کاربرد مدل های یادگیری ماشین در برآورد مکانی فسفر و پتاسیم خاک در بخشی از اراضی دشت آبیک

مدل­سازی و نقشه­برداری توزیع مکانی عناصر غذایی گیاه در خاک اهمیت ویژه­ای در افزایش بهره­وری بخش کشاورزی و نیل به توسعه پایدار دارد. این پژوهش باهدف تهیه نقشه­های رقومی دو عنصر مغذی فسفر در دسترس (Pav) و پتاسیم قابل تبادل (Kex) خاک با استفاده از مدل­های یادگیری ماشین (MLM) شامل جنگل تصادفی (RF)، کوبیست (CB)، رگرسیون بردار پشتیبان (SVR) و k – نزدیک­ترین همسایگی (k-NN) در دو عمق ۱۵-۰ و ۳۰- ۱۵ سانتی­متر در بخشی از اراضی دشت آبیک صورت پذیرفت. در راستای این هدف ۲۷۸ خاک رخ مطالعاتی در منطقه مورد­مطالعه حفر و پس از نمونه­برداری از افق­های مورد­نظر، خاک­ها برای انجام آزمایش­های مورد­نیاز به آزمایشگاه منتقل شد. ارزیابی کارایی MLM بر اساس روش اعتبارسنجی متقابل با ۱۰-گام صورت پذیرفت. نتایج مدل­سازی حاکی از آن است که مدل RF نسبت به سه مدل دیگر در برآورد مکانی Pav و Kex در دو عمق موردمطالعه دارای بیشترین میزان صحت و حداقل مقدار خطا بود. در عمق ۰-۱۵ سانتی­متر طبق آماره­های ضریب همبستگی تطابق (CCC) برای Pav مقادیر ۸۴/۰، ۷۴/۰، ۴۸/۰ و ۳۵/۰ و حداقل مقدار میانگین ریشه مربعات خطا نرمال شده (NRMSE) ۳۸/۰، ۵۴/۰، ۷۰/۰ و ۸۰/۰ به ترتیب توسط مدل­های RF، CB، k-NN، SVR و برای Kex در همین عمق مقادیر CCC برابر ۸۲/۰، ۷۲/۰، ۷۰/، ۴۷/۰ و NRMSE ۲۵/۰، ۳۴/۰، ۳۶/۰ و ۴۵/۰ به ترتیب توسط مدل­های RF، CB، SVR، k-NN مشاهده گردید. نتایج مشابهی برای لایه ۳۰-۱۵ سانتی متر به دست آمد. اهمیت نسبی متغیرهای محیطی موید نقش­ موثرتر ویژگی­های خاک نسبت به سایر متغیرهای محیطی در برآورد Pav و Kex بود. با توجه به نقشه­های پهنه­بندی دو عنصر مغذی و غالب بودن کاربری ­زراعی در اراضی موردمطالعه، بخش­های عمده­ای از منطقه بر اساس مقادیر استاندارد Pav دارای کمبود بود. بنا بر این، به­منظور افزایش بهره­وری و بهبود مدیریت حاصلخیزیخاک استفاده از کودهای فسفات با نظارت کارشناسان خاک توصیه می­شود.  

کلیدواژه ها:

فسفر در دسترس ، پتاسیم قابل تبادل ، مدل سازی مکانی ، نقشه برداری رقومی خاک