مدل تحلیل طیفی-هوش مصنوعی با متغیرهای مکانی در تخمین برخی ویژگی‌های شیمیایی خاک

نوع مقاله : پژوهشی

نویسندگان

1 دانشیار، گروه گیاه‌پزشکی، دانشکدة کشاورزی، دانشگاه شهید مدنی آذربایجان‌، تبریز، ایران

2 دانش‌آموخته کارشناسی، گروه زراعت و اصلاح نباتات، دانشکدة کشاورزی، دانشگاه شهید مدنی آذربایجان‌، تبریز، ایران

چکیده

عدم وجود اطلاعات با وابستگی مکانی در مورد خصوصیات خاک تا حد زیادی منجر به محدودیت در مطالعات کشاورزی، هیدرولوژی، آب و هوا، بوم‌شناسی و محیط زیست شده است. در این راستا، هدف تحقیق تحلیل تغییرات با وابستگی مکانی در تخمین توزیع pH و شوری خاک در محدودة شهر تبریز است. متغیرهای ورودی به مدل رگرسیون بردار پشتیبان طول جغرافیایی، عرض جغرافیایی، ارتفاع از سطح دریا، شیب و جهت شیب بودند. روش پیشنهادی در نحوة مدل‌سازی در سه گروه تقسیم‌بندی شد که در گروه اول مدل‌سازی بین زیرسری‌های حاصل از تجزیه با استفاده از تبدیل موجک گسستة حداکثر هم‌پوشانی (MODWT) با خصوصیات خاک، در گروه دوم مدل‌سازی بین زیرسری‌های حاصل از تجزیه و زیرسری‌های خصوصیات خاک و در گروه سوم مدل‌سازی بین زیرسری‌های مؤثر حاصل از تحلیل مؤلفه‌های اصلی و خصوصیات خاک بود. بدون هیچ‌گونه تجزیة سری، تغییر در نوع متغیر‌های ورودی تخمین‌هایی با درجة دقت مختلف را ایجاد کرد، به‌طوری‌که مقادیر کاهشی انحراف معیار خطای پیش‌بینی (Var) و افزایشی انحراف پیش‌بینی باقی‌مانده (RPD)‌ در تخمین pH خاک با متغیرهای ورودی طول، عرض جغرافیایی و ارتفاع به متغیرهای ارتفاع، شیب و جهت شش و 13درصد شد. تجزیة سری با MODWT حالت‌های مختلفی را در نتایج تخمینی داشت، به‌طوری‌که مقادیر افزایشی RPD با تجزیة سری جهت شیب در تخمین pH خاک 15 درصد و مقادیر کاهشی Var در تخمین شوری خاک 20 درصد بود. مدل‌سازی زیرسری‌های متغیرهای ورودی با زیرسری‌های خصوصیات خاک و در نهایت جمع زیرسری‌های تخمینی خصوصیات خاک، نتوانست دقت مقادیر تخمینی را افزایش دهد. نمودار جعبه‌ای و درختی نشان دادند که تحلیل مؤلفه‌های اصلی با تعیین زیرسری‌های مؤثر دقت تخمین خصوصیات خاک را افزایش داد (کاهش چهار و دو درصد خطای جذر میانگین مربعات (RMSE) در pH و شوری). اگر مقایسه‌ای بین روش تجزیة سری با MOWTD (کاهش 12 درصد RMSE‌ در تعیین pH) و استفاده از تجزیة مؤلفه‌ها (کاهش چهاردرصد RMSE) در روند تجزیه در نظر گرفته شود، تأثیر تجزیة سری در افزایش دقت برآورد توزیع مکانی بیش‌تر است.

