بخشی از مقاله
چکیده
در مطالعه حاضر جهت ارزیابی مقدار ماده آلی در دشت سمنان تعداد 85 نقطه با استفاده از روش مربع لاتین اصلاحشده نمونهبرداری شد. متغیرهای کمکی استفادهشده در این تحقیق تصاویر ماهوارهای لندست 8 و شاخصهای مستخرج شده از آن است.جهت ارتباط دادن متغیرهای کمکی و دادههای خاک از مدل ماشین بردار پشتیبان استفاده شد. نتایج نشان داد به ترتیب برای آمارههای میانگین ریشه مربعات خطا، میانگین قدر مطلق خطا، ماکزیمم خطا و ضریب همبستگی این پارامتر به ترتیب0/58، 0/42 ، 1/90 و 0/60 است.
دلیل پایین بودن میانگین ریشه مربعات خطا به دلیل مقادیر پایین دادههای مشاهداتی میباشد که درواقع همان کم بودن ماده آلی منطقه است. همچنین نتایج نشان داد برای پیشبینی مواد آلی باند 8 و10 ماهواره لندست هشت و شاخص NDVI، RVI وSI بهعنوان مهمترین پارامترهای تأثیرگذار شناخته شدند. بهطورکلی نتایج نشان داد که تکنیکهای پدومتری، میتوانند فرآیند نقشهبرداری خاکها را در گسترهای وسیع و متشکل از هرگونه عوارض طبیعی انجام داده و روشهای سنتی را ارتقاء بخشند.
.1 مقدمه و هدف
امروزه رشد جمعیت و نیز شتاب گرفتن توسعه صنعتی منجر به برداشت بیرویه از منابع طبیعی و به مخاطره افتادن محیطزی ست شده ا ست. نکته قابلتوجه این ا ست که اگر هیچ اقدامی برای جلوگیری از روند تخریب زمینهای ک شاورزی قابلکشت انجام نگیرد، این خطر وجود دارد که تا سال 2050 میلادی جمعیت افراد دارای سوءتغذیه کهعمدتاً کشورهای فقیر ه ستند، به حدود دو میلیارد نفر بر سد.[4] خاک یک منبع حیاتی ا ست که غذا، سوخت و الیاف موردنیاز ان سان را تأمین میکند. همچنین پ شتیبان امنیت غذایی و کیفیت محیطزی ست ا ست که هردو برای وجود ان سان ضروری میبا شد. تا وقتی فرسایش یا تخریب شدید خاک، باعث به خطر افتادن میزان تولیدات غذایی نشود اهمیت خاکمعمولاً نادیده گرفته می شود.
[15] خاک در زندگی انسان یک منبع تجدید ناپذیر میباشد، یک محیط پویا بوده و با مدیریت و کاربری ناصحیح ارا ضی، بهراحتی م ستعد تخریب میگردد. ارا ضی حا صلخیز محدود میبا شد که باید نیاز غذایی7/238/184/000 - بر ا ساس آمار منت شر شده در سال - 2014 ان سانی را که با نرخ ر شد 3/1 در صد در سال در حال افزایش ا ست را تأمین کند. ازاینرو گسترش تخریب این منبع محدود میتواند امنیت غذایی جهان را شدیاً در معرض خطر اندازد.
در ایران متأسفانه پژوهشهای اندکی در مورد نقشهبرداری و مدلسازی رقومی خاک اجراشده، همچنین در سیاستگذاریهای دولت در بخش توسعه کشاورزی و علوم خاک متأسفانه این مسائل نادیده گرفته شده است. بهعنوانمثال در برنامه راهبردی شناسایی و طبقهبندی خاک و ارزیابی ارا ضی برای سالهای 1388 تا 1400 که تو سط مو س سه تحقیقات خاکآب تهیه گردیده ا ست به مبحث نق شهبرداری و مدل سازی رقومی خاک ا شاره ن شده و درواقع مو س سه تحقیقات خاک و آب ک شور بهعنوان متولی و ناظر بر مطالعات خاکشناسی و نقشهبرداری خاک کشور هیچ برنامه مدونی در این زمینه ندارد.
