شناسایی پارامترهای ژئومورفومتری مناسب برای تهیۀ نقشۀ رقومی خاک (مطالعۀ موردی: استان تهران) | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 9، دوره 17، شماره 2 - شماره پیاپی 66، 1404، صفحه 171-190 اصل مقاله (2.31 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2025.230044.1138 | ||
| نویسنده | ||
| مهدی صادقی پور مروی* | ||
| مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان تهران، ورامین، ایران | ||
| چکیده | ||
| سابقه و اهداف: امروزه، برای تهیۀ نقشههای رقومی خاک، از پارامترهای ژئومورفومتری موسوم به متغیرهای محیطی استفاده میشود و با استفاده از این دادهها، نتایج آزمون خاک به مناطق مشابه تعمیم مییابد. بدینمنظور، یافتن متغیرهای محیطی مطلوب از اهمیت ویژهای برخوردار است. ازآنجاکه درک تغییرات در فرایندهای سطح زمین مستلزم شناسایی همهجانبۀ متغیرهای محیطی آن است (Bishop et al., 2012)، این تغییرات اغلب از تغییر در مورفولوژی، ساختار، ترکیب، گذشت زمان و فعالیتهای انسان ناشی میشود (Bishop et al., 2003) و با توجه به اهمیت انتخاب متغیرهای محیطی مناسب برای افزایش دقت در تهیۀ نقشهای رقومی با استفاده از سامانۀ اطلاعات جغرافیایی، این پژوهش بهدنبال شناسایی و معرفی این متغیرهای محیطی مناسب براساس تحلیل دادهها و برمبنای آزمونهای آماری متغیر است تا، بر این اساس، نقشههای رقومی با دقت مطلوب، در محدودۀ جغرافیایی استان تهران تهیه شود. علاوهبراین استفادۀ محققان دیگر از نتایج این پژوهش و متغیرهای محیطی معرفیشده در آن موجب بهکارگیری متغیرهای اولیۀ یکسان در تهیۀ نقشههای رقومی متفاوت میشود و درنتیجه، امکان مقایسۀ بهتری میان نقشههای رقومی متفاوت وجود خواهد داشت. اهمیت این پژوهش در مهم بودنِ بررسی این عوامل است و نتایج پژوهشی در این زمینه قبلاً در استان تهران انتشار نیافته است؛ ازاینرو برای تهیۀ نقشۀ رقومی در مطالعات آتی میتوان از آنها بهره برد. مواد و روشها: هدف این پژوهش تعیین متغیرهای محیطی مناسبی است که بتوان از آنها برای مدلسازی برای تهیۀ نقشۀ رقومی خاک در استان تهران استفاده کرد. در پژوهش حاضر، باندهای تصاویر ماهوارهای سنجندۀ OLI_TIRS و نقشۀ رقومی ارتفاع استان تهران با استفاده از نرمافزارهای جی. آی. اس. مورد پردازش اولیه قرار گرفت. 49 دادۀ محیطی، شامل مدل رقومی ارتفاع یا DEM، شاخص آنالیز تپه، شاخص شکل زمین، شاخص بافت خاک، شاخص تجمع جریان، شاخص حفاظت، Clusters، مقطع عمودی انحنا، شاخص انحنای طولی، شاخص فاکتور LS، شاخص فاصلۀ عمودی تا شبکۀ کانال، شاخص خیسی توپوگرافیک، شاخص سطح پایۀ شبکۀ کانال، شاخص عمق دره، شاخص شیب حوضۀ آبخیز، شاخص شیب، شاخص وضعیت شیب نسبی، شاخص حوضههای زهکش، Closed Depression، شاخص جهت شیب، شاخص همگرایی، شاخص طول کانال، Multi-resolution Valley Bottom Flatness Index، Multi-resolution index of ridge top flatness، Modified Catchment Area، Output، شاخص واریانس، شاخص زمان طلوع و غروب خورشید، شاخص طول روز، شاخص حسگر باندها، شاخص شوری خاک، شاخص گچ خاک، شاخص درخشندگی، شاخص کربنات خاک، شاخص رس خاک و شاخص نرمالشدۀ پوشش گیاهی، تحلیل آماری شدند و مقادیر دارای بیشترین R2، CV و کمترین RMSE بهمنزلۀ عوارض زمین مطلوب ارزیابی شد. نتایج و بحث: براساس نتایج این پژوهش، باندهای 2، 3، 4 و 8 بهترین باندهای تصاویر ماهوارهای لندستـ 8، برای ارزیابی متغیرهای محیطی بودند. همچنین نقشۀ رقومی ارتفاع، شیب، فاصلۀ عمودی تا شبکۀ کانال، سطح پایۀ شبکۀ کانال، لندفرم، بافت، طول دره، شاخص انحنا، شاخص تسطیح کف دره، شاخص تسطیح بالای پشته، شاخص خیسی توپوگرافیک، حوضههای زهکش، طول کانال و شاخص درخشندگی با عنوان چهارده دادۀ محیطی مناسب برای استفاده در مدلسازی بهمنظور تهیۀ نقشۀ رقومی خاک معرفی شدند. این پژوهش، درزَمینۀ ضرایب همبستگی، با پژوهشهای قبلی در این باره همخوانی دارد. نتیجهگیری: در تحقیقی دیگر، باندهای 1 تا 5 و 7 سنجندۀ TM برای تهیۀ نقشۀ شوری خاک مناسب تشخیص داده شدند که با نتایج این پژوهش همخوانی دارد (Zeinali et al., 2016). نتایج این پژوهش برای تحقیقات آتی درزَمینۀ خاک کاربرد دارد. هدف این پژوهش، تعیین متغییرهای محیطی مناسبی است که از آنها بتوان در مدلسازی برای تهیه نقشه رقومی خاک در استان تهران استفاده نمود. در پژوهش حاضر، باندهای تصاویر ماهواره ای سنجنده OLI_TIRS و نقشه رقومی ارتفاع استان تهران با استفاده از از نرم