كليدواژه :
شاخص هاي ماهواره اي , رگرسيون , آماره هاي خطا , RPD
چكيده فارسي :
نياز به اطلاعات دقيق و با كيفيت خاك به‌دليل كاربرد در برنامهريزيهاي كشاورزي در حال افزايش است. هدف اين تحقيق برآورد رنگ و بافت خاك با استفاده از اطلاعات تصاوير ماهواره اي به‌عنوان دادههاي ورودي رگرسيون بردار پشتيبان و رگرسيون درختي مي باشد. در پژوهش حاضر، شاخصهاي ماهوارهاي NDVI، PDI،SAVI ، MPDI،MSAVI ،TCI ، TVX، VHI، NVWSI، RVWSI،MVWSI وVCI استفاده شد. آزمون دانكن در سطح احتمال پنج درصد حاكي از وجود تغييرات معنيدار زماني بين شاخص ها است. تفاوت معنيدار بين ميانگين شاخصها از نظر تنوع بافت خاكي براساس آزمون دانكن در سطح احتمال پنج درصد وجود نداشت. آمارههاي خطاي RMSE،RRMSE ، AMAPE و MSE در مورد شن از رگرسيون درختي به رگرسيون بردار پشتيبان به ترتيب 15/43، 13/33، 16/41 و 28/7 درصد كاهش داشتند. تعيين بافت خاك با مثلث بافت خاك در دوره صحت سنجي حاكي از تطابق نوع بافت خاك مشاهداتي و رگرسيون بردار پشتيبان بود. با در نظر گرفتن اجزاء بافت خاك و مولفههاي رنگ خاك آماره RPD از رگرسيون درختي به رگرسيون بردار پشتيبان به ميزان 12/43درصد افزايش داشت كه بيانگر كارايي رگرسيون بردار پشتيبان در برابر رگرسيون درختي است. درصد كاهش آمارههاي RMSE،RRMSE و MSE از رگرسيون خطي چندگانه به رگرسيون بردار پشتيبان در هيو به ترتيب 76/88، 77/4 و 94/6 و در رگرسيون درختي به ترتيب 72/15، 72/58 و 92/92 بيانگر عملكرد بهتر دو مدل رگرسيوني نسبت به رگرسيون خطي چندگانه بود. بر اساس تحليل از جهات گوناگون رگرسيون بردار پشتيبان نسبت به رگرسيون درختي عملكرد بهتري در تعيين رنگ و بافت خاك داشت.
چكيده لاتين :
The demand for quality and low-cost soil information is growing because of necessity in land use planning and precision agriculture. The aim of this study is soil texture and color estimation using satellite images information as input variables of support vector regression and tree regression. NDVI, PDI, SAVI, MPDI, MSAVI, TCI, TVX, VHI, NVWSI, RVWSI, MVWSI, VCI are satellite indices which related to the region in Azarshahr (East Azarbaijan). Duncan's test at the 5% probability level indicates significant time differences between the indices. There was no significant difference among the average of indices in terms of soil texture diversity. The error criteria RMSE, RRMSE, MAPE and MSE decreasing regard to sand from tree regression to support vector regression was 15.43, 13.33, 16.41 and 28.7%, respectively. Determination of soil texture with soil texture triangle in the validation period indicated the agreement of soil texture between observation and support vector regression. Considering soil texture and color components, RPD statistic increased from tree regression to support vector regression by 12.43%, which indicates the efficiency of support vector regression against tree regression. RMSE, RRMSE and MSE decreasing from multiple linear regression to support vector regression in hue were 76.88, 77.4 and 94.6%, respectively and for tree regression were 72.15, 72.58 and 92.92%, respectively, which is indicative of better performance of two regression models relative to simple regression. Based on various aspects of analysis, support vector regression had better performance for soil color and texture determination than tree regression.
