پديد آورندگان :
موسوي، روح اله دانشگاه تهران - پرديس كشاورزي و منابع طبيعي - دانشكده مهندسي و فناوري كشاورزي - گروه مهندسي علوم خاك، كرج، ايران , سرمديان، فريدون دانشگاه تهران - پرديس كشاورزي و منابع طبيعي - دانشكده مهندسي و فناوري كشاورزي - گروه مهندسي علوم خاك، كرج، ايران , اميد، محمود دانشگاه تهران - پرديس كشاورزي و منابع طبيعي - دانشكده مهندسي و فناوري كشاورزي - گروه مهندسي علوم خاك، كرج، ايران , بوگارت، پاتريك دانشگاه كاتوليك لوون - دانشكده محيط زيست و علوم زمين، لوون، بلژيك
كليدواژه :
فسفر در دسترس , پتاسيم قابل‌تبادل , مدلسازي مكاني , نقشهبرداري رقومي خاك
چكيده فارسي :
مدلسازي و نقشهبرداري توزيع مكاني عناصر غذايي گياه در خاك اهميت ويژهاي در افزايش بهرهوري بخش كشاورزي و نيل به توسعه پايدار دارد. اين پژوهش باهدف تهيه نقشههاي رقومي دو عنصر مغذي فسفر در دسترس (Pav) و پتاسيم قابل‌تبادل (Kex) خاك با استفاده از مدلهاي يادگيري ماشين (MLM) شامل جنگل تصادفي (RF)، كوبيست (CB)، رگرسيون بردار پشتيبان (SVR) و k – نزديكترين همسايگي (k-NN) در دو عمق 15-0 و 30- 15 سانتيمتر در بخشي از اراضي دشت آبيك صورت پذيرفت. در راستاي اين هدف 278 خاك رخ مطالعاتي در منطقه موردمطالعه حفر و پس از نمونهبرداري از افقهاي موردنظر، خاكها براي انجام آزمايشهاي موردنياز به آزمايشگاه منتقل شد. ارزيابي كارايي MLM بر اساس روش اعتبارسنجي متقابل با 10-گام صورت پذيرفت. نتايج مدلسازي حاكي از آن است كه مدل RF نسبت به سه مدل ديگر در برآورد مكاني Pav و Kex در دو عمق موردمطالعه داراي بيشترين ميزان صحت و حداقل مقدار خطا بود. در عمق 0-15 سانتيمتر طبق آمارههاي ضريب همبستگي تطابق (CCC) براي Pav مقادير 84/0، 74/0، 48/0 و 35/0 و حداقل مقدار ميانگين ريشه مربعات خطا نرمال شده (NRMSE) 38/0، 54/0، 70/0 و 80/0 به ترتيب توسط مدلهاي RF، CB، k-NN، SVR و براي Kex در همين عمق مقادير CCC برابر 82/0، 72/0، 70/، 47/0 و NRMSE 25/0، 34/0، 36/0 و 45/0 به ترتيب توسط مدلهاي RF، CB، SVR، k-NN مشاهده گرديد. نتايج مشابهي براي لايه 30-15 سانتي متر به دست آمد. اهميت نسبي متغيرهاي محيطي مؤيد نقش مؤثرتر ويژگيهاي خاك نسبت به ساير متغيرهاي محيطي در برآورد Pav و Kex بود. با توجه به نقشه هاي پهنهبندي دو عنصر مغذي و غالب بودن كاربري زراعي در اراضي موردمطالعه، بخشهاي عمدهاي از منطقه بر اساس مقادير استاندارد Pav داراي كمبود بود. بنا بر اين، به منظور افزايش بهره وري و بهبود مديريت حاصلخيزيخاك استفاده از كودهاي فسفاتِ با نظارت كارشناسان خاك توصيه ميشود.
چكيده لاتين :
Modeling and mapping of plants nutrient elements in soil has importance in increasing the productivity of agriculture and achieving sustainable development. The aim of this research was to prepare digital maps of two nutrients, namely, available phosphorus (Pav) and exchangeable potassium (Kex) using machine learning models (MLM) i.e., random forest (RF), cubist (CB), support vector regression (SVR) and k-nearest neighborhood (k-NN) at two depths of 15-30 and 0-15 cm in a part of Abyek Plain. In this regard, 278 soil profiles were dug, sampled from the desired horizons, and samples were analyzed. MLM performance was implemented by 10-fold cross-valuation. The modeling results demonstrated that the RF model had the highest accuracy and minimum error compared to the other three models in spatial estimation of available Pav and Kex at the two studied depths. According to the results, for Pav at a depth of 0-15 cm, CCC statistics values of 0.84, 0.74, 0.48 and 0.35 and NRMSE values of 0.38, 0.54, 0.70, and 0.80 belonged to RF, CB, k-NN, and SVR, respectively. For Kex at the same depth, CCC values were 0.82, 0.72, 0. 70, 0.47 and NRMSE 0.25, 0.34, 0.36 and 0.45, by RF, CB, SVR, and k-NN models, respectively. Similar results were obtained for 15-30 cm layer. The relative importance of environmental variables showed that soil covariates had a more effective role in the spatial estimation of Pav and Kex than other environmental variables. According to the estimated maps of the two elements and the predominance of agricultural land uses, major parts of the area are Pav deficient based on standard amounts. Therefore, to increase productivity and improve management of soil fertility, use of phosphate fertilizers is recommended under the supervision of soil experts.