افزارهای جی آی اس مورد پردازش اولیه قرار گرفت. 49 داده محیطی شامل مدل رقومی ارتفاع (Digital Elevation Model)، Analytical Hillshading، شاخص اندفرم (Landforms)، شاخص بافت خاک (Texture)، شاخص تجمع جریان (Flow Accumulation)، اشخص حفاظت (Protection Index)، Clusters، Cross-Sectional Curvature، Longitudinal Curvature، LS Factor، شاخص فاصله عمودی تا شبکه کانال (Vertical Distance to Channel Network)، شاخص خیسی توپوگرافیک (Topographic Wetness Index)، شاخص سطح پایه شبکه کانال (Channel Network Base Level)، شاخص عمق دره (Valley Depth)، Catchment Slope، شاخص شیب (Slope)، شاخص وضعیت شیب نسبی (Relative Slope Position)، شاخص حوزه زهکش (Drainage Basins)، Closed Depression، شاخص جهت شیب (Slope Aspect)، Convergence Index، شاخص طول کانال (Channel Length)، Multi-resolution Valley Bottom Flatness Index، Multi-resolution index of ridge top flatness، Modified Catchment Area، Output، Variance، Sunset، Sunrise، Day Length، Bands Sensor، شاخص شوری خاک (Salinity Index)، شاخص گچ خاک (Gypsum) Index، شاخص درخشندگی (Brightness Index)، شاخص کربنات خاک (Carbonate Index)، شاخص رس خاک (Clay Index) و شاخص نرمال شده پوشش گیاهی (Normalized Difference Vegetation Index) بودند تجزیه و تحلیل آماری شدند و مقادیر دارای بیشترین R2، CV و کمترین RMSE به عنوان عوارض زمین مطلوب ارزیابی شدند. بر اساس نتایج این پژوهش، باندهای 2، 3، 4 و 8 به عنوان بهترین باندهای تصاویر ماهواره ای لندست 8 برای ارزیابی متغییرهای محیطی بودند. همچنین نقشه رقومی ارتفاع، شیب، فاصله عمودی تا شبکه کانال، سطح پایه شبکه کانال، لندفرم، بافت، طول دره، شاخص انحنا، شاخص تسطیح کف دره، شاخص تسطیح بالای پشته، شاخص خیسی توپوگرافیک، حوزه های زهکش، طول کانال و شاخص درخشندگی به عنوان 14 داده محیطی مناسب برای استفاده در مدلسازی برای تهیه نقشه رقومی خاک معرفی شدند. این پژوهش در خصوص ضرایب همبستگی با پژوهش های قبلی در این زمینه (زینالی و همکاران. 1395) و (دارستانی فراهانی و همکاران. 1395) همخوانی نشان داد. در تحقیقی دیگر باندهای 1 تا 5 و 7 سنجنده TM برای تهیه نقشه شوری خاک مناسب تشخیص داده شدند که با نتایج این پژوهش همخوانی نشان داد (زینالی و همکاران. 1395). نتایج این پژوهش، برای تحقیقات آتی در زمینه خاک کاربرد دارد. | ||
| کلیدواژهها | ||
| متغیرهای محیطی؛ نقشۀ رقومی؛ خاک؛ SAGA؛ GIS؛ تهران | ||
| عنوان مقاله [English] | ||
| Determination of Optimum Geo-Morphometric Parameters to Digital Soil Map (Case Study: Tehran Province, Iran) | ||
| نویسندگان [English] | ||
| Mahdi Sadeghi Pour Marvi | ||
| Tehran Agricultural and Natural Resources Research and Education Center, Varamin, Iran | ||
| چکیده [English] | ||
| Introduction: Todays, geo-morphometric parameters named as environmental co-variates are used to digital soil maps, so that using these data, the results of soil tests are generalized to similar areas. For this object, finding the suitable environmental variables is of special importance. Since understanding changes in land surface processes requires comprehensive identification of the environmental variables present in it (Bishop et al., 2012), and these changes are mainly due to changes in morphology, structure, composition, passage of time, and human activities (Bishop et al., 2003), and considering the importance of selecting appropriate environmental variables to increase the accuracy in preparing a digital map using a geographic information system, this research seeks to identify and introduce these appropriate environmental variables based on data analysis and reliable statistical tests, so that digital maps with the desired accuracy can be prepared in the geographical area of Tehran province. Materials and Methods: In addition, other researchers' use of the results of this study and the environmental variables introduced in it will result in the use of the same initial variables in the preparation of different digital maps, and as a result, there will be a better possibility