پیوندهای مفید
آمار
| تعداد نشریات | 31 |
| تعداد شمارهها | 447 |
| تعداد مقالات | 3,935 |
| تعداد مشاهده مقاله | 6,619,149 |
| تعداد دریافت فایل اصل مقاله | 4,409,730 |
مدلسازی آبگریزی خاکهای لسی شمال ایران با الگوریتمهای یادگیری ماشین | ||
| مدل سازی و مدیریت آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 شهریور 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22098/mmws.2025.17919.1633 | ||
| نویسندگان | ||
| علی محمدیان بهبهانی* 1؛ کهزاد حیدری2؛ محسن حسینعلی زاده1 | ||
| 1دانشیار، گروه مدیریت مناطق بیابانی، دانشکدة مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گلستان، ایران | ||
| 2استادیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات، آموزش کشاورزی و منابع طبیعی خوزستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اهواز، خوزستان، ایران | ||
| چکیده | ||
| یکی از ویژگیهای مهم خاک که بر چگونگی حرکت آب، نفوذ آن و فرسایش سطحی اثر میگذارد، خاصیت آبگریزی آن است. این پژوهش باهدف بررسی و تخمین میزان آبگریزی خاک بر اساس شاخص WDPT و با استفاده از روشهای یادگیری ماشینی مثل درخت تصمیم، جنگل تصادفی و XGBoost در خاکهای لسی شمال ایران انجام شد. بدین منظور، از ۴۵ موقعیت مختلف نمونهبرداری خاک انجام گرفت و ویژگیهای فیزیکی و شیمیایی آنها، شامل میزان کربن آلی، مواد آلی، هدایت الکتریکی، pH، اندازه ذرات خاک، درصد ماسه، رس و سیلت اندازهگیری شد. عملکرد مدلها با استفاده از معیارهای آماری RMSE، MAE و R² و همچنین با تحلیل حساسیت و عدم قطعیت سنجیده شد. در ابتدا، عملکرد مدلها چندان مطلوب نبود، اما با تنظیم دقیق پارامترها، دقت پیشبینی به شکل چشمگیری بهبود یافت. پس از بهینهسازی، مدل جنگل تصادفی با RMSE برابر با ۱۵، MAE برابر با 11/93 و R² برابر با 42 بهترین نتیجه را ارائه داد. مدل XGBoost نیز پس از تنظیم پارامترها با RMSE برابر با 7/14 و R² برابر با 42 در رتبه دوم قرار گرفت. مدل درخت تصمیم همچنان ضعیفترین عملکرد را داشت. تحلیل عدم قطعیت با روشهای بوتاسترپ و مونتکارلو نشان داد که مدل جنگل تصادفی کمترین پراکندگی و نوسان RMSE را دارد و از پایداری بیشتری برخوردار است. تحلیل حساسیت مدلها نشان داد که کربن آلی مهمترین عامل در پیشبینی WDPT در همه مدلها است. سایر عوامل مانند رس، مواد آلی، هدایت الکتریکی و pH نیز در مدلهای مختلف نقش مهمی ایفا کردند. نتایج این تحقیق نشان میدهد که الگوریتمهای پیشرفته یادگیری ماشین، به ویژه مدل جنگل تصادفی، میتوانند ابزارهای قوی و قابل اعتمادی برای مدلسازی و مدیریت پدیدههای پیچیده مانند آبگریزی خاک در مناطق حساس مانند خاکهای لسی شمال ایران باشند. یافتههای این پژوهش میتواند بهعنوان مبنایی برای ارزیابی و مدیریت آبگریزی خاکهای لسی و بهینهسازی راهکارهای کاهش فرسایش و بهبود نفوذپذیری در مناطق مشابه بهکار رود. | ||
| کلیدواژهها | ||
| ترکیبات آلی آبگریز؛ پایداری خاکدانه؛ یادگیری غیرخطی؛ تحلیل حساسیت؛ تحلیل عدم قطعیت | ||
|
آمار تعداد مشاهده مقاله: 346 |
||