نقشه برداری رقومی اجزای بافت خاک با استفاده از رویکردهای یادگیری ماشین و متغیرهای محیطی

بافت به­عنوان یکی از ویژگی­های موثر بر وضعیت هیدرولوژیکی و مکانیکی خاک از اهمیت ویژه­ای برای رشد گیاهان برخوردار است. بنابراین، مطالعه حاضر با هدف مدل­سازی مکانی ذرات خاک شامل شن، سیلت و رس با استفاده از مدل­های یادگیری ماشین جنگل تصادفی (RF)، رگرسیون بردار پشتیبان (SVR) و مدل زمین­اماری کوکریگینگ (Co-Kriging) و نقشه مدل رقومی ارتفاع و تصاویر ماهواره­ای با وضوح مکانی بالا در دشت مرودشت استان فارس انجام گرفت. مطالعات میدانی شامل حفر ۲۰۰ پروفیل مشاهداتی براساس روش نمونه برداری ابر مکعب لاتین (cLHS) و نمونه برداری از دو عمق، سطحی (۳۰ سانتی متر) و زیرسطحی (۶۰-۳۰ سانتی­متر) بود. طیف وسیعی از متغیرهای کمکی با دسترسی آسان شامل پارامترهای توپوگرافی و شاخص­های سنجش از دور به عنوان پیش­بینی کننده­های محیطی با وضوح مکانی ۳۰ متر تهیه گردید. مناسب­ترین متغیرهای کمکی با استفاده از آزمون هم خطی توسط شاخص تورم واریانس (VIF) و سپس رویکرد انتخاب متغیر باروتا انتخاب شد. نتایج نشان داد که مدل RF نسبت به مدل­های SVR و Co-Kriging دارای عملکرد بهتر و دقت بیشتر برای پیش­بینی هر سه ذره شن، سیلت و رس است. ضریب تبیین (R۲) پیش­بینی شده برای رس در عمق سطحی و زیر سطحی به ترتیب ۵۲/۰ و ۴۹/۰، برای سیلت ۴۸/۰ و ۶۴/۰ و برای شن ۵۴/۰ و ۳۶/۰ درصد محاسبه شد. همچنین متغیر عمق دره مهمترین متغیر در پیش­بینی توزیع مکانی شن، سیلت و رس شناسائی شد. تهیه نقشه توزیع مکانی اندازه ذرات خاک حاصل می تواند منبع مهمی از اطلاعات برای مدیریت کارآمد منابع زمین و نظارت بر محیط زیست باشد. به­طور کلی رویکرد مورد استفاده در این تحقیق به دلیل استفاده از منابع اطلاعاتی با دسترسی آسان و ارزان می­تواند به­عنوان راهنمایی برای تهیه­ی نقشه­های مدیریت­پذیر خاک در دشت­های کشاورزی کشور با قابلیت به­روز رسانی در حداقل زمان ممکن مورد استفاده قرار گیرد.

Keywords:

توزیع اندازه ذرات خاک , جنگل تصادفی , کوکریجینگ , نقشه برداری رقومی , یادگیری ماشین