مدل سازی تغییرات کربن آلی خاک با استفاده از شاخص های سنجش از دور در حوضه آبخیز بالیخلی چای اردبیل

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 220

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJSWR-51-9_020

تاریخ نمایه سازی: 2 خرداد 1402

چکیده مقاله:

مدل­سازی و تهیه اطلاعات دقیق از توزیع مکانی خصوصیات خاک، یک عامل کلیدی در بسیاری از کاربردهای محیطی و کشاورزی است. از این­رو، هدف از مطالعه حاضر، مدل­سازی و تهیه نقشه رقومی کربن آلی خاک با استفاده از شاخص­های سنجش از دور در حوضه آبخیز بالخلی­چای بود. ابتدا خصوصیات توپوگرافی و طیفی موثر بر مقدار کربن آلی خاک بر اساس شاخص­های مکانی و طیفی مختلف از مدل رقومی ارتفاع و تصویر ماهواره­ای لندست ۸ استخراج شد. سپس بر مبنای مدل جنگل تصادفی، عملکرد مدل­سازی رقومی خاک در مدل­سازی کربن آلی خاک در حالت­های استفاده از ۱) متغیرهای زمینی، ۲) شاخص­های طیفی و ۳) ترکیب متغیرهای زمینی و شاخص­های طیفی، ارزیابی و مقایسه شد. برای این منظور، مقدار ضریب همبستگی (R۲) بین مقادیر برآوردی و اندازه­گیری شده کربن آلی خاک و ریشه میانگین مربعات خطا (RMSE) در حالت­های مختلف محاسبه شد. نتایج نشان داد که مقدار کربن آلی در منطقه از ۳۲/۰ تا ۹۸/۶ درصد متغیر و میانگین آن در منطقه ۰۴/۳درصد بود. تغییرات کربن در منطقه عمدتا وابسته به تغییرات شاخص­های طیفی بود. در بین خصوصیات توپوگرافی، ارتفاع و در بین شاخص­های طیفی، ضریب گسیلندگی (Emissivity)، مهم­ترین خصوصیت در مدل­سازی کربن آلی خاک بودند. مقدار R۲ در سه مدل مذکور به­ترتیب ۵۱/۰ ۶۲/۰ و ۷۵/۰ و مقدار RMSE به­ترتیب ۸۸/۰، ۶۷/۰ و ۵۷/۰ بود که نشان­دهنده کارایی بهتر مدل سوم است. استفاده از ترکیب متغیرهای زمینی و طیفی سبب افزایش قابل­توجه دقت مدل­سازی کربن آلی خاک می­شود.

نویسندگان

سولماز فتح العلومی

گروه علوم خاک، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

علیرضا واعظی

گروه علوم خاک، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

سید کاظم علوی پناه

گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران

اردوان قربانی

گروه منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Akpa, S. I., Odeh, I. O., Bishop, T. F., & ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine learning, ۴۵(۱), ۵-۳۲Carré, F., ...
  • Freeman, T. G. (۱۹۹۱). Calculating catchment area with divergent flow ...
  • Frey, H., & Paul, F. (۲۰۱۲). On the suitability of ...
  • Gallant, J. C., & Dowling, T. I. (۲۰۰۳). A multiresolution ...
  • Gao, Z., Tong, B., Horton, R., Mamtimin, A., Li, Y., ...
  • Goodman, J., Owens, P., & Libohova, Z. (۲۰۱۲). Predicting soil ...
  • Grimm, R., Behrens, T., Märker, M., & Elsenbeer, H. (۲۰۰۸). ...
  • Guo, L. B., & Gifford, R. (۲۰۰۲). Soil carbon stocks ...
  • Kopacková, V., Jelének, J., Koucká, L., Fárová, K., & Pikl, ...
  • Mishra, N., Haque, M. O., Leigh, L., Aaron, D., Helder, ...
  • Müller, B., Bernhardt, M., Jackisch, C., & Schulz, K. (۲۰۱۶). ...
  • Osunbitan, J., Oyedele, D., & Adekalu, K. (۲۰۰۵). Tillage effects ...
  • Popescu, R., Deodatis, G., & Nobahar, A. (۲۰۰۵). Effects of ...
  • Ramcharan, A., Hengl, T., Nauman, T., Brungard, C., Waltman, S., ...
  • Ullah, S., Schlerf, M., Skidmore, A. K., & Hecker, C. ...
  • نمایش کامل مراجع