مقایسه روش های شبکه عصبی مصنوعی و درخت تصمیم در تهیه نقشه رقومی شوری و واحدهای خاک در منطقه اردکان

در پاسخ به تقاضا برای اطلاعات مکانی خاک و جهت تصمیم گیری صحیح در خصوص منابع طبیعی که از مسیر ارزیابی تناسب اراضی قابل انجام می باشد، به کار بردن داده های کمکی رقومی و ارتباط آن ها با داده های مشاهداتی صحرایی در حال افزایش است. استفاده از این اطلاعات رقومی از طریق روش های کامپیوتری، که اصطلاحا نقشه برداری رقومی خاک خوانده می شود، قابل اعتمادتر و کم هزینه تر نسبت به روش های سنتی نقشه برداری خاک است. بنابراین در مطالعه حاضر، از مدل های درخت تصمیم و شبکه عصبی مصنوعی جهت پیش بینی مکانی کلاس های تاکسونومیک و شوری خاک در منطقه ای خشک به وسعت ‮‭720‬ کیلومتر مربع در شهرستان اردکان که عملیات نقشه برداری بسیار سخت می باشد، استفاده گردید. در این منطقه بر اساس روش مربع لاتین مکان جغرافیایی ‮‭187‬ پروفیل خاک مشخص شده و سپس تشریح، نمونه برداری و طبقه بندی شدند. متغیرهای محیطی یا نمایندگان فاکتورهای خاک سازی که در این مطالعه استفاده شدند شامل اجزا سرزمین (استخراج شده از مدل رقومی ارتفاع)، داده های تصویر ‭ETM+ ‬ماهواره لندست، هدایت الکتریکی ظاهری (اندازه گیری شده توسط دستگاه هدایتگر الکترومغناطیس) و نقشه سطوح ژیومورفولوژی بودند. نتایج این تحقیق نشان داد که مدل درخت تصمیم دارای دقت بیشتری نسبت به شبکه عصبی مصنوعی به منظور پیش بینی کلاس خاک (سطح گروه بزرگ) می باشد. به طوری که مدل درختی دارای دقت کلی 6/%‮‭67‬ و شبکه عصبی مصنوعی دارای دقت کلی %‮‭48‬ می باشد. نتایج مشابه ای در مورد مدل سازی شوری خاک تا عمق یک متر مشاهده گردید و مدل رگرسیون درختی به خوبی توانست که ارتباط قوی بین داده های شوری استخراج شده از تابع عمق خاک و اطلاعات محیطی برقرار کند. به طوری که به عنوان مثال برای عمق ‮‭0-15‬سانتی متری مدل رگرسیون درختی و شبکه عصبی مصنوعی به ترتیب دارای مجموع ریشه مربعات خطا و ضریب تبیین ‮‭99‬/،‮‭0/80 33‬ و ‮‭61‬/،‮‭0/85 30‬ می باشند. همچنین نتایج نشان داد که برای پیش بینی کلاس خاک (سطح گروه بزرگ) پارامترهای شاخص خیسی، سطوح ژیومورفولوژی و شاخص همواری دره با درجه تفکیک بالا مهم ترین هستند. همین متغیرها و هدایت الکتریکی ظاهری به عنوان پیش بینی کننده های قوی در رگرسیون درختی جهت پیش بینی قابلیت هدایت الکتریکی خاک انتخاب شدند. در کل نتایج نشان داد که مدل های درختی دارای دقت بالاتری نسبت به روش شبکه عصبی مصنوعی بوده و همچنین تفسیر قوانین مستخرج از این مدل ها بسیار راحت تر از شبکه عصبی مصنوعی می باشد. با استفاده از قوانین بدست آمده، نقشه رقومی کلاس (تا سطح زیرگروه) و قابلیت هدایت الکتریکی خاک (تا عمق یک متر) تهیه گردید. لذا پیشنهاد می شود که جهت تهیه نقشه رقومی خاک (متغیرهای کیفی و کمی) ا ز مدل های درختی در مطالعات آینده استفاده شود. واژه های کلیدی: پیش بینی مکانی، مدل های درخت تصمیم، داده های محیطی، تابع عمق خاک