فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: شوری خاک یکی از مشکلات عمده در مناطق خشک و نیمه‌خشک می‌باشد. در این شرایط، نمک‌های مسابقه و هدف: شوری خاک یکی از مشکلات عمده در مناطق خشک و نیمه‌خشک است. در این شرایط، نمک‌های محلول در سطح خاک تجمع یافته و باعث کاهش عملکرد و حاصلخیزی خاک می‌شوند. شناسایی و نقشه‌برداری خاک‌های مبتلا به نمک می‌تواند به بهبود مدیریت این خاک‌ها کمک کند. بررسی تغییرات شوری خاک به شیوه‌های مرسوم گران و زمان‌بر است . بنابراین یکی از راه‌های چاره جهت حل این چالش استفاده از نقشه‌برداری رقومی خاک است که خصوصیات خاک با استفاده از داده‌های کمکی نقشه‌برداری می‌شوند. هدف از این تحقیق استفاده از مدل‌های رگرسیون درختی و شبکه عصبی مصنوعی و داده‌های کمکی برای تهیه نقشه شوری خاک می‌باشد. مواد و روش‌ها: با استفاده از روش نمونه‌برداری هایپرکیوب تعداد 150 نمونه خاک از عمق 30-0 سانتی‌متری خاک‌های منطقه قروه استان کردستان (با وسعت 30000 هکتار) برداشت شده و هدایت الکتریکی خاک اندازه‌گیری شد. متغیرهای محیطی در این پژوهش اجزاء سرزمین و داده‌های تصویر +ETM ماهواره لندست 8 بودند. پارامترهای سرزمین ( شامل 15 پارامتر) و شاخص شوری (SI) و شاخص گیاهی نرمال شده (NDVI) به ترتیب با استفاده از نرم‌افزار SAGA و ArcGIS محاسبه و استخراج گردید. جهت ایجاد ارتباط بین شوری خاک و متغیرهای کمکی از مدل رگرسیون درختی و شبکه عصبی بهره گرفته شد و با استفاده از روش اعتبارسنجی مورد ارزیابی قرار گرفت. در نهایت نقشه شوری خاک با استفاده از مدل بهتر تهیه شد. یافته‌ها: برای پیش‌بینی شوری خاک، متغیرهای کمکی شامل شاخص شوری، شاخص خیسی، شاخص همواری دره، شاخص NDVI، باند3 و باند 7 مهم‌ترین بودند. نتایج این تحقیق نشان داد که مدل شبکه عصبی مصنوعی (با 70/0، 036/0 و 190/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا) دارای دقت بیشتری نسبت به رگرسیون درختی برای پیش‌بینی شوری خاک می‌باشد. شوری خاک در محدوده بین 93/6 -23/0 دسی‌زیمنس بر متر قرار داشت و بیش‌ترین مقادیر شوری خاک در مناطق مرکزی (اراضی پست و بایر) قرار داشت. در این مناطق مرکزی، داده‌های کمکی شامل شاخص شوری، شاخص همواری دره، شاخص خیسی، باند 7 و باند 3 بیشترین مقدار و شاخص NDVI کمترین مقدار را داشتند. نتیجه‌گیری: مهمترین متغیر کمکی در پیش بینی شوری خاک در منطقه شاخص شوری می‌باشد و وجود ارتباط قوی بین داده خاک و داده‌های کمکی می‌تواند برروی دقت مدل اثرگذار باشد. به‌طور کلی نتایج نشان داد که تکنیک‌های پدومتری می‌تواند در گستره‌ای وسیع جهت نقشه‌برداری رقومی خصوصیات خاک‌ها به کار گرفته شود. پیشنهاد می‌گردد که جهت تهیه نقشه خصوصیات خاک از مدل شبکه عصبی مصنوعی، و داده‌های کمکی همچون اجزاء سرزمین و تصاویر ماهواره‌ای در مطالعات آینده استفاده شود.