TY - JOUR ID - 121158 TI - شناسایی رنگ و بافت خاک با استفاده از الگوریتم هوش مصنوعی و تصاویر ماهواره ای JO - تحقیقات کاربردی خاک JA - ASR LA - fa SN - 2423-7116 AU - پرویز, لاله AD - دانشگاه شهید مدنی آذربایجان Y1 - 2022 PY - 2022 VL - 9 IS - 4 SP - 88 EP - 101 KW - شاخص­های ماهواره­ای KW - رگرسیون KW - آماره­های خطا KW - RPD DO - N2 - نیاز به اطلاعات دقیق و با کیفیت خاک به‌دلیل کاربرد در برنامه­ریزی­های کشاورزی در حال افزایش است. هدف این تحقیق برآورد رنگ و بافت خاک با استفاده از اطلاعات تصاویر ماهواره­ای به‌عنوان داده­های ورودی رگرسیون بردار پشتیبان و رگرسیون درختی می­باشد. در پژوهش حاضر، شاخص­های ماهواره­ای NDVI، PDI،SAVI ، MPDI،MSAVI ،TCI ، TVX، VHI، NVWSI، RVWSI،MVWSI  وVCI  استفاده شد. آزمون دانکن در سطح احتمال پنج درصد حاکی از وجود تغییرات معنی­دار زمانی بین شاخص­ها است. تفاوت معنی­دار بین میانگین شاخص­ها از نظر تنوع بافت خاکی براساس آزمون دانکن در سطح احتمال پنج درصد وجود نداشت. آماره­های خطای RMSE،RRMSE ، AMAPE و MSE در مورد شن از رگرسیون درختی به رگرسیون بردار پشتیبان به ترتیب 43/15، 33/13، 41/16 و 7/28 درصد کاهش داشتند. تعیین بافت خاک با مثلث بافت خاک در دوره صحت­سنجی حاکی از تطابق نوع بافت خاک مشاهداتی و رگرسیون بردار پشتیبان بود. با در نظر گرفتن اجزاء بافت خاک و مولفه­های رنگ خاک آماره RPD از رگرسیون درختی به رگرسیون بردار پشتیبان به میزان 43/12 درصد افزایش داشت که بیانگر کارایی رگرسیون بردار پشتیبان در برابر رگرسیون درختی است. درصد کاهش آماره­های RMSE،RRMSE    و MSE از رگرسیون خطی چندگانه به رگرسیون بردار پشتیبان در هیو به ترتیب 88/76، 4/77 و 6/94 و در رگرسیون درختی به ترتیب 15/72، 58/72 و 92/92 بیانگر عملکرد بهتر دو مدل رگرسیونی نسبت به رگرسیون خطی چندگانه بود. براساس تحلیل از جهات گوناگون رگرسیون بردار پشتیبان نسبت به رگرسیون درختی عملکرد بهتری در تعیین رنگ و بافت خاک داشت. UR - https://asr.urmia.ac.ir/article_121158.html L1 - https://asr.urmia.ac.ir/article_121158_07bd2235b618def0f8ef47835e205abe.pdf ER -