of comparison between different digital maps. The importance of this study is that the study of these factors is important and significant, and research results in this field have not been published before in Tehran province, so they can be used by other researchers to prepare digital maps in future studies. The objective of this study was to determine the appropriate environmental data that can be used to a digital soil map of Tehran province. Data were processed and 49 environmental data were statistically analyzed included Digital Elevation Model, Analytical Hillshading, Landforms, Texture, Flow Accumulation, Protection Index, Clusters, Cross-Sectional Curvature, Longitudinal Curvature, LS Factor, Vertical Distance to Channel Network, Topographic Wetness Index, Channel Network Base Level, Valley Depth, Catchment Slope, Slope, Relative Slope Position, Drainage Basins, Closed Depression, Slope Aspect, Convergence Index, Channel Length, Multi-resolution Valley Bottom Flatness Index, Multi-resolution index of ridge top flatness, Modified Catchment Area, Output, Variance, Sunset, Sunrise, Day Length, Bands Sensor, Salinity Index, Gypsum Index, Brightness Index, Carbonate Index, Clay Index, Normalized Difference Vegetation Index. These environmental covariates were statistically analyzed and the values with the highest R2, CV and the lowest RMSE were evaluated as favorable environmental data. Based on these results, bands 2, 3, 4 and 8 were introduced as the best bands of Landsat 8 satellite images to evaluate environmental covariates. The selection of environmental data is of special importance in the preparation of digital maps by co-kriging method, on this basis, in this study, the identification of suitable environmental data for the preparation of digital soil maps in Tehran province was targeted. Results and Discussion: Based on the results of the present study, out of 49 environmental data reviewed, based on statistical analysis, 14 favorable environmental data were selected. Thus, it is concluded that in preparing a digital soil map, to ensure the accuracy of generalization of laboratory measurement results of soil samples to similar areas, DEM, Slope, CNBL, VDCN, Landforms, Texture, Valley Depth can be used, Convergence Index, MRVBF, MRRTF, TWI, Drainage Basins, Channel and Brightness Index were used as desirable auxiliary data in soil studies in the geographical area of Tehran province. This study showed consistency with previous studies in this field regarding correlation coefficients (Zeinali et al., 2016) and (Darstani Farahani et al., 2016). Conclusion: In another study, bands 1 to 5 and 7 of the TM sensor were found to be suitable for preparing soil salinity maps, which was consistent with the results of this study (Zeinali et al., 2016).The results of these study use to future soil research. These environmental covariates were statistically analyzed and the values with the highest R2, CV and the lowest RMSE were evaluated as favorable environmental data. Based on these results, bands 2, 3, 4 and 8 were introduced as the best bands of Landsat 8 satellite images to evaluate environmental covariates. The selection of environmental data is of special importance in the preparation of digital maps by co-kriging method, on this basis, in this study, the identification of suitable environmental data for the preparation of digital soil maps in Tehran province was targeted. Based on the results of the present study, out of 49 environmental data reviewed, based on statistical analysis, 14 favorable environmental data were selected. Thus, it is concluded that in preparing a digital soil map, to ensure the accuracy of generalization of laboratory measurement results of soil samples to