Skip to main content
فهرست مقالات

بهبود تخمین نقاط شاخص منحنی رطوبتی با استفاده از داده‌های سنجش از دور و به‌کارگیری شبکه‌های بیزی و عصبی مصنوعی مقاله

نویسنده مسئول:

نویسنده:

علمی-پژوهشی (وزارت علوم)/ISC (17 صفحه - از 75 تا 91)

چکیده:

با پیشرفت فنآوری های سنجش از دور اخیرا تلاش‌های وسیعی در بکارگیری داده های حاصل از این فنآوری برای برآورد ویژگی های سخت وصول خاک صورت گرفته است. در این مطالعه با افزودن اطلاعات مربوط به پوشش گیاهی حاصل از تصاویر ماهواره‌ای (SAVI) و اطلاعات رقومی ارتفاع (DEM) به متغیرهای حاصل از اندازه‌گیری‌های زمینی، امکان بهبود توابع انتقال (PTFs) برای تخمین سه نقطه منحنی رطوبتی PWP ,FC ,θs بررسی گردید. در این پژوهش 176 نمونه از استان‌های آذربایجان شرقی و گیلان مشتمل بر10 کلاس بافتی تهیه گردید. توزیع اندازه ذرات، جرم مخصوص ظاهری و حقیقی، تخلخل کل، ماده آلی، درصد منافذ ریز و درشت، درصد آهک،EC وpH، میانگین هندسی و انحراف استاندارد هندسی قطر خاکدانه‌ها، رطوبت در مکش یک کیلوپاسکال، SAVI و DEM به‌عنوان ورودی توابع انتقالی مورد استفاده قرار گرفتند. به‌منظور پیش‌بینی سه نقطه پتانسیلی از توابع انتقالی با اساس شبکه بیزی و عصبی استفاده شد. مدل‌های ایجاد شده با استفاده از آزمون مرگان-گرنجر-نیوبلد (MGN) و ریشه میانگین مربعات خطا (RMSE) برای داده‌های مشاهده‌ای و پیش‌بینی‌شده ارزیابی شدند. این تحقیق بهبود در توانایی توابع انتقالی به منظور برآورد سه نقطه از منحنی رطوبتی (بر اساس RMSE) هنگامی که از خصوصیات حاصل از اندازه‌گیری‌های زمینی، توپوگرافی و پوشش گیاهی در مقایسه با زمانی که تنها از خصوصیات حاصل از اندازه‌گیری‌های زمینی به‌عنوان ورودی استفاده می‌شود، تأیید می‌کند. مقایسه روش شبکه بیزی و شبکه عصبی مصنوعی نشان داد شبکه بیزی در تخمین توابع انتقال سه نقطه از منحنی رطوبتی در مقایسه با شبکه عصبی از اعتبار و اطمینان بالاتری در برآورد برخوردار است.

With advances in remote sensing technology, vast efforts have been carried out recently for predicting difficult-to measure soil properties. This study explores the use of information on vegetation cover from satellite images (SAVI) and digital elevation model (DEM) in addition to pedologic attributes to develop pedotransfer functions (PTFs) for estimating three coefficients of soil moisture retention curve (PWP, FC, θs). For this purpose 176 samples from East Azarbyjan and Guilan provinces were collected consisting of 10 various texture classes. Particle size distribution, total porosity, bulk density, organic matter, macro and micro porosity, EC, pH, CCE, geometric mean and standard deviation of the particle diameter, water content at -1 kPa, DEM and SAVI were used as PTFs inputs. Artificial neural networks (ANNs) and Bayesian Networks were used to predict PWP, FC, θs. The performance of the developed PTFs was evaluated using the root mean square error (RMSE) and the MGN test between the observed and the predicted values. Good improvement (based on RMSE) in the PTF’s ability to estimate the three coefficients was achieved with certain input combinations of basic soil properties, topography and vegetation information comparing with using only the basic soil properties as inputs. In comparing Bayesian Network and ANNs method, the results indicated that Bayesian Network estimated the three soil moisture retention curve coefficients more accurately and with greater reliability than the ANNs method.

کلیدواژه ها:

شبکه عصبی مصنوعی ، سنجش از دور ، توابع انتقالی ، شاخص گیاهی تعدیل کننده اثرات خاک ، شبکه بیزی

Bayesian Networks ، Remote sensing data ، Soil adjusted vegetation index (SAVI) ، Artificial Neural Networks ، Pedotransfer functions


برای مشاهده محتوای مقاله لازم است ورود پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.

لمشاهدة محتوی المقال یلزم الدخول إلی دخول الموقع.
إن كنت لا تقدر علی شراء الاشتراك عبرPayPal أو بطاقة VISA، الرجاء ارسال رقم هاتفك المحمول إلی مدير الموقع عبر credit@noormags.ir.

You should become a Sign in to be able to see articles.
If you fail to purchase subscription via PayPal or VISA Card, please send your mobile number to the Website Administrator via credit@noormags.ir.