عنوان

تعیین پراکنش مکانی شاخص‌های کیفیت خاک با استفاده از مدل‌های هوشمند هیبریدی,‮‭Determining the spatial distribution of soil quality indices using hybrid intelligent models‬

Number

‭۲۱۶۱۸پ‬

.Language of Text, Soundtrack etc

per

Title Proper

تعیین پراکنش مکانی شاخص‌های کیفیت خاک با استفاده از مدل‌های هوشمند هیبریدی

Parallel Title Proper

‮‭Determining the spatial distribution of soil quality indices using hybrid intelligent models‬

First Statement of Responsibility

/نسترن پولادی

Name of Publisher, Distributor, etc.

: کشاورزی

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۸‬

Name of Manufacturer

، میرزائی

Specific Material Designation and Extent of Item

‮‭۱۰۳‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

دکتری

Discipline of degree

علوم خاک گرایش پیدایش، رده‌بندی و ارزیابی خاک

Date of degree

‮‭۱۳۹۸/۰۴/۱۱‬

Body granting the degree

تبریز

Text of Note

پراکنش مکانی ویژگی‌های خاک نقش مهمی در سیستم‌های زیست محیطی مدیریت پایدار کشاورزی دارد .روش‌های کلاسیک علاوه‌صبر اینکه در توصیف نحوه پراکنش مکانی ویژگی‌صهای خاک نارسایی‌هایی داشته و منجر به از دست رفتن بخش قابل ملاحظه‌ای از اطلاعات می‌شود نیازمند صرف هزینه و زمان زیاد نیز می‌باشند .لذا به‌منظور افزایش دقت می‌توان از روش‌های نوین هوشمند مانند شبکه عصبی مصنوعی، ماشین بردار پشتیبان و هم‌چنین روش جدید هیبریدی شبکه عصبی مصنوعی- الگوریتم کرم شب‌تاب‮‭FFA) - (MLP‬برای تعیین پراکنش مکانی و تهیه نقشه‌صهای رقوی ویژگی‌های کیفیت خاک استفاده نمود .بدین منظور محدوده‌ای از اراضی کشاورزی به مساحت ‮‭۵/۶۸۳۰‬ هکتار از شهرستان میاندوآب) استان آذربایجان‌غربی (انتخاب گردید .روش مطالعه خاک در این تحقیق به‌صورت نیمه‌تفصیلی بوده و نمونه‌صها از شبکه‌صهای ‮‭۷۰‬ هکتاری تهیه شدند .نقشه‌های پایه خاک‌ص‍ به روش ژئوپدولوژی تهیه و نمونه‌برداری از ‮‭۸۰‬ نقطه مطالعاتی تهیه شدند .سپس شاخص‌های ارزیابی کیفیت خاک مشتمل بر ویژگی‌های فیزیکی) بافت، پایدراری خاکدانه‌ها، جرم مخصوص ظاهری(، شیمیایی) واکنش، شوری، عناصر غذایی گیاهی (و بیولوژیکی) جمعیت میکروبی و تنفس میکروبی (تعیین شدند .نتایج نشان داد که ویژگی‌صهای بیولوژیکی در تعیین شاخص کیفیت خاک تاثیر بیش‌صتری را نسبت به ویژگی‌صهای فیزیکی و شیمیایی در منطقه داشتند .هم‌چنین داده‌های مورد نیاز در روش‌های مدل‌صسازی به کمک برخی اطلاعات محیطی حاصل از تصاویر ماهواره‌ای ‮‭Landsat ۸ OLI‬ با قدرت تفکیک مکانی ‮‭۳۰‬ متر به تاریخ ‮‭۲۸‬ مارس ‮‭۲۰۱۶‬ بود .نتایج حاصله از مدل‌سازی نشان داد که مدل‌های به‌صکار رفته در پیش‌صبینی ویژگی‌صهای مذکور در منطقه مورد مطالعه به‌صدلیل کم بودن تعداد نقاط نمونه‌برداری موفق عمل نکرده‌صاند .بنابراین برای اعتبارسنجی مدل‌صهای ایجاد شده منطقه دیگری از کشور دانمارک) مزرعه تحقیقاتی ‮‭Vindum)‬ به وسعت ‮‭۱۰‬ هکتار مورد بررسی قرار گرفت .مزرعه با ‮‭۲۸۵‬ نقطه نمونه‌برداری حاوی اطلاعات مربوط به واکنش خاک، ماده‌صآلی، فسفر، پتاسیم، رس، سیلت و شن و نیز داده‌صهای محیطی استخراج شده از تصاویر ماهواره‌صای ‮‭Sentinel ۲‬ با قدرت تفکیک مکانی ‮‭۱۰‬ متر به تاریخ ‮‭۲۸‬ مارس ‮‭۲۰۱۶‬ بود .مدل‌های به‌کار رفته در منطقه میاندوآب بر روی این منطقه نیز اعمال و نتایج ارزیابی مدل‌صها نشان داد که مدل هیبرید‮‭FFA - MLP‬نسبت به دو مدل ‮‭ANN‬ و ‮‭SVM‬ در پیش‌صبینی ویژگی‌های کیفی خاک دقت بیش‌صتری است .هم‌صچنین مدل‌های ذکر شده در تراکم مختلف نقاط نمونه‌برداری مورد بررسی قرار گرفت و نتایج نشان داد که با کم شدن تعداد نمونه‌صها دقت مدل‌صهای یادگیری ماشین به شدت افت می‌صکند، در حالی‌صکه کاهش دقت روش ‮‭Kriging‬ با کاهش تعداد نمونه‌صها کم‌صتر بوده و به شدت افت نمی‌صکند .در نهایت نقشه مربوط به شاخص‌های کیفی پیش‌صبینی شده توسط مدل هیبرید‮‭FFA - MLP‬در محیط ‮‭GIS‬ با استفاده از تخمین‌گر ‮‭Kriging‬ تهیه شد