similar areas, DEM, Slope, CNBL, VDCN, Landforms, Texture, Valley Depth can be used. , Convergence Index, MRVBF, MRRTF, TWI, Drainage Basins, Channel and Brightness Index were used as desirable auxiliary data in soil studies in the geographical area of Tehran province. This study showed consistency with previous studies in this field regarding correlation coefficients (Zeinali et al. 2016) and (Darstani Farahani et al. 2016). In another study, bands 1 to 5 and 7 of the TM sensor were found to be suitable for preparing soil salinity maps, which was consistent with the results of this study (Zeinali et al. 2016).The results of these study use to future soil research. | ||
| کلیدواژهها [English] | ||
| Environmental Covariates, Digital Map, Soil, SAGA, GIS, Tehran | ||
| مراجع | ||
|
Adhikari, K., Kheir, R., Greve, M., Bøcher, P., Malone, B., Minasny, B., McBratney, A. & Greve, M., 2013, High-Resolution 3-D Mapping of Soil Texture in Denmark, Soil Sci. Soc. Am. J., 77, PP. 860-876, doi.org/10.2136/sssaj2012.0275. Amirian-Chakan, A., Minasny, B., Taghizadeh-Mehrjardi, R., Akbarifazli, R., Darvishpasand, Z. & Khordehbin, S., 2019, Some Practical Aspects of Predicting Texture Data in Digital Soil Mapping, Soil and Tillage Research, 194, P. 104289. Bishop, M.P., Shroder Jr., J.F. & Colby, J.D., 2003, Remote Sensing and Geomorphometry for Studying Relief Production in High Mountains, Geomorphology, 55(1-4), PP. 345-361. Bishop, M.P., James, L.A., Shroder Jr., J.F. & Walsh, S.J., 2012, Geospatial Technologies and Digital Geomorphological Mapping: Concepts, Issues and Research, Geomorphology, 137(1), PP. 5-26. Blaga, L., 2012, Aspects Regarding the Significance of the Curvature Types and Values in the Studies of Geomorphometry Assisted by GIS, Anal. Univ. Oradea Ser. Geogr, 2012, PP. 327-337. Bock, M., Boehner, J., Conrad, O., Koethe, R. & Ringeler, A., 2007, Methods for Creating Functional Soil Databases and Applying Digital Soil Mapping with SAGA GIS, In: T. Hengl, P. Panagos, A. Jones, G. Toth, [Eds.]: Status and Prospect of Soil Information in South-Eastern Europe: Soil Databases, Projects and Applications, EUR 22646 EN Scientific and Technical Research Series, Office for Official Publications of the European Communities, Luxemburg, PP. 149-162, http://eusoils.jrc.ec.europa.eu/ESDB_ Archive/ eusoils_docs/esb_rr/EUR22646EN.pdf. Boettinger, J.L., Ramsey, R.D., Bodily, J.M., Cole, N.J., Kienast-Brown, S., Nield, S.J., Saunders, A.M. & Stum, A.K., 2008, Landsat Spectral Data for Digital Soil Mapping, In: A.E. Hartemink, A.B. McBratney, M.L. Mendonca-Santos (Eds.), Digital Soil Mapping with Limited Data, Springer Science, Australia, PP. 193-203. Brenning, A., Bangs, D., Becker, M., Schratz, P. & Polakowski, F., 2018, Package ‘RSAGA’, The Comprehensive R Archive Network, https://CRAN.R-project.org/package= RSAGA. Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A. & Edwards Jr., T.C., 2015, Machine Learning for Predicting Soil Classes in Three Semi-Arid Landscapes, Geoderma, 239-240, PP. 68-83, doi.org/ 10.1016/j.geoderma.2014.09.019. Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V. & Boehner, J., 2015, System for Automated Geoscientific Analyses (SAGA) v. 2.1.4, Geosci. Model Dev., 8, PP. 1991-2007, doi:10.5194/gmd-8-1991-2015. Darestani Farahani, M., Akhondzadeh Henzaei, M. & Ahmadi Givi, F., 2016, Using a Neural Network Algorithm to Prepare a Water Surface Salinity Map from MODIS Satellite Images, Journal of Geographic Information Sepehr, 25(99), PP. 18-5. Dharumarajan, S., Lalitha, M., Niranjana, K.V. & Hegde, R., 2022, Evaluation of Digital Soil Mapping Approach for Predicting Soil Fertility Parameters—A Case Study from Karnataka Plateau, India, Arabian Journal of Geosciences, 15(5), P. 386.
