ĐÁNH GIÁ KHẢ NĂNG ỨNG DỤNG MÔ HÌNH HỒI QUY LOGISTIC ĐA THỨC ĐỂ THÀNH LẬP BẢN ĐỒ ĐẤT TỈNH BẮC NINH

Ngày nhận bài: 08-01-2016

Ngày duyệt đăng: 29-04-2016

DOI:

Lượt xem

0

Download

0

Số: Tập 14 Số 4 (2016)

Chuyên mục:

TÀI NGUYÊN VÀ MÔI TRƯỜNG

Cách trích dẫn:

Thủy, Đoàn, & Giang, L. (2024). ĐÁNH GIÁ KHẢ NĂNG ỨNG DỤNG MÔ HÌNH HỒI QUY LOGISTIC ĐA THỨC ĐỂ THÀNH LẬP BẢN ĐỒ ĐẤT TỈNH BẮC NINH. Tạp Chí Khoa học Nông nghiệp Việt Nam, 14(4), 629–634. http://testtapchi.vnua.edu.vn/index.php/vjasvn/article/view/286

ĐÁNH GIÁ KHẢ NĂNG ỨNG DỤNG MÔ HÌNH HỒI QUY LOGISTIC ĐA THỨC ĐỂ THÀNH LẬP BẢN ĐỒ ĐẤT TỈNH BẮC NINH

Đoàn Thanh Thủy (*) 1 , Lê Thị Giang 1

  • 1 Khoa Quản lý đất đai, Học viện Nông nghiệp Việt Nam

    • Từ khóa

    Bản đồ đất, chỉ số đa dạng, độ chính xác phân loại, hồi quy logistic đa thức

    Tóm tắt


    Mô hình Hồi quy logistic đa thức (Multinomial logistic regression - MLR) đang ngày càng được ứng dụng rộng rãi để thành lập bản đồ đất trên thế giới. Mô hình này sẽ giúp tiết kiệm chi phí và thời gian do yêu cầu số lượng các điểm mẫu đầu vào (phẫu diện đất) ít hơn nhiều so với phương pháp thành lập bản đồ truyền thống. Đề tài nghiên cứu khả năng ứng dụng của MLR để thành lập bản đồ đất ở tỉnh Bắc Ninh bằng việc đánh giá kết quả của mô hình. Mô hình có 9 biến đầu vào bao gồm: loại đất, loại hình sử dụng đất, độ cao, độ dốc, chỉ số thực vật (Normalized difference vegetation index - NDVI), chỉ số thực vật vuông góc (Perpendicular vegetation index - PVI), tỷ số chỉ số thực vật (Ratio vegetation index - RVI), chỉ số ẩm ướt địa hình và chỉ số ẩm ướt SAGA. Mô hình MLR được sử dụng để dự báo loại đất theo 2 mức: mức Nhóm đất chính và mức Loại đất trung gian. Chất lượng bản đồ kết quả được đánh giá dựa trên 3 chỉ số: Độ chính xác phân loại, Chỉ số đa dạngvà Chỉ số kết hợp. Kết quả cho thấy ở mức Nhóm đất chính, mô hình MLR dự báo bản đồ có độ chính xác cao nhưng thấp hơn so với mức Loại đất trung gian. Chỉ số kết hợp cho thấy mô hình MLR cho kết quả tốt nhất ở mức Loại đất trung gian.

    Tài liệu tham khảo

    A.P.D.Turetta, M. L. Mendoca Santos, L.H.C.Anjos and R.L.L.Berbara (2006). Chapter 22: Spatial-Temporal Changes in Land Cover

    Carré, F. and M. C. Girard (2002). "Quantitative mapping of soil types based on regression kringing of taxonomics distances with landform and land cover attributes". Geoderma, 111: 241-263.

    Fagerland M. W., D. W. Hosmer and A. M. Bonfi. 2008. ‘Multinomial goodness-of-fit tests for logistic regression models.’ Statistics in Medicine. 27(21).

    FAO (2001). Lecture notes on the Major Soils of the World.

    Finke, P. (2011). Syllabus for the course Soil prospection and classification in the Physical Land Resources program.

    Kempen, B., D. J. Brus, Heuvelink GBM, Stoorvogel JJ (2009). "Updating the 1:50,000 Dutch soil map using legacy soil data: A multinomial logistic regression approach". Geoderma, 151: 311-326

    Lagacherie, P. and A. B. McBratney (2007). Chapter 1. Spatial soil information system and spatial soil inference systems: perspective for Diagital Soil Mapping. Diagital Soil Mapping: An Introductory Perspective. P. Lagacherie, A. B. McBratney and M. Voltz. Amsterdam, Elsevier. Development in Soil Science, pp. 3-24.

    Martin, M. A. and J. M. Rey (2000). "On the role of Shannon's entropy as a measure of heterogeneity". Geoderma, 98: 1-3.

    Olaya, V. F. (Ed.) (2004). A gentle introduction to Saga GIS Gottingen, Germany.

    WRB, I. W. G. (2006). World Reference Base for soil resources 2006. Rome, FAO.

    Yang, L., Y. Jiao, S. Fahmy, A-Xing Zhu, S. Hann, J. E. Burt, and Feng Qi. (2011). "Updating Conventional Soil Maps through Digital Soil Mapping". Soil Science Society of America, 75(3): 1044-1053.