نقشه برداری رقومی ضخامت خاک سطحی و عدم قطعیت وابسته به آن با استفاده از رویکرد یادگیری ماشین در بخشی از اراضی خشک و نیمه خشک دشت قزوین

پژوهش حاضر باهدف مدل سازی رقومی ضخامت خاک سطحی با استفاده از مدل های یادگیری ماشین جنگل تصادفی (RF) و شبکه عصبی مصنوعی (ANN) در حدود ۶۰۰۰۰ هکتار از اراضی دشت قزوین ( حد واسط آبیک و نظرآباد) با تراکم مشاهداتی ۲۷۸ پروفیل در بازه زمانی ۱۳۹۵-۱۳۹۹ و تعداد ۱۷ متغیر محیطی مستخرج از تصاویر ماهواره لندست۸، مشتقات اولیه و ثانویه مدل رقومی ارتفاع، داده های اقلیمی، نقشه کاربری اراضی و زمین شناسی اجرا گردید. برای انتخاب متغیرهای کمکی از الگوریتم نظارت شده باروتا (Boruta) به همراه نظر کارشناس استفاده شد. از دو تابع "nnet" و "random forest" و بسته "caret" در محیط نرم افزار R برای مدل سازی بر اساس ۸۰ درصد داده ها در مرحله واسنجی و ۲۰ درصد برای اعتبارسنجی استفاده شد و عدم قطعیت نقشه های نهایی با دو روش بوتسراپت (bootstrapping) و کا-مرتبه (k-fold) کمی سازی گردید. نتایج بیانگر انتخاب ۱۰ متغیر کمکی از میان ۱۷ متغیر بود و متغیرهای شاخص سبزینگی، تاثیر باد، تابش پخشیده و شاخص همواری دره باقدرت تفکیک بالا(Mrvbf) به عنوان مهم ترین متغیرهای کمکی مشخص گردیدند. نتایج اعتبارسنجی مدل RF بیانگر ضریب تبیین (R۲) ۸/۰ و ریشه میانگین مربعات خطای (RMSE) کمتر از ۳ سانتی متر و اریبی (Bias) ۶۳/۰ سانتی متر است. در مدل شبکه عصبی مقادیرR۲ ، RMSE  و Bias به ترتیب برابر۴۳/۰، ۰۵/۰ سانتی متر و ۰۰۴/۰ سانتی متر حاصل گردید، همچنین ضریب همبستگی توافق (CCC) برای مدل RF در مقایسه با ANN به میزان ۵۰ درصد افزایش نشان می دهد، عدم قطعیت برآورد شده توسط روش bootstrapping در مقایسه با k-fold به در مناطق با ضخامت ۱۰ تا۱۵ سانتی به میزان ۷ سانتی متر بیشتر است و در بخش زیادی از منطقه میزان پایین و دارای الگوی مکانی یکسانی می باشند. مدل جنگل تصادفی به همراه متغیرهای محیطی انتخاب شده و عدم قطعیت های کمی شده نقشه های خروجی می توانند برای مدل سازی ضخامت خاک سطحی در نواحی مشابه با این پژوهش در مطالعات آتی استفاده گردد.

کلیدواژه ها:

جنگل تصادفی ، شبکه عصبی مصنوعی ، متغیرهای محیطی ، ضخامت خاک سطحی ، کمی سازی عدم قطعیت