مدل سازی رقومی تغییرات سه بعدی شوری خاک با استفاده از الگوریتم های یادگیری ماشین در اراضی خشک و نیمه خشک دشت قزوین

شوری خاک به­ عنوان یکی از مهم ترین شاخص­های کیفیت خاک، نقش مهمی در برنامه­ریزی­های کاربری و مدیریت اراضی در مناطق خشک و نیمه خشک دارد. این پژوهش با هدف مدل سازی رقومی تغییرات سطحی و عمقی شوری خاک در پنج عمق استاندارد پروژه جهانی نقشه برداری رقومی خاک (۵-۰، ۱۵-۵، ۳۰-۱۵، ۶۰-۳۰ و ۱۰۰-۶۰ سانتی­متر) در ۶۰ هزار هکتار از اراضی دشت قزوین با وضوح مکانی ۱۵ متر صورت پذیرفت. مطالعات میدانی شامل نمونه­برداری از ۲۷۸ خاکرخ بود و هدایت الکتریکی خاک­ها در آزمایشگاه اندازه­گیری شد. انتخاب متغیرهای محیطی، شامل پارامترهای مستخرج از داده­های تصاویر لندست ۸، توپوگرافی و لایه­های اقلیمی، طبق روش حذف ویژگی برگشتی (RFE) صورت پذیرفت. چهار الگوریتم یادگیری ماشین جنگل تصادفی (RF)، کوبیست (CB)، رگرسیون درخت تصمیم (DTr) و k- نزدیک ترین همسایگی (k-NN) برای تهیه نقشه پیش­بینی شوری خاک استفاده شد. بر اساس نتایج RFE درنهایت ۱۰ متغیر کمکی در هر عمق انتخاب شدند. نتایج نشان داد که مدل CB در اعماق استاندارد ۵-۰ و ۳۰-۱۵ سانتیمتر با R۲ برابر ۹۲/۰ و ۸۵/۰ و RMSE برابر ۷۷/۴ و ۹۰/۷ دسی زیمنس بر متر و مدل RF در اعماق ۱۵-۵، ۶۰-۳۰ و ۱۰۰-۶۰ سانتی­متر مدل با R۲ به­تریتب برابر ۹۳/۰، ۹۴/۰، ۹۶/۰ و RMSE ۶۵/۶، ۱۰/۵ و ۲۰/۳ دسی زیمنس بر متر بالاترین مقادیر صحت را نسبت به دو مدل DTr و k-NN داشتند. همچنین در اعماق سطحی متغیرهای کمکی مستخرج از داده­های سنجش دور و در اعماق زیرسطحی پارامترهای اقلیمی و توپوگرافی بیشترین ارتباط را با تغییرات شوری داشتند. بطور کلی مدل­های RF و CB به همراه متغیرهای محیطی مناسب بخوبی توانستند تغییرات شوری را در اعماق استاندارد موردمطالعه ارائه نمایند.

کلیدواژه ها:

شوری خاک ، متغیرهای محیطی ، نقشه برداری رقومی ، یادگیری ماشین