نقشه برداری رقومی اجزا بافت خاک در بخشی از اراضی دشت خوزستان با استفاده از برخی مدل های یادگیری ماشین

مطالعه حاضر با هدف ارزیابی و مقایسه کارائی مدل های ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) با استفاده از رویکرد نقشه برداری رقومی خاک (DSM) برای پیش بینی اجزا بافت خاک در بخشی از اراضی استان خوزستان انجام شد. در بهمن سال ۱۳۹۹، به منظور تعیین بافت خاک، ۲۰۰ نمونه از خاک سطحی (عمق ۱۰-۰ سانتی متری) به صورت تصادفی طبقه بندی شده جمع آوری شدند. متغیرهای کمکی شامل مشتقات اولیه و ثانویه مدل رقومی ارتفاع (DEM) شامل (شیب، جهت شیب، شاخص شبکه آبراهه ای و ...) و شاخص های طیفی و گیاهی سنجش از دور (RS) بودند که انتخاب دسته مناسب از آنها با استفاده از روش تجزیه مولفه های اصلی (PCA) انجام گرفت. بر اساس روش PCA، نه متغیر توپوگرافی از DEM و هشت شاخص پوشش گیاهی از RS برای پیش بینی اجزا بافت خاک (شن، سیلت و رس) انتخاب گردیدند. کارایی مدل ها با استفاده از آماره های ضریب تبیین (R۲) و ریشه ی میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفت. نتایج نشان داد مدل جنگل تصادفی از دقت بالاتر و خطا کمتری نسبت به مدل ماشین بردار پشتیبان (SVM) برخوردار است، به طوری که میزان R۲ در این مدل برای شن ۸۰/۰، سیلت ۸۱/۰ و رس ۷۸/۰ و ریشه ی میانگین مربعات خطا (RMSE) در پیش بینی این ذرات به ترتیب ۰۲/۶، ۸۹/۵ و ۰۲/۶ بود. این درحالی است که R۲ و RMSE در مدل ماشین بردار پشتیبان به ترتیب برای شن ۳۹/۰ و ۷۰/۱۳، سیلت ۴۵/۰ و ۷۰/۱۰ و رس۴۶/۰ و ۳۲/۹ بود. همچنین اهمیت نسبی متغیرهای استفاد شده در پیش بینی اجزای بافت خاک نشان داد شاخص شوری، شاخص روشنایی و شبکه آبراهه ای به همراه باند ۶ ماهواره لندست ۸ مهم ترین متغیرهای محیطی پیش بینی کننده ذرات رس، سیلت و ماسه بودند. بنابراین پیشنهاد می شود از مدل جنگل تصادفی به عنوان روشی مفید و قابل اعتماد در تهیه نقشه های رقومی بافت خاک در منطقه مورد مطالعه استفاده شود.

نقشه برداری رقومی اجزا بافت خاک در بخشی از اراضی دشت خوزستان با استفاده از برخی مدل های یادگیری ماشین Keywords:

مدل سازی مکانی , سنجش از دور , ماشین بردار پشتیبان , جنگل تصادفی