کلیدواژه‌ها

موضوعات


Adib, A., Kisi, O., Khoramgah, S., Gafouri, H.R., Liaghat, A., Lotfirad, M., & Moayyeri, N. (2021). A new approach for suspended sediment load calculation based on generated flow discharge considering climate change. Water Supply, 21(5), 2400-2413. doi:10.2166/ws.2021.069.
Alarcon-Aquino, V., & Barria, J.A. (2009). Change detection in time series using the maximal overlap discrete wavelet transform. Latin American Applied Research,39(2), 145-152.
Basati, S., Karimi, H., Ahmadi, G. A., & Rostami, N. (2023). Assessing weathering and resistance of rock units against erosion in the West Islamabad region, Kermanshah province. Water and Soil Management and Modelling, 3(3), 150-162. doi: 10.22098/mmws.2022.11532.1138. [In Persian]
Beiranvand, N., Sepahvand, A., & Haghi Zadeh, A. (2023). Suspended sediment load modeling by machine learning algorithms in low and high discharge periods (Case study: Kashkan watershed). Water and Soil Management and Modeling, 3(2), 50-65. doi: 10.22098/mmws.2022.11262.1115. [In Persian]
Chen, S., Du, T., Wang, S., Parsons, D., Wu, D., Guo, X., & Li, D. (2021). Quantifying the effects of spatial-temporal variability of soil properties on crop growth in management zones within an irrigated maize field in Northwest China. Agricultural Water Management, 244, 106535. doi:10.1016/j.agwat.2020.106535.
Dghais, A.A.A., & Ismail, M.T. (2013). A comparative study between discrete wavelet transform and maximal overlap discrete wavelet transform for testing stationarity. International Journal of Mathematics and Computer in Engineering, 7, 1184-1188. doi:10.5281/zenodo.1089273.
Farahmand, A., Oustan, S., Jafarzadeh, A., & Aliasgharzad, N. (2012). Salinity and Sodicity Parameters in Some Salt-Effected Soils of Tabriz Plain, Water and Soil Science, 22(1), 1-15. https://www.sid.ir/paper/147869/en [In Persian]
Foroughifar, H., Jafarzadah, A.A., Torabi Gelsefidi, H., Aliasgharzadah, N., Toomanian, N., & Davatgar, N. (2011). Spatial variations of surface soil physical and chemical properties on different landforms of Tabriz Plain. Water and Soil Science, 21(3), 1-21. https://water-soil.tabrizu.ac.ir/article_1196.html?lang=en [In Persian]
Gholami, S., Hosseini, S., Mohammadi, J., & Salman Mahiny, A. (2011). Spatial variability of soil macrofauna biomass and soil properties in riparian forest of Karkhe River. Water and Soil, 25(2), 248-257. doi: 10.22067/jsw.v0i0.9300 [In Persian]
Hashemi, M., Gholamalizadeh Ahangar, A., Bameri, A., Sarani, F., & Hejazizadeh, A. (2016). Survey and zoning of soil physical and chemical properties using geostatistical methods in GIS (Case Study: Miankangi Region in Sistan). Journal of Water and Soil, 30(2), 443-458. doi: 10.22067/jsw.v30i2.25950 [In Persian]
Heidari, N., Reyhani Tabar, A., Nosratollah, N., & Oustan, S. (2013). Phosphorus fractions of selected calcareous soils of eastern azerbaijan province and their relationships with some soil characteristics. Iranian Journal of Soil and Water Research, 44(3), 271-279. doi:10.22059/ijswr.2013.50217 [In Persian]
Hengl, T., Leenaars, J. G., Shepherd, K. D., Walsh, M. G., Heuvelink, G. B., Mamo, T., & Kwabena, N. A. (2017). Soil nutrient maps of Sub-Saharan Africa: assessment of soil nutrient content at 250 m spatial resolution using machine learning. Nutrient Cycling in Agroecosystems, 109, 77-102. doi: 10.1007/s10705-017-9870-x.
Jahanbazi, L., Jafarzadeh, A.A., & Forughyfar, H. (2016). Relation between soil evolution and landforms diversity in dasht-e-Tabriz. Water and Soil Science, 26(2), 191-204. https://water-soil.tabrizu.ac.ir/article_5093.html?lang=en [In Persian]
John, K., Afu, S.M., Isong, I.A., Aki, E.E., Kebonye, N.M., Ayito, E.O., Chapman, P.A., Eyong, M.O., & Penížek, V., (2021). Mapping soil properties with soil-environmental covariates using geostatistics and multivariate statistics. International Journal of Environmental Science and Technology, 18(6), 1-16.doi:10.1007/s13762-020-03089-x