Text of Note

The spatial distribution of soil characteristics plays an important role in the environmental systems to achieve sustainable agricultural management. The classic methods are insufficient to explain the spatial distribution of soil characteristic and cause the loss of the significant amount of information and needs high cost and time as well. Therefore, in order to increase the accuracy, new intelligent methods such as artificial neural network, support vector machine and the new hybrid method of artificial neural network- firefly algorithm (MLP-FFA), can be used to determine the spatial distribution and produce the digital soil quality characteristic maps. For this, an area of agricultural land with an extension of 6830.5 hectares was selected from Miandouab region (West Azarbaijan province). In this research work, the soils survey method was semi- detailed and samples were collected from a grids of 70 ha. The base soil maps were prepared by geopedological method and the sampling was carried out from 80 study points. Then soil quality indices including physical (soil texture, soil structure, aggregate stability, and bulk density), chemical (soil pH, electrical conductivity, plant nutrients) and biological properties (microbial population and microbial respiration) were determined. Results showed that the biological properties had more influence on determining the soil quality indices in the study area than the physical and chemical properties. In addition, the required data for modeling methods by some environmental data was extracted from satellite images Landsat 8 OLI with 30m resolution in 28th of March 2016. The obtained results from modeling showed that the models used to predict the soil quality indices have not succeeded due to a limited number of sampling points in the study area. Therefore, for validation of created models, another region with 10 hectares extension (Vindum research field) were studied in Denmark. The research field with 285 sampling points had information of soil pH, organic matter, phosphor, potassium, clay, silt, sand and so extracted environmental data from satellite image Sentinel 2 with 10m resolution in 28th of March 2016. The models used in the Miandouab region were also applied in this area and the evaluation of the models results showed that the MLP-FFA hybrid model is more accurate than the ANN and SVM models in predicting soil quality properties. Also, the mentioned models were investigated in different densities of sampling points and the results showed that with decreasing number of samples, the accuracy of machine learning models decreases sharply, while decreasing the accuracy of the Kriging method by decreasing the number of samples was less and not decreases sharply. So finally, the soil quality indices maps predicted by the MLP-FFA hybrid model were created in GIS using Kriging estimator

Parallel Title

‮‭Determining the spatial distribution of soil quality indices using hybrid intelligent models‬

پولادی، نسترن

Pouladi, Nastaran

جعفرزاده، علی‌اصغر، استاد راهنما

شهبازی، فرزین، استاد راهنما

قربانی، محمدعلی، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی