌سازی‌های صورت گرفته توسط الگوریتم درخت تصمیم در منطقه مروست مورد بررسی قرار گرفته است. به این منظور شبیه‌سازی‌ها در سه حالت (استفاده از داده‌های اصلی، استفاده از لگاریتم داده‌ها و استفاده از داده‌های استاندارد شده) صورت گرفت. نتایج نشان داد علیرغم معنی دار بودن ضریب همبستگی در هر سه حالت، میزان خطا در حالت استفاده از لگاریتم داده‌ها نسبت به دو حالت دیگر کمتر بوده و نتایج به واقعیت نزدیکتر می‌باشد. به طوری که این حالت (استفاده از لگاریتم داده ها)، درخت ایجاد شده قادر است با ترکیب "باند 7، ارتفاع" و استفاده از 5 قانون، میزان شوری خاک سطحی را برآورد نماید. با توجه به اینکه توزیع احتمالاتی حاکم بر داده‌های شوری منطقه، یکی از توزیع های خانواده لگاریتم(Log-Pearson 3) می‌باشد می‌توان اظهار داشت، کاهش خطا در حالت استفاده از لگاریتم داده‌ها در ارتباط نزدیک با توزیع احتمالاتی حاکم بر داده‌های شوری منطقه مورد بررسی در این تحقیق می‌باشد. لذا شبیه سازی با استفاده از لگاریتم داده‌ها به دلیل خطای کمتر و نیازمندی به داده‌های ورودی کمتر به عنوان مدل برتر شناخته شد.آماره های خطای R، Rmse، %Rmse، MAE وBias در این حالت 76/0، 49/0، 58/38، 37/0 و 14/0- بدست آمد.

کلیدواژه‌ها

بهنجارسازی داده ها؛ توزیع احتمالاتی؛ درخت تصمیم رگرسیونی؛ هدایت الکتریکی

مراجع

1- Abdelfattah M., Shahid Sh., and Othman Y. 2009. Soil salinity mapping model developed using RS and GIS: A case study from Abu Dhabi, United Arab Emirates. European Journal of Scientific Research 26 (3): 342-351.

2- Abdinam A. 2005. Investigation of soil salinity mapping using the correlation between satellite data and numerical values of soil salinity in Ghazvin plain. Journal of research and building. (In Persian).

3- Afkhami H., Dastoorani M, T., and Fotouhi F. 2015. The impact probability distribution to increase accuracy of prediction of suspended sediment using artificial neural networks and neuro-fuzzy inference system (Case Study: Watershed Dez). Iranian Journal of Watershed Management Science and Engineering. (21), 21-35. (In Persian).

4- Ahmadian M., and Pakparvar V. 2006. Evaluation of Soil Salinity using RS & GIS in Ghahavand plain. Agriculture and Natural Resources Research Center of Hamadan. (In Persian).

5- Amini M. 1999. Investigation of geostatistics of soils salinity and alkalinity in selected soils in the Rodasht region. M.Sc Thesis of Soil Sciences. College of Agriculture. Isfahan University of Technology. 119p, (In Persian).

6- Breiman L., Friedman J., Olshen R., and Stone C. 1984. Classification and Regression Trees. Chapman & Hall/CRC Press, Boca Raton, FL.

7- Buces F.N., Siebe C., Cram S., and Palacio, J.L. 2006. Mapping soil salinity using a combined spectral response index for bare soil and vegetation: (A case study in the former lake Texcoco, Mexico). Journal of Arid Environments, 65:644-667.

8- Chitsaz V. 1999. Possibility investigation of mapping soil salinity and alkalinity in eastern region of Isfahan using TM Digital data. M.Sc Thesis. Isfahan University of Technology. 129p, (In Persian).

9- Dashtakian K., Pakparvar M., and Abdallai J. 2008. Investigation of mapping methods using Landsat data in Marvast region. Iranian Journal of Range and Desert Research.15 (2): 139-157. (In Persian).

10- Dwivedi R. S., and Sreenivas K. 1998. Image transforms as a tool for the study of soil salinity and alkalinity dynamics. International Journal of Remote Sensing, 19: 605-619.

11- Ebrahimian H., Liaghat A., and Bazrafshan M. 2011. Estimation of Some Climatic Parameters by Using Pedo-Transfer. Iranian Journal of Watershed Management Science and Engineering. (14), 77-85. (In Persian).

12- Eldiery A., Garcia L., and Reich R. 2005. Estimating soil salinity from remote sensing data in Corn fields. Hydrology days, 2005. Colorado State University fort Collins, co 80523-1372.

13- Jafari Gorzin B. 2002. Study of landsat ETM+ capability in detecting salt affected lands (a case study in Gorgan Plain), a thesis of presented for M.Sc. Gorgan university of Agriculture and Natural Resource Science, college of Range and Watershed Management, 127p.

14- Khajaldin S, J. 1996. Using data of Landsat MSS 5 for investigation of Plant communities and identify soil lands in Jazmoorian region. 02nd National Conference on desertification and desertification control methods. Kerman city. (In Persian).

15- Mohammadi Takami S, M. 2005. The methods of data processing and pattern recognition. K.N. Toosi University of Technology. (In Persian).

16- Naeijnoori R. 2001. Investigation on possibility of Separation salinity and gypsum land using TM data. M.Sc Thesis of desertification, collage of natural resource, Isfahan University of Technology. (In Persian).

17- Rivero R. G., Grunwald S., and Bruland G. L. 2007. Incorporation of spectral data into multivariate geostatistical models to map soil phosphorus variability in a Florida wetland, Geoderma, 140: 428-443.

18- Taghizadeh-Mehrjardi R., Minasny B., Sarmadian F., and Malone B, P. 2014. Digital mapping of soil salinity in Ardekan region, central Iran. Geoderma. 213: 15-28.

19- Tajgardan T., Ayoubei sh., Shetaei Sh., and Khormali F. 2009. Mapping of surface soil salinity using ETM+ data (case study: Northern Aq Qala , Gulistan Province. (In Persian).

20- Wilding L.P. 1985. Spatial variability: Its documentation, accommodation, and implication to soil survey. In: Nielsen, D.R., and J. Bouma, (eds.), Soil Spatial Variability, Pudoc, Wagenigen, the Netherlands. 166-194.

21- Wu J.,Vincent B., Yang, ., Bouarfa S., and Vidal A. 2008. Remote sensing monitoring of changes in soil salinity: A case study in Inner Mongolia, China. Journal of Sensors, 8: 7035-7049.