Forkuo, E.K. & Nketia, A.K., 2011, Digital Soil Mapping in GIS Environment for CropLand Suitability Analysis, International journal of Geomatics and Geosciences, 2(1), PP. 133-146. Fu, W., Zhao, K., Tunney, H. & Zhang, C., 2013, Using GIS and Geostatistics to Optimize Soil Phosphorus and Magnesium Sampling in Temperate Grassland, Soil Science, 178(5), PP. 240-247, doi:10.1097/ss.0b013e 31829d463b. Gallant, J.C. & Dowling, T.I., 2003, A Multi Resolution Index of Valley Bottom Flatness for Mapping Depositional Areas, Water Resources Research, 39, PP. 1347-1360. Gao, B., Pan, Y., Chen, Z., Wu, F., Ren, X. & Hu, M., 2016, A Spatial Conditioned Latin Hypercube Sampling Method for Mapping Using Ancillary Data, Transactions in GIS, 20(5), PP. 735-754. Godinho Silva, S.H., Owens, P.R., Silva, B.M., César de Oliveira, G., Duarte de Menezes, M., Pinto, L.C. & Curi, N., 2015, Evaluation of Conditioned Latin Hypercube Sampling as a Support for Soil Mapping and Spatial Variability of Soil Properties, Soil Science Society of America Journal, 79(2), PP. 603-611. Guo, L., 2018, Exploring the Sensitivity of Soil Sample Numbers in Digital Soil Mapping and then Choosing a Suitable Soil Sampling Plan, Journal of Remote Sensing & GIS, 07, DOI:10.4172/2469-4134-c2-014. Jochem, A., Wichmann, V. & Hofle, B., 2010, Large Area Point Cloud Based Solar Radiation Modeling, Hamburger Beiträge zur Physischen Geographie und Landschaft-sökologie, 21, P. 20. Kaneda, H. & Chiba, T., 2019, Stereopaired Morphometric Protection Index Red Relief Image Maps (Stereo MPI‐RRIMs): Effective Visualization of High‐Resolution Digital Elevation Models for Interpreting and Mapping Small Tectonic Geomorphic Features, Bulletin of the Seismological Society of America, 109(1), PP. 99-109. Köthe, R. & Bock, M., 2006, Development and Use in Practice of SAGA Modules for High Quality Analysis of Geodata, Free And Open Gis-Saga-Gis, 115, PP. 85-96. Lacoste, M., Mulder, V., de Forges, A.R., Martin, M. & Arrouays, D., 2016, Evaluating Large-Extent Spatial Modeling Approaches: A Case Study for Soil Depth for France, Geoderma Regional, 7, PP. 137-152, doi.org/10.1016/j.geodrs.2016.02.006. Li, J., Heap, A.D., Potter, A. & Daniell, J.J., 2011, Application of Machine Learning Methods to Spatial Interpolation of Environmental Variables, Environ. Modell. Softw., 26, PP. 1647-1659, doi.org/10.1016/ j.envsoft.2011.07.004. Liess, M., Glaser, B. & Huwe, B., 2012, Uncertainty in the Spatial Prediction of Soil Texture. Comparison of Regression Tree and Random Forest Models, Geoderma, 170, PP. 70-79, doi.org/10.1016/ j.geoderma.2011.10.010. Malone, B.P., Minansy, B. & Brungard, C., 2019, Some Methods to Improve the Utility of Conditioned Latin Hypercube Sampling, PeerJ, 7, P. e6451. Maynard, J.J. & Levi, M.R., 2017, Hyper-Temporal Remote Sensing for Digital Soil Mapping: Characterizing Soil-Vegetation Response to Climatic Variability, Geoderma, 285, PP. 94-109, doi.org/10.1016/ j.geoderma.2016.09.024. Metternicht, G.I. & Zinck, J.A., 2003, Remote Sensing of Soil Salinity: Potentials and Constraints, Remote Sensing of Environment, 85, PP. 1-20. Mulder, V., Lacoste, M., de Forges, A.R. & Arrouays, D., 2016, Global Soil Map France: High-Resolution Spatial Modelling the Soils of France up to Two Meter