spatial modeling
در نشریات گروه آب و خاک-
آگاهی از توزیع مکانی شوری و کربن آلی خاک منجر به دستیابی به اطلاعات ارزشمندی می گردد که در اتخاذ تصمیمات مدیریتی برای فعالیت های کشاورزی موثر است. این مطالعه با هدف بررسی تغییرات مکانی قابلیت هدایت الکتریکی (EC) به عنوان بیانگر وضعیت شوری خاک و کربن آلی خاک (SOC) در دو لایه سطحی (صفر تا30 سانتی متر) و زیرسطحی (30-60 سانتی متر) با استفاده از چهار الگوریتم یادگیری ماشین جنگل تصادفی (RF)، درخت تصمیم (DTr)، رگرسیون بردار پشتیبان (SVR) و شبکه عصبی مصنوعی (ANN) در دشت قزوین انجام شد. بدین منظور، از 278 خاکرخ مطالعاتی نمونه برداری گردید و پس از عبور از الک دو میلی متر، مقادیر EC و SOC آنها اندازه گیری گردید. متغیرهای کمکی مستخرج از مدل رقومی ارتفاع و ماهواره لندست 8، شامل ارتفاع (Elevation)، تابش پخشیدگی (Diffuse)، شاخص همواری کف دره با درجه تفکیک بالا (MrVBF)، شاخص تفاوت پوشش گیاهی نرمال شده (NDVI)، شاخص خیسی ساگا (SWI) و شاخص جهت باد (WE) به عنوان نمایندگان عوامل خاکسازی مورد استفاده قرار گرفتند. نتایج نشان داد که مدل RF برای پیش بینی EC خاک در لایه سطحی با R2 برابر با 74/0 و RMSE 36/0 و nRMSE 07/0وهمچنین پیش بینی کربن آلی در هر دو لایه سطحی و زیر سطحی با R2 به ترتیب برابر با 90/0 و 80/0 و به دنبال آن مدل DTr برای پیش بینی شوری خاک در لایه زیرسطحی با R2 77/0 و RMSE/ 9/0 و nRMSE 17/0 نسبت به سایر مدل ها دارای صحت بالاتری بودند. همچنین، متغیرهای توپوگرافی شامل ارتفاع، شدت تابش پخشیدگی و شاخص همواری کف دره با درجه تفکیک بالا بیشترین ارتباط را با تغییرات شوری و کربن آلی خاک در هر دولایه سطحی و زیرسطحی داشتند. به طور کلی مدل های RF و DTr به همراه متغیرهای توپوگرافی توانستند تغییرات شوری و کربن آلی سطحی و زیرسطحی خاک را با صحت قابل قبول در منطقه مورد مطالعه ارایه نمایند؛ که نقشه های تهیه شده می توانند برای اعمال تصمیم های مدیریتی لازم در مورد خاک های منطقه مورد استفاده قرار گیرند.
کلید واژگان: تغییرات سطحی و عمقی، متغیرهای محیطی، مدلسازی رقومی، نقشه برداری ویژگی های خاکIntroductionKnowledge of the spatial distribution of soil salinity and soil organic carbon (SOC) leads to obtaining valuable information that is effective in decision-making for agricultural activities. More than a third of the world's land is affected by salt, which threatens the growth and production of crops, and prevents the development of sustainable agriculture. The high electrical conductivity (EC) content in soils poses significant challenges in arid and semi-arid regions, greatly impacting agricultural production. Saline and sodic soils often exhibit high levels of sodium which is a key characteristic. The presence of sodium ions leads to the destabilization of soil aggregates and the dispersion of soil particles resulting in the closure of soil pores. Consequently, unfavorable changes occur in the soil physical, chemical, and biological properties increasing its susceptibility to water and wind erosion. Additionally, high sodium levels can lead to the decomposition of soil organic carbon (SOC). SOC is crucial for water retention, cation exchange, and nutrient availability, making its reduction in agricultural soils a significant threat to sustainable soil management. Therefore, the investigation of soils in terms of EC and SOC contents and their spatial distribution is of great importance to support decision-makers in agricultural development planning to reduce challenges related to food security in arid and semi-arid regions.
