Degradation and Rehabilitation of Natural Land

fa مقایسه روش های درخت تصمیم و شبکه عصبی در پیش بینی شوری خاک در غرب دریاچه ارومیه Comparison of Decision Tree and Neural Network Methods in Predicting Soil Salinity in the West of Lake Urmia اثرات خشکسالی و تغییر اقلیم بر عرصه های طبیعی پژوهشي Research <div style="text-align: justify;">   شور شدن خاک یکی از مهمترین پدیده های تخریب خاک در مناطق خشک و نیمه خشک است. در سالهای اخیر از روش های غیرمستقیم برای برآورد شوری خاک استفاده می شود. بدین منظور 100 نمونه از عمق 30-0 سانتیمتری اطراف دریاچه ارومیه برداشته و آزمایش شد و شوری خاک با استفاده از شاخص های تصویر ماهواره لندست 8 و مدل رقومی ارتفاع برآورد شد. به منظور مدلسازی شوری خاک از مدلهای درخت تصمیم و شبکه عصبی مصنوعی استفاده شد. براین اساس داده ها به دو سری آموزشی (80%) و ارزیابی (20%) تقسیم شد. نتایج ارزیابی مدلها بر اساس شاخص های ریشه ی مربعات خطا، میانگین خطا و ضریب تبیین نشان داد که مدل درخت تصمیم دارای بالاترین دقت در پیش بینی ویژگی های خاک است. نتایج ضریب کاپا و صحت کلی حاصل از دو مدل نشان داد که مدل درخت تصمیم با دارا بودن درصد ضریب کاپا (56/56) و صحت کلی (46/73) میزان توافق بیشتری با شوری خاک منطقه داشته است. به طور کلی براساس نتایج بدست آمده نشان داده شد که برای پیش بینی کلاس شوری خاک شاخصهای CRSI و NDSI مهمترین پارامترها هستند و بیشترین همبستگی را با داده های زمینی دارند. لذا پیشنهاد می شود در مطالعات آینده برای تهیه نقشه رقومی  شوری خاک از مدلهای درختی و شاخص های CRSI و  NDSI  استفاده شود.</div> <div style="text-align: justify;">Soil salinization is one of the most important soil degradation phenomena in arid and semi-arid regions. In recent years, indirect methods have been used to estimate soil salinity. For this purpose, 100 samples were taken from a depth of 0-30 cm around Lake Urmia and tested, and soil salinity was estimated using Landsat 8 satellite image indicators and digital elevation model. In order to model soil salinity, decision tree models and artificial neural network were used. Accordingly, the data were divided into educational duality (80%) and evaluation (20%). The results of evaluating the models based on the square root indices of error, mean error and coefficient of explanation showed that the decision tree model has the highest accuracy in predicting soil properties. The results of kappa coefficient and overall accuracy obtained from the two models showed that the decision tree model with having kappa coefficient percentage (56.56) and overall accuracy (73.46) had a greater agreement with the soil salinity of the region. In general, based on the obtained results, it was shown that CRSI and NDSI indices are the most important parameters for predicting soil salinity class and have the highest correlation with terrestrial data. Therefore, in the future studies, it is suggested to use tree models and CRSI and NDSI indices to prepare a digital soil salinity map.  </div> درخت تصمیم, شوری خاک, شبکه عصبی مصنوعی, مدل سازی Artificial neural network, Decision tree, Modeling, Soil Salinity g 82 91 http://drnl.sanru.ac.ir/browse.php?a_code=A-10-368-1&slc_lang=fa&sid=1 zahra ahmadi زهرا احمدی zahra.ahmadi636@yahoo.com 10031947532846001100 10031947532846001100 No in Soil Science, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran علوم خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران ayda abbasi آیدا عباسی abbasiayda2014@gmail.com 10031947532846001101 10031947532846001101 Yes Department of Soil Science and Engineering, University of Mohaghegh Ardabili, Ardabil, Iran گروه علوم و مهندسی خاک، دانشگاه محقق اردبیلی، اردبیل، ایران mahmuod shahabi محمود شهابی shahabi.m@yahoo.com 10031947532846001102 10031947532846001102 No of Soil Science, University of Tabriz علوم خاک، دانشگاه تبریز abdolhossein boali عبدالحسین بوعلی Hossien.boali@yahoo.com 10031947532846001103 10031947532846001103 No in Desert Management and Control, University of Agriculture and Natural Recourses Sciences of Gorgan, Gorgan, Iran مدیریت و کنترل بیابان، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران