مجتبی شاهینی شمس آبادی - دانشجوی دکتری علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولیعصر رفسنجان، رفسنجان، ایران
عیسی اسفندیارپور - دانشیار گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولیعصر رفسنجان، رفسنجان، ایران
زهره مصلح - استادیار بخش خاک و آب، مرکز تحقیقات کشاورزی و منابع طبیعی کرج، کرج، ایران
حسین شیرانی - استاد گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولیعصر رفسنجان، رفسنجان، ایران
محمدحسن صالحی - استاد گروه علوم خاک، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران

نقشههای خاک بهمنزله یکی از نقشههای پایه در بسیاری از مطالعات مرتبط با محیط و منابع طبیعی اهمیت زیادی دارند. نقشههای رقومی خاک بر پایه ارتباط بین ویژگیهای محیطی و خاک پایهریزی شدهاند. هدف از انجام پژوهش حاضر، بررسی خطا و عدمقطعیت کلاسهای رقومی خاک پیشبینیشده در سطوح مختلف سامانه ردهبندی آمریکایی با استفاده از مدل شبکه عصبی مصنوعی است. تعداد ۱۲۰ خاکرخ برمبنای یک الگوی شبکهای منظم در دشت شهرکرد حفر، تشریح و نمونهبرداری شد. برای تخمین کلاسهای خاک، دو گروه ویژگیهای خاکی (کمی و کیفی) و دادههای کمکی (شامل نقشه زمینشناسی، نقشه شکل اراضی، نقشه فاز شکل اراضی، نقشه خاک سنتی منطقه، شاخص تفاضل نرمالشده پوشش گیاهی و بعضی مشتقات مدل ارتفاع رقومی) مدنظر قرار گرفت. پس از تهیه نقشههای ویژگیهای خاک و اطمینان از صحت و دقت آنها، این نقشهها به همراه دادههای کمکی برای تخمین کلاسهای خاک با مدل شبکه عصبی مصنوعی در محیط نرمافزار R استفاده شدند و درنهایت دقت و عدمقطعیت مدل مزبور بهترتیب با صحت عمومی و شاخص درهمی ارزیابی شد. نتایج نشان داد ورود جزئیات بیشتر در ردهبندی خاکها در سطوح پایین طبقهبندی، ضمن افزایش تعداد کلاسها، کاهش صحت عمومی و افزایش عدمقطعیت را به همراه داشته است. با توجه به حد پذیرفته صحت عمومی (۷۵درصد)، مدل شبکه عصبی مصنوعی از صحت لازم تا سطح گروه بزرگ برخوردار بوده است؛ اما عدمقطعیت زیادی را داشته است؛ بنابراین صرف توجه به صحت مدل در انتخاب آن برای مدلسازی موثر نیست؛ بلکه در کنار خطای مدل، توجه به عدمقطعیت آن نیز بسیار مهم است. بر این اساس، بهکارگیری روشهای دیگری از محاسبات نرم برای مدلسازی در مناطق دشت یا مناطق با ناهمواریهای کم پیشنهاد میشود.

ماتریس خطا, مدلسازی, نقشه خاک, سامانه طبقهبندی خاک