Materials and MethodsThis study was conducted with the aim of investigating the EC and SOC in topsoil (0-30 cm) and subsoil (30-60 cm) layers using four machine learning (ML) algorithms namely, random forest (RF), decision tree (DTr), support vector regression (SVR) and artificial neural network (ANN) performed in Qazvin Plain. The study area includes a part of agricultural lands and natural areas of Alborz and Qazvin provinces, between the Nazarabad and Abyek cities in Iran. This region with an area of 60,000 hectares is located at latitude 35° 54´ to 36° 54´ to the north and 50° 15´ to 50° 39´ to the east. This research was carried out in four stages including (i) soil sampling and measuring the physical and chemical properties of the soil and preparation of environmental covariates from a digital elevation model (DEM) with spatial resolution 12.5 m and Landsat 8 satellite imagery with spatial resolution 30 m by SAGA GIS and ENVI software, (ii) spatial modeling of soil EC and SOC in the topsoil and subsoil layers by the RF, SVR, ANN, and DTr ML algorithms, (iii) evaluating the efficiency of the ML algorithms and determining the relative importance of environmental covariates, and (iv) preparation of spatial prediction maps of EC and SOC in the topsoil (0-30 cm) and subsoil (30-60 cm) layers in the study area.
Results and DiscussionThe result of the spatial prediction maps of EC showed that the studied area has non-saline to very saline soils up to a depth of 60 cm. It is also possible that the EC equivalent shows a decreasing trend in soil salinity with a depth from 6.05 to 5.55 ds/m from the topsoil to the subsoil layer. The highest amount of SOC was observed in the surface layer equal to 3.3%. Globally SOC content decreased from the surface (average of 0.84%) to depth (average of 0.4%). The high spatial variability of SOC showed that the soils of the study area are affected by management activity. Environmental covariates were extracted as a proxy of topography and remote sensing indices including elevation, diffuse Insolation (Diffuse), Multi-Resolution Index of Valley Bottom Flatness (MrVBF), Normalized Differences Vegetation Index (NDVI), SAGA wetness index (SWI) and wind Effect (WE) were used as representatives of soil formation factors. The topography parameters, including the elevation, diffuse insolation, and Multi-Resolution Index of Valley Bottom Flatness, were most closely related to EC and SOC variations in each topsoil and subsoil layer. Elevation can be justified around 50% and 35% of EC and 28.56% and 29.47% of SOC variations in the topsoil and subsoil layers, respectively, followed by the diffuse variable can succeed to justified 19.7% and 25.1% of EC and 27.28% and 27.67% of SOC spatial variations in the topsoil and subsoil layers, respectively.The results confirmed that the RF was recognized as outperforming the ML model for predicting EC in the topsoil (R2 =0.74, RMSE =0.36, and nRMSE= 0.07), as well as predicting SOC in topsoil and subsoil layers (R2= 90 and R2=0.80), followed by the DTr for predicting EC (R2 0.77, RMSE/0.9, and nRMSE 0.17) in the subsoil layer in comparison other models.
ConclusionThe RF (Random Forest) and DTr (Decision Tree) models incorporating topographic parameters demonstrated satisfactory accuracy in predicting the variation of topsoil and subsoil electrical conductivity (EC) and soil organic carbon (SOC) in the study area. Topography plays a crucial role in soil formation, and elevation-based topographic attributes are commonly used as key predictors in digital soil mapping projects. The variability in topography influences water flow and sedimentation processes which, in turn, affects soil development and the spatial distribution of soil properties. The resulting soil maps can be valuable tools for decision-making programs related to soil management in the region.
