مدل سازی پراکنش مکانی کلاس های خاک با استفاده از الگوریتم های یادگیری ماشین در بخشی از اراضی استان زنجان

نقشه­برداری رقومی از روش­های نوینی است که از الگوریتم­های یادگیری ماشین و متغیرهای محیطی پیروی کرده و به دلیل صرفه­جویی در زمان و هزینه انجام مطالعه برای پهنه بندی خصوصیات و کلاس های خاک در سطوح مختلف طبقه بندی کاربرد گسترده­ای در سطح جهانی دارد. این پژوهش باهدف مقایسه کارایی مدل های یادگیری ماشین در پیش بینی مکانی زیرگروه­های خاک در بخشی از اراضی استان زنجان انجام شد. برای این منظور، بر اساس الگوی طبقه بندی تصادفی با میانگین فاصله ۵۰۰ متر، ۱۴۸ خاک­رخ حفر و تشریح گردید و مطابق با سامانه جامع رده­بندی خاک به روش آمریکایی طبقه­بندی شد. خاک­ها در سطح زیرگروه در پنج کلاس­ تیپیک کلسی­زرپتز، تیپیک هاپلوزرپتز، جیپسیک هاپلوزرپتز، تیپیک زراورتنتز و لیتیک زراورتنتز طبقه بندی شد. متغیرهای محیطی شامل نقشه­های ژئومورفولوژی، زمین­شناسی، توپوگرافی و داده­های حاصل از تصاویر سنجش ازدور بود. ۵۷ متغیر محیطی به عنوان نمایندگان عوامل خاک­سازی استخراج گردید و با استفاده از روش تحلیل مولفه اصلی و نظر کارشناسان، موثرترین متغیرهای محیطی انتخاب شد. مدل سازی خاک - زمین­نما با استفاده از الگوریتم­های جنگل تصادفی، درخت تصمیم توسعه یافته و رگرسیون لجستیک چندجمله ای در محیط نرم­افزار Rstudio انجام شد.  صحت کلی و ضریب کاپا برای ارزیابی کلاس­های خاک در سطح زیرگروه به ترتیب در مدل رگرسیون لجستیک چندجمله­ای ۶۵% و ۰/۴۱%، در مدل جنگل تصادفی ۶۵% و ۰/۳۲ و در مدل درخت تصمیم توسعه یافته ۶۰% و ۰/۳۵ به دست آمد. صحت کاربر و صحت تولیدکننده نشان داد که مدل رگرسیون لجستیک چندجمله­ای برآورد قابل قبولی در پیش بینی مکانی زیرگروه­های خاک ارائه می­دهد. متغیرهای عمق دره، فاصله تا شبکه آبراهه، شاخص همواری بالای پشته با درجه تفکیک بالا و شاخص طول در جهت شیب دارای بیش ترین اهمیت در مدل رگرسیون لجستیک چندجمله­ای بود. کلاس­های خاک با فراوانی بیشتر صحت بالاتری داشت. که نشان می­دهد رابطه مستقیمی بین فراوانی کلاس­های خاک در داده­های آموزشی با صحت نتایج پیش­بینی کلاس­های خاک برقرار است.

کلیدواژه ها:

رگرسیون لجستیک چندجمله ای ، ضریب کاپا ، نقشه برداری رقومی خاک ، ویژگی های توپوگرافی