Kamangar, M., & Minaei, M. (2023). Spatial analysis of soil salinity anomaly in Fars Province due to heavy spring rains. Water and Soil Management and Modelling, 3(2), 36-49. doi: 10.22098/mmws.2022.11226.1108. [In Persian]
Khan, M.M.H., Muhammad, N.S., & El-Shafie, A. (2020). Wavelet based hybrid ANN-ARIMA models for meteorological drought forecasting. Journal of Hydrology, 590, 125380.doi10.1016/j.jhydrol.2020.125380
Liu, F., Zhang, G.L., Song, X., Li, D., Zhao, Y., Yang, J., Wu, H., & Yang, F. (2020). High-resolution and three-dimensional mapping of soil texture of China. Geoderma, 361, 114061.  doi: 10.1016/j.geoderma.2019.114061.
Luo, L., Li, H., Wang, J., & Hu, J. (2021). Design of a combined wind speed forecasting system based on decomposition-ensemble and multi-objective optimization approach. Applied Mathematical Modelling, 89, 49-72. doi: 10.1016/j.apm.2020.07.019.
Pahlavan-Rad, M.R., & Akbarimoghaddam, A. (2018). Spatial variability of soil texture fractions and pH in a flood plain (case study from eastern Iran). Catena, 160, 275-281. doi:10.1016/j.catena.2017.10.002.
Rezaie, G., Sarmadian, F., Mohammadi Torkashvand, A., Seyedmohammadi, J., Marashi Aliabadi, M. (2023). Digital mapping of surface and subsurface soil organic carbon and soil salinity variation in a part of Qazvin plain (Case study: Abyek and Nazarabad Regions). Journal of Water and Soil, 37(2), 315-331. doi:10.22067/jsw.2023.80369.1238. [In Persian]
Sarmadian, F., & Taghi zadeh Mehrjerdi, R. (2010). A comparison of interpolation methods for preparing soil quality maps: Case study: (Agricultural Faculty Experimental Field). Iranian Journal of Soil and Water Research, 40(2), 157-165. dor:20.1001.1.2008479.1388.40.
2.8.2
[In Persian]
Shit, P.K., Bhunia, G.S., & Maiti, R. (2016). Spatial analysis of soil properties using GIS based geostatistics models. Modeling Earth Systems and Environment, 2, 1-6. doi:10.1007/s40808-016-0160-4.
Soleimani Sardo, A., Maghsoud, F., & Damavandi, A.A. (2016). Evaluating the effectiveness of interpolation methods to estimate soil pH and EC (case study: Darudzen district in Fars province).Iranian journal of Remote Sensing and GIS, 8(3), 77-93. doi:10.1016/j.geoderma.
2019.114061
. [In Persian]
Song, Y., Shen, Z., Wu, P., & Viscarra Rossel, R.A. (2021). Wavelet geographically weightedregression for spectroscopic modelling of soil properties. Scientific Reports,11(1), 17503. doi:10.1038/s41598-021-96772-z.
Ul-Saufie, A.Z., Yahaya, A.S., Ramli, N.A., Rosaida, N., & Hamid, H.A. (2013). Future daily PM10 concentrations prediction by combining regression models and feedforward backpropagation models with principle component analysis (PCA). Atmospheric Environment, 77, 621-630. doi:10.1016/j.atmosenv.2013.05.017.
Wälder, K., Wälder, O., Rinklebe, J., & Menz, J. (2008). Estimation of soil properties withgeostatiscal methods in floodplains. Archives of Agronomy and Soil Science, 54 (3), 275–295. doi:10.1080/03650340701488485.
Wei, Y., Ding, J., Yang, S., Wang, F., & Wang, C. (2021). Soil salinity prediction based on scale-dependent relationships with environmental variables by discrete wavelet transform in the Tarim Basin. Catena,196, 104939. doi:10.1016/j.catena.2020.104939.
Wiesmeier, M., Urbanski, L., Hobley, E., Lang, B., von Lützow, M., Marin-Spiotta, E., van Wesemael, B., Rabot, E., Ließ, M., Garcia-Franco, N., & Wollschl¨ager, U. (2019). Soil organic carbon storage as a key function of soils-A review of drivers and indicators at various scales. Geoderma,333, 149–162. doi:10.1016/j.geoderma.2018.07.026.
Zhang, Y., & Hartemink, A.E. (2021). Quantifying short-range variation of soil texture and total carbon of a 330-ha farm. Catena,201, 105200. doi:10.1016/j.catena.2021.105200.