Keywords: Environmental covariates, soil properties mapping, spatial modeling, topsoil, subsoil variations -
مطالعه حاضر با هدف ارزیابی و مقایسه کارایی مدل های ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) با استفاده از رویکرد نقشه برداری رقومی خاک (DSM) برای پیش بینی اجزا بافت خاک در بخشی از اراضی استان خوزستان انجام شد. در بهمن سال 1399، به منظور تعیین بافت خاک، 200 نمونه از خاک سطحی (عمق 10-0 سانتی متری) به صورت تصادفی طبقه بندی شده جمع آوری شدند. متغیرهای کمکی شامل مشتقات اولیه و ثانویه مدل رقومی ارتفاع (DEM) شامل (شیب، جهت شیب، شاخص شبکه آبراهه ای و...) و شاخص های طیفی و گیاهی سنجش از دور (RS) بودند که انتخاب دسته مناسب از آنها با استفاده از روش تجزیه مولفه های اصلی (PCA) انجام گرفت. بر اساس روش PCA، نه متغیر توپوگرافی از DEM و هشت شاخص پوشش گیاهی از RS برای پیش بینی اجزا بافت خاک (شن، سیلت و رس) انتخاب گردیدند. کارایی مدل ها با استفاده از آماره های ضریب تبیین (R2) و ریشه ی میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفت. نتایج نشان داد مدل جنگل تصادفی از دقت بالاتر و خطا کمتری نسبت به مدل ماشین بردار پشتیبان (SVM) برخوردار است، به طوری که میزان R2 در این مدل برای شن 80/0، سیلت 81/0 و رس 78/0 و ریشه ی میانگین مربعات خطا (RMSE) در پیش بینی این ذرات به ترتیب 02/6، 89/5 و 02/6 بود. این درحالی است که R2 و RMSE در مدل ماشین بردار پشتیبان به ترتیب برای شن 39/0 و 70/13، سیلت 45/0 و 70/10 و رس46/0 و 32/9 بود. همچنین اهمیت نسبی متغیرهای استفاد شده در پیش بینی اجزای بافت خاک نشان داد شاخص شوری، شاخص روشنایی و شبکه آبراهه ای به همراه باند 6 ماهواره لندست 8 مهم ترین متغیرهای محیطی پیش بینی کننده ذرات رس، سیلت و ماسه بودند. بنابراین پیشنهاد می شود از مدل جنگل تصادفی به عنوان روشی مفید و قابل اعتماد در تهیه نقشه های رقومی بافت خاک در منطقه مورد مطالعه استفاده شود.کلید واژگان: مدل سازی مکانی، سنجش از دور، ماشین بردار پشتیبان، جنگل تصادفیThis study aims to evaluate and to compare the efficiency of support vector machine (SVM) and random forest (RF) models using digital soil mapping approach to predict soil texture in part of Khuzestan province. In February 2021, before determining soil texture, 200 soil samples were taken using stratified random sampling from the surface layer )0-10 cm(. Auxiliary variables included primary and secondary derivatives of digital elevation model (DEM), remote sensing spectral indices (RS), from which the appropriate category was selected using principal component analysis (PCA). Based on PCA method, nine topographic variables from DEM and eight vegetation indices and spectra from RS were selected to predict soils texture components (sand, silt, and clay). The efficiency of the models was evaluated using the coefficient of determination (R2) and the root mean squared of the error (RMSE). The results indicated that the random forest model had higher accuracy and less error than the support vector machine model (SVM), so that values of R2 in this model were 0.80 for sand, 0.81 for silt, and 0.78 for clay, and the RMSE in the prediction of these particles were 6.02, 5.89 and 6.02, respectively. While the R2 and RMSE in the support vector machine model for prediction of sand, silt and clay were (0.39, 13.70), (0.45, 10.70), and (0.46, 9.32), respectively. Also, the results of this evaluation showed that salinity index, brightness index, and channel network in addition of the 6-band Landsat 8 satellite or the far infrared band were the most important environmental variables predicting clay, silt, and sand particles. In conclusion, we suggest using Random Forest model as a useful and reliable method in preparing digital maps of soil texture in the study area.Keywords: Spatial modeling, remote sensing, Soil Texture, Support vector machine, Random forest
