مفتخرم که اعلام نمایم که مقاله جدید اینجانب (دکتر جواد خنیفر) با عنوان “Mapping Soil Textural Fractions at Regional Scale Based on Local Morphometric Variables Using a Hybrid Approach (Case Study: Khuzestan Province, Iran)” در یک نشریه معتبر بین المللی JCR با عنوان Arabian Journal for Science and Engineering انتشار یافت.
ترجمه چکیده این مقاله کاربردی در بخش زیر ارائه شده است:
چکیده:
متغیرهای مرفومتریک محلی (LMVs) غالباً به عنوان پیشبینیکنندههای ضعیفتری نسبت به سایر متغیرهای کمکی محیطی در نقشهبرداری رقومی خاک یافت میشوند. این مطالعه عملکرد یک رویکرد هیبریدی ترکیب یافته از الگوریتمهای درختان رگرسیون تقویتشده گرادیان (GBRT) و رگرسیون تنظیم شده (RR) را در پیشبینی اجزاء بافتی خاک با استفاده از مجموعهای از LMVs در استان خوزستان (ایران) مورد آزمایش و ارزیابی قرار داد. در اینجا پنج LMV (گرادیان شیب، جهت شیب، انحنای افقی، انحنای عمودی، و پیچش ژئودزیکی کانتور) از یک DEM زاویه برابر کروی به عنوان پیشبینیکنندههای اصلی مشتق شدند. نتایج نشان داد که رویکرد هیبریدی دقت پیشبینی محتوای شن، رس و سیلت خاک را به طور متوسط ۵۶ درصد در مقایسه با مدلهای GBRT بهبود میبخشد. تجزیه و تحلیل اهمیت متغیرها مشارکت قابل توجه متغیرهای مبتنی بر درخت بهدستآمده از تجزیه مدلهای GBRT را در پیشبینی فراکشنهای بافتی خاک آشکار ساخت. این رویکرد میتواند برای نقشهبرداری رقومی خاک، بهویژه در موقعیتهایی با متغیرهای کمکی محیطی محدود یا در شرایطی که تکنیکهای ژئومرفومتریک به راحتی قابل اعمال نیستند، توصیه گردد.
واژگان کلیدی: نقشهبرداری رقومی خاک، ژئومرفومتری، بافت خاک، رویکرد هیبریدی، یادگیری ماشین.