Depth, Sci. Total Environ., 573, PP. 1352-1369, doi.org/ 10.1016/j.scitotenv.2016.07.066. Ngu, N.H., Trung, N.H., Shinjo, H., Chotpantarat, S. & Thanh, N.N., 2025, Improving Spatial Prediction of Soil Organic Matter in Central Vietnam Using Bayesian-Enhanced Machine Learning and Environmental Covariates, Archives of Agronomy and Soil Science, 71(1), PP. 1-17. Nield, S.J., Boettnger, J.L. & Ramsey, R.D., 2007, Digital Mapping Gypsic and Nitric Soil Areas Using Landsat ETM Data, Soil Science Society of America Journal, 71, PP. 245-252. Nussbaum, M., Spiess, K., Baltensweiler, A., Grob, U., Keller, A., Greiner, L. & Papritz, A.J., 2018, Evaluation of Digital Soil Mapping Approaches with Large Sets of Environmental Covariates, Soil, 4(1), PP. 1-22. Parmar, S., 2019, Morphometry Analysis Using SAGA GIS: A Case Study of Watershed–63 of Narmada River, Gujarat, India, Journal of Engineering Research and Application, (2). Somarathna, P., Malone, B. & Minasny, B., 2016, Mapping Soil Organic Carbon Content over New South Wales, Australia Using Local Regression Kriging, Geoderma Regional, 7, PP. 38-48, doi.org/10.1016/ j.geodrs.2015.12.002. Szatmári, G., Barta, K. & Pásztor, L., 2015, An Application of a Spatial Simulated Annealing Sampling Optimization Algorithm to Support Digital Soil Mapping, Hungarian Geographical Bulletin, 64(1), PP. 35-48. Taghizadeh-Mehrjardi, R., 2015, Determining Spatial Sampling Pattern Using Different Methods (Case Study: Taft County), Agricultural Engineering (Agricultural Scientific Journal), 38(2), PP. 19-36. Taghizadeh- Mehrjardi, R., Minasny, B., Sarmadian, F. & Malone, B.P., 2014, Digital Mapping of Soil Salinity in Ardakan Region, Central Iran, Geoderma, 213, PP. 15-28. Taghizadeh-Mehrjardi, R., Nabiollahi, K. & Kerry, R., 2016, Digital Mapping of Soil Organic Carbon at Multiple Depths Using Different Data Mining Techniques in Baneh Region, Iran, Geoderma, 266, PP. 98-110, doi.org/10.1016/j.geoderma.2015.12.003. Vaysse, K. & Lagacherie, P., 2015, Evaluating Digital Soil Mapping Approaches for Mapping GlobalSoilMap Soil Properties from Legacy Data in Languedoc-Roussillon (France), Geoderma Regional, 4, PP. 20-30, doi.org/10.1016/j.geodrs.2014.11.003. Weber, D., Rüetschi, M., Small, D. & Ginzler, C., 2020, Grossflächige Klassifikation von Gebüsch Wald mit Fernerkundungsdaten, Schweizerische Zeitschrift fur Forstwesen, 171(2), PP. 51-59. Were, K., Bui, D.T., Dick, Ø.B. & Singh, B.R., 2015, A Comparative Assessment of Support Vector Regression, Artificial Neural Networks, and Random Forests for Predicting and Mapping Soil Organic Carbon Stocks Across an Afromontane Landscape, Ecol. Indic., 52, PP. 394-403, doi.org/10.1016/j.ecolind.2014.12.028. Zawawi, A.A., Shiba, M. & Jemali, N.J.N., 2014, Landform Classification for Site Evaluation and Forest Planning: Integration between Scientific Approach and Traditional Concept, Sains Malaysiana, 43(3), PP. 349-358. Zeinali, M., Jafarzadeh, A.A., Shahbazi, F. & Ostan, Sh., 2016, Evaluation of Surface Soil Salinity Using Pixel-Based Method Based on TM Sensor Data (Case Study: Lands East of Khoy County- West Azerbaijan Province), Journal of Geographic Information Sepehr, 25(99), PP. 127-139. | ||
|
آمار تعداد مشاهده مقاله: 1,230 تعداد دریافت فایل اصل مقاله: 740 |
||