-
مدل سازی و نقشه برداری توزیع مکانی عناصر غذایی گیاه در خاک اهمیت ویژه ای در افزایش بهره وری بخش کشاورزی و نیل به توسعه پایدار دارد. این پژوهش باهدف تهیه نقشه های رقومی دو عنصر مغذی فسفر در دسترس (Pav) و پتاسیم قابل تبادل (Kex) خاک با استفاده از مدل های یادگیری ماشین (MLM) شامل جنگل تصادفی (RF)، کوبیست (CB)، رگرسیون بردار پشتیبان (SVR) و k - نزدیک ترین همسایگی (k-NN) در دو عمق 15-0 و 30- 15 سانتی متر در بخشی از اراضی دشت آبیک صورت پذیرفت. در راستای این هدف 278 خاک رخ مطالعاتی در منطقه مورد مطالعه حفر و پس از نمونه برداری از افق های مورد نظر، خاک ها برای انجام آزمایش های مورد نیاز به آزمایشگاه منتقل شد. ارزیابی کارایی MLM بر اساس روش اعتبارسنجی متقابل با 10-گام صورت پذیرفت. نتایج مدل سازی حاکی از آن است که مدل RF نسبت به سه مدل دیگر در برآورد مکانی Pav و Kex در دو عمق موردمطالعه دارای بیشترین میزان صحت و حداقل مقدار خطا بود. در عمق 0-15 سانتی متر طبق آماره های ضریب همبستگی تطابق (CCC) برای Pav مقادیر 84/0، 74/0، 48/0 و 35/0 و حداقل مقدار میانگین ریشه مربعات خطا نرمال شده (NRMSE) 38/0، 54/0، 70/0 و 80/0 به ترتیب توسط مدل های RF، CB، k-NN، SVR و برای Kex در همین عمق مقادیر CCC برابر 82/0، 72/0، 70/، 47/0 و NRMSE 25/0، 34/0، 36/0 و 45/0 به ترتیب توسط مدل های RF، CB، SVR، k-NN مشاهده گردید. نتایج مشابهی برای لایه 30-15 سانتی متر به دست آمد. اهمیت نسبی متغیرهای محیطی موید نقش موثرتر ویژگی های خاک نسبت به سایر متغیرهای محیطی در برآورد Pav و Kex بود. با توجه به نقشه های پهنه بندی دو عنصر مغذی و غالب بودن کاربری زراعی در اراضی موردمطالعه، بخش های عمده ای از منطقه بر اساس مقادیر استاندارد Pav دارای کمبود بود. بنا بر این، به منظور افزایش بهره وری و بهبود مدیریت حاصلخیزیخاک استفاده از کودهای فسفات با نظارت کارشناسان خاک توصیه می شود.
کلید واژگان: فسفر در دسترس، پتاسیم قابل تبادل، مدل سازی مکانی، نقشه برداری رقومی خاکModeling and mapping of plants nutrient elements in soil has importance in increasing the productivity of agriculture and achieving sustainable development. The aim of this research was to prepare digital maps of two nutrients, namely, available phosphorus (Pav) and exchangeable potassium (Kex) using machine learning models (MLM) i.e., random forest (RF), cubist (CB), support vector regression (SVR) and k-nearest neighborhood (k-NN) at two depths of 15-30 and 0-15 cm in a part of Abyek Plain. In this regard, 278 soil profiles were dug, sampled from the desired horizons, and samples were analyzed. MLM performance was implemented by 10-fold cross-valuation. The modeling results demonstrated that the RF model had the highest accuracy and minimum error compared to the other three models in spatial estimation of available Pav and Kex at the two studied depths. According to the results, for Pav at a depth of 0-15 cm, CCC statistics values of 0.84, 0.74, 0.48 and 0.35 and NRMSE values of 0.38, 0.54, 0.70, and 0.80 belonged to RF, CB, k-NN, and SVR, respectively. For Kex at the same depth, CCC values were 0.82, 0.72, 0. 70, 0.47 and NRMSE 0.25, 0.34, 0.36 and 0.45, by RF, CB, SVR, and k-NN models, respectively. Similar results were obtained for 15-30 cm layer. The relative importance of environmental variables showed that soil covariates had a more effective role in the spatial estimation of Pav and Kex than other environmental variables. According to the estimated maps of the two elements and the predominance of agricultural land uses, major parts of the area are Pav deficient based on standard amounts. Therefore, to increase productivity and improve management of soil fertility, use of phosphate fertilizers is recommended under the supervision of soil experts.