در ایران نقشههای خاک مختلفی وجود دارد که بر اساس روشهای سنتی تهیهشدهاند. اطلاعات این نقشهها با توجه به ماهیت کیفی آن برای استفاده در مطالعات کمی غیرعملی میباشد. علاوه بر این، مقیاس این نقشهها برای درک دقیق از تنوع خاک و یا برای مدیریت خاکهای ک شاورزی در مزرعه، بیشازحد کوچک و غیرکاربردی ا ست. برای حل این م شکلها و محدودیتها، استفاده از نقشهبرداری رقومی خاک بهعنوان یک روش جایگزین بسیار کارآمد است.[19]
2. تئوری و پیشینهی تحقیق
در بین روشهای طبقهبندی تصاویر ماهوارهای، روش طبقهبندی ماشین بردار پشتیبان - SVM - ، یکی از مهمترین روشهای طبقهبندی نظارت شده بر ا ساس نمونههای آموز شی ا ست[11]، که امکان طبقهبندی ت صاویر ماهوارهای با دقت مطلوب را فراهم میآورد. این روش اولین بار تو سط واپنیک و همکاران در سال1995 ابداع شد.[1] یکی از مزیتهای مهم این روش عدم نیاز به دانش قبلی از توزیع آماری دادههای موردنظر است.
علاوه بر این روش SVM امکان کاهش خطای طبقهبندی با افزایش سطح تفکیکپذیری در کلاسهای مورد طبقهبندی را فراهم میکند.[16] این مزیت، SVM را قادر میسازد تا در پردازش دادههایی با ابعاد زیاد و باکلاسهایی با فضای توزیع چندبعدی عوارض، بهتر عمل کند و اغلب در مقایسه با روشهای پارامتریک یا غیر پارامتریک دیگر نتایج بهتری را تولید کند[20]، [14]، .[17] الگوریتم ماشین بردار پشتیبان، یک روش طبقهبندی باینری است که با تعیین یک صفحه تفکیککننده بهینه در فضای دادههای آموزشی کلاسهای مختلف را با حداکثر تفکیکپذیری، طبقهبندی مینماید.فرا صفحهای که بیشترین تفکیک رابین دو کلاس فراهم مینماید، فرا صفحه بهینه و دادههای نزدیکتر به فرا صفحه، بردارهای پشتیبان نامیده میشوند[16]
بهطورکلی الگوریتم ماشین بردار پشتیبان یک طبقهبندی کننده باینری و خطی است که با توسعه آن و استفاده از توابع کرنل، بهعنوان یک طبقهبندی کننده چندکلاسی و غیرخطی نیز مورداستفاده قرار میگیرد.[13] در پیادهسازی این روش در مقایسه با سایر روشها به پارامترهای آماری کمتری نیاز است و بنابراین به جهت سهولت استفاده از آن روش کاربرپسندی محسوب میشود.[11] علاوه براین، روش الگوریتم ماشین بردار پشتیبان در مقایسه با سایر روشها به نمونههای آموز شی کمتری نیاز دا شته و نتایج مطلوبتری را ارائه میکند.[16] دای و همکاران نق شهبرداری رقومی خاک را اینگونه توضیح دادند: عبارت است از ایجاد تعمیم یک پایگاه اطلاعاتی جغرافیایی خاک که با دقت معین و با استفاده از مشاهدات صحرایی و آزمایشگاهی تلفیقشده و به همراه دادههای زیستمحیطی با استفاده از روابط کمی تولیدشده. سه هدف اصلی نقشهبرداری رقومی عبارت است از:
-1 استخراج رابطه بین متغیرهای محیطی و خصوصیات خاک
-2 تولید و ارائه دادههایی که پیوستگی خاک زمیننما را بهتر نمایش میدهند
-3 بهکارگیری صریح دانش کارشناس در طراحی مدل.[6]
تکنیکهای پدومتری یا بهعبارتدیگر تکنیکهای نقشهبرداری رقومی خاک میتوانند در عرصهای وسیع و متشکل از هرگونه عوارض طبیعی بهیکباره فرایند نق شهبرداری خاک را انجام دهند. همچنین میتوانند روش سنتی را ترفیع بخ شیده، سرعت عمل و کارآمدی نقشهها را در انتقال دادهها و اطلاعات افزایش دهد و قابلیت استفاده آن هارا برای بستر وسیعی از شاخههای علمی امکانپذیر کند.[3] فرشاد و فریفته، درروند تحقیق خود برای مدلسازی خصوصیات خاک سطحی با استفاده از سنجشازدور به این نتیجه رسیدند ماهوارههای لندست و ASTER مناسبترین ماهوارههای منابع زمین برای مطالعه ویژگیهای خاک، پدیدههای تخریب خاک - مثل شور شدن - و تعیین رطوبت خاک است.
