مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان :

تعداد صفحات : ۱۷

بافت[H1]  خاک یک خصوصیت ایستای خاک است و بر بیشتر ویژگی­های فیزیکی و شیمیایی خاک تاثیر میگذارد.از این رو، تقاضا برای اطلاعات مکانی آن رو به افزایش است. کمبود اینگونه اطلاعات می­تواند منجر به اتخاذ سیاست­های غلط در مدیریت و تخریب منابع زمین و آب شود. در ایران داده­های پراکنده بسیاری در مورد خاک وجود دارد که هزینه­های بسیاری صرف تولید آن­ها شده است. در صورت پهنه­بندی صحیح، این داده­ها به صورت نقشه در دامنه وسیعی از کاربردها قابل استفاده هستند. در این پژوهش، روش­های کریجینگ معمولی، وزن­دهی عکس فاصله و طبقه­بندی پیکسل مبنا برای پهنه­بندی ذرات معدنی و گروه­های بافت خاک (سبک، سنگین و متوسط) در ۴۶۶۵ نمونه خاک سطحی با مختصات جغرافیایی معین در اراضی زراعی و باغی استان گیلان که عمدتا در دشت­های ساحلی و پست قرار داشتند، مقایسه گردید و با استفاده از آماره­های صحت سنجی ضریب تبیین (R2)، میانگین اریب خطا (MBE)، ریشه میانگین نرمال­شده مربعات خطا (NRMSE)، ضریب کاپا (KIA) و درصد صحت طبقه­بندی پیکسل­ها (Pa) ارزیابی شد. نتایج نشان داد که روش وزن­دهی عکس فاصله در برآورد درصد رس (۶۴/۰ R2 =  و ۲۲/۰ NRMSE =) و شن (۶۷/۰ R2 =  و ۲۵/۰ NRMSE =) از صحت بالاتری برخوردار بود. اما در برآورد گروه­های بافتی سبک، سنگین و متوسط روش طبقه­بندی پیکسل مبنا بر پایه­ آماره­های ضریب کاپا و صحت طبقه­بندی (به ترتیب برابر ۴۶/۰ و ۷۳%) از صحت بیشتری نسبت به دیگر روش­ها برخوردار بود؛ اما این برتری نسبت به روش کریجینگ معمولی (۴۳/۰ KIA =  و  ۷۱% Pa =) جزئی بود. در طبقه­بندی پیکسل مبنا از مولفه­های داده­های رقومی خاک به عنوان متغیر ورودی در شبکه عصبی مصنوعی برای برآورد اجزای معدنی در پیکسل­های مجهول استفاده شد. برای تصمیم­گیری با قطعیت بیشتر در رابطه با کارایی طبقه­بندی پیکسل مبنا در برآورد گروه­های بافتی خاک لازم است این روش در شرایطی با تنوع بیشتر در فیزیوگرافی نیز ارزیابی شود.  [H1]