Keywords: Available phosphorus, Exchangeable potassium, Spatial modeling, Digital soil mapping -
برای کنترل فرسایش خاک اقدامات مختلفی انجام می گیرد که اطلاع از تاثیر این گونه اقدامات اهمیت زیادی در مدیریت فرسایش دارد. به همین دلیل این مطالعه با هدف بررسی شاخص فرسایش پذیری خاک (K) و تغییرات مکانی آن در یک منطقه تحت عملیات درخت کاری و کنتور فارو و یک منطقه مشابه بدون این عملیات در منطقه چاه ماری بهبهان (استان خوزستان) انجام شد. تعداد 150 نمونه خاک از پنج سانتی متر سطحی برداشته شد و مقدار K به روش های ویشمایر و اسمیت (روش A) و واعظی و همکاران (روش B) تعیین گردید. مدل سازی K با استفاده از تکنیک های نقشه برداری رقومی خاک (DSM) بر اساس متغیرهای محیطی استخراج شده از تصویر لندست 8 و مدل رقومی ارتفاع (DEM) و توسط مدل های جنگل تصادفی (RF) و شبکه های عصبی مصنوعی (ANN) انجام شد. میانگین K روش های A و B به ترتیب برابر با 067/0 و 006/0 تن بر هکتار ساعت بر هکتار مگاژول میلی متر بود. نتایج بیانگر همبستگی بالا بین K به دست آمده از هر دو روش و داده های سنجش از دور بود. بین K روش B با برخی متغیرهای استخراج شده از DEM همبستگی معنی داری وجود داشت، ولی بین این متغیرها با K روش A همبستگی معنی داری وجود نداشت. نتایج مقایسه میانگین ها نیز نشان داد بین میانگین K به دست آمده از روش A در منطقه شاهد با منطقه اجرای عملیات کنترل فرسایش تفاوت معنی داری وجود داشت؛ ولی این تفاوت برای K روش B معنی دار نبود. ارزیابی کارآیی مدل ها نشان داد که هر دو مدل RF و ANN کارآیی نسبتا بالایی در تخمین K از طریق دو روش A و B داشتند و هر دو روش منجر به تخمین های نااریب گردیدند. به طورکلی، نتایج نشان داد که هر چند کارآیی روش های DSM در مدل سازی K بالا بود، ولی نتایج کارایی مدل ها و مقایسه تیمارهای مختلف حفاظت خاک به روش تعیین K همبستگی داشت.کلید واژگان: فرسایش خاک، مدل سازی مکانی، نقشه برداری رقومی خاک، یادگیری ماشینTo control soil erosion, several measures can be conducted which information on their effects is very important in managing soil erosion. Therefore, this study was conducted to assess and model soil erodibility in two adjacent sites in Behbahan region (Khuzestan province). At one site afforestation and contour furrowing were conducted to control soil erosion and the other site without any controlling measures was considered as control. Totally 150 soil samples were collected from the surface layer (0-5 cm) and K was estimated using the methods introduced by Wischmeier and Smith (method A) and Vaezi et al. (method B). For spatial modelling of K, based on digital soil mapping (DSM) techniques, several environmental covariates were derived from a Landsat 8 image and a digital elevation model (DEM) and two models including random forests (RF) and artificial neural networks (ANN) were employed. The values of K for methods A and B varied from 0.025 to 0.087 and 0.002 to 0.008 t.ha.h/ha.Mj.mm with means of 0.067 and 0.006 t.ha.h/ha.Mj.mm, respectively. Results revealed good correlation between K and remotely sensed covariates. Although K (method B) had significant correlation with some of the covariates derived from DEM, but there was no significant correlation between K (method A) with all covariates derived from DEM. Results indicated a significant difference between two sites it terms of K estimated by method A, while there was no significant difference in case of K estimated by method B. Model validation showed that both RF and ANN models resulted in good and unbiased estimates of K (methods A and B). In general, the findings indicated, although the performance of DSM techniques in modeling K were high, performances of the models and the results of means compassion may significantly differ in terms of the method through which K is estimated.Keywords: Digital soil mapping, Machine learning, Soil Erosion, Spatial modeling
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.