داشتن تعداد باندهای زیاد، محدوده طیفی وسیع از محدوده مرئی تا مادونقرمز حرارتی 14 - تا 0/4 میکرومتر - و قدرت تفکیک مکانی بالا سنجنده در محدوده مرئی و مادونقرمز نزدیک، را دلایل این امر دانستند. [7] در تحقیقی دیگر که از تقی زاده مهرجردی و همکاران، باهدف تهیه نقشه کربن آلی - SOC - خاک، در منطقهی بانه در ا ستان کرد ستان انجام گرفت با ا ستفاده از 5 تکنیک مختلف دادهکاوی یعنی: شبکههای ع صبی م صنوعی، K نزدیکترین هم سایگی - - K-NN ، جنگل ت صادفی Random forests - RS - ، مدل درخت رگر سیون و برنامهنوی سی ژنتیکی اقدام به تهیه نق شه رقومی پیشبینی ماده آلی خاک در چند عمق مختلف نمودند.
با ا ستفاده از روش نمونهگیری مربع لاتین، 188 پروفیل خاک در منطقه موردمطالعه نمونهبرداری و مقدار کربن آلی خاک - SOC - را اندازهگیری کردند. متغیرهای محیطی از تصاویر مدل رقومی ارتفاع و تصاویر ماهواره لندست 8 استخراج شد. نتایج آنها در برازش دادهها در مدلهای فوق نشان داد ، مدل شبکه عصبی مصنوعی نسبت به سایر مدلها بیشترین کار آیی را داشته و در پیشبینی مقدار ماده آلی بهخوبی عمل کرده است.[18]
در تحقیقی مشابه از پیله ور شهری و همکاران، برای پیشبینی کربن آلی خاک در منطقهی ضرغام آباد اصفهان با مقایسهی روش مدل رگرسیون چند متغیره و مدل شبکه عصبی مصنوعی پرداختند. این تحقیق بر روی اراضی تپهماهور با کاربری مرتع انجام گرفت و نمونهبرداری در 125 نقطه در عمق 0-10 سانتیمتری خاک انجام و میزان کربن آلی نمونهها اندازهگیری شد. نتایج تحقیق نشان داد که مدل شبکه عصبی مصنوعی توانست حدود 89 درصد از تغییرات کربن آلی خاک و مدل رگرسیون خطی توان ست حدود 60 در صد از تغییرات کربن آلی خاک در افق سطحی ارا ضی مرتعی منطقه سمیرم ا صفهان را توجیه نماید.
در این تحقیق مدل شبکه عصبی با میانگین خطا و جذر میانگین مربعات خطابه ترتیب 0,006 و 0,027 نسبت به مدل رگرسیون به ترتیب 0,25 و 0,30 دارای دقت بیشتری بود. همچنین این تحقیق نشان داد خصوصیات پستیوبلندی و فرایند هیدرولوژیکی تأثیر زیادی در کنترل کربن آلی خاک داشته است.[2] گودرزی مهر و همکاران به مقایسه کارایی الگوریتم ماشین بردار پشتیبان و شبکه عصبی مصنوعی و حداکثر احتمال در تولید نق شهی زمین شنا سی پرداختند. نتایج آنها ن شان داد ما شین بردار پ شتیبان دارای دقتی بالاتر ا ست. همچنین ما شین بردار پ شتیبان میتواند با پنجاهدر صد دادههای تعلیمی دقت معادل ا ستفاده از صد در صد نمونههای تعلیمی بر سد. درحالیکه دو روش دیگر این قابلیت را ندارند.[8]
