فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: استفاده بی‌رویه از منابع اراضی به دلیل افزایش نیاز به غذا توسط انسان منجر به تخریب و کاهش سطح اراضی قابل کشت شده است. یکی از راه‌های افزایش تولید در واحد سطح، ارزیابی تناسب اراضی می‌باشد. ارزیابی تناسب اراضی عبارتست از تطابق یک تیپ از اراضی برای استفاده تعریف شده. بررسی تغییرات مکانی کلاس‌های تناسب اراضی، جهت افزایش تولید و جلوگیری از تخریب اراضی ضروری می‌باشد. تعیین کلاس تناسب اراضی مستلزم اندازه‌گیری ویژگی‌های خاک، توپوگرافی، رطوبتی و اقلیم می-باشد که اندازه‌گیری این ویژگی‌ها پرهزینه و زمان‌بر می‌باشد. یکی از راه‌های حل این مشکل، استفاده از ماشین‌های یادگیری و داده‌های کمکی می‌باشد. ماشین‌های یادگیری برای قراری ارتباط ویژگی‌های مختلف با متغیرهای کمکی جهت بررسی تغییرات مکانی و زمانی آنها به کاربرده می‌شوند. ماشین یادگیری جنگل تصادفی یکی از معمول‌ترین و پرکاربردترین ماشین‌های یادگیری است. هدف از این پژوهش ارزیابی تناسب اراضی بر اساس چهارچوب تناسب اراضی فائو و روش پارامتریک برای سه محصول مهم آبی منطقه شامل یونجه، سیب زمینی و گندم آبی و پیش‌بینی کلاس‌های تناسب آنها با استفاده از ماشین یادگیری جنگل تصادفی و داده‌های کمکی می-باشد.مواد و روش‌ها: 122 پروفیل خاک در منطقه قروه استان کردستان (با وسعت 6500 هکتار) حفر، تشریح و نمونه‌برداری برداشت شد. در کلیه نمونه‌ها ی خاک خصوصیات بافت، اسیدیته، کربن آلی، آهک، گچ، ESP، هدایت الکتریکی و سنگریزه اندازه‌گیری شد. علاوه-بر‌این داده‌های اقلیم و توپوگرافی هم ثبت شد. با استفاده از خصوصیات اقلیم، خاک و توپوگرافی و بر اساس چهارچوب تناسب اراضی فائو و روش پارامتریک کلاس‌های تناسب اراضی تعیین گردید. متغیرهای محیطی استفاده شده در این پژوهش پارامترهای سرزمین، نقشه اجزاء واحد اراضی و داده‌های تصویر +ETM بودند. جهت ارتباط بین کلاس تناسب اراضی و متغیرهای کمکی از ماشین یادگیری جنگل تصادفی استفاده شد و با استفاده از روش اعتبارسنجی تقاطعی و شاخصه‌های آماری صحت کلی و شاخص کاپا مورد ارزیابی قرار گرفت. یافته‌ها: ن: نتایج نشان داد که که کلاس تناسب منطقه مورد مطالعه برای گندم آبی، یونجه و سیب زمینی به ترتیب دارای 31، 47 و 57 درصد کلاس N2، 21، 34 و 27 درصد کلاس N1 و 48، 19 و 16 درصد کلاس S3 می‌باشد. محدودیت‌های اصلی منطقه برای کشت این محصولات شامل شیب زیاد، خاک کم عمق، سنگریزه و اسیدیته می‌باشدبرای پیش‌بینی کلاس تناسب اراضی یونجه، سیب زمینی و گندم آبی متغیرهای کمکی شامل شاخص بالای پشته با درجه تفکیک بالا، شاخص همواری‌دره با درجه تفکیک بالا، فاکتورLS، ارتفاع، شاخص خیسی و نقشه اجزاء واحد اراضی مهم‌ترین بودند. نتایج این پژوهش نشان داد که ماشین یادگیری جنگل تصادفی جهت پیش‌بینی کلاس تناسب اراضی گندم آبی با 78/0 و 71/0، یونجه با 75/0 و 70/0 و سیب زمینی با 79/0 و 72/0 به ترتیب برای صحت کلی و شاخص کاپا دارای دقت مناسب برای پیش‌بینی کلاس تناسب اراضی می‌باشد. نتیجه‌گیری: پستی و بلندی مهمترین فاکتورهای خاک‌سازی بوده و در توزیع مکانی کلاس تناسب اراضی موثر می‌باشد. منطقه مورد مطالعه به علت محدودیت‌‌های خاک و توپوگرافی دارای تناسب کم تا نامناسب برای کشت این محصولات می‌باشد و عملیات اصلاح اراضی مناسب جهت افزایش تولید و مدیریت پایدار اراضی توصیه می‌شود. ماشین یادگیری جنگل تصادفی دقت مناسیب جهت برآورد کلاس تناسب اراضی داشت. لذا پیشنهاد می‌گردد جهت نقشه‌برداری کلاس تناسب اراضی تکنیک‌های ماشین یادگیری (همچون جنگل تصادفی) و داده‌های کمکی از قبیل پارامترهای سرزمین، تصاویر ماهواره‌ای و نقشه اجزاء اراضی استفاده شود.