کاربرد مدل های یادگیری ماشین در برآورد مکانی فسفر و پتاسیم خاک در بخشی از اراضی دشت آبیک
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.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.