مدل سازی و پیش بینی مکانی کلاس خاک با استفاده از الگوریتم یادگیری رگرسیون درختی توسعه یافته و جنگل-های تصادفی در بخشی از اراضی دشت قزوین

انتخاب متغیرهای کمکی مناسب در روش­های یادگیرنده ماشینی جهت نقشه برداری رقومی خاک از اهمیت ویژه­ای برخوردار است. طی سال­های اخیر در ایران استفاده از الگوریتم­های یادگیرنده در نقشه­برداری رقومی و بهنگام سازی نقشه­های قدیمی توسعه یافته است. پژوهش حاضر در بخشی از اراضی دشت قزوین با هدف مقایسه جنگل­های تصادفی (RF) و رگرسیون درختی توسعه یافته (BRT) در پیش­بینی مکانی کلاس­های زیرگروه و فامیل خاک بهمراه انتخاب متغیرهای کمکی با استفاده از شاخص تورم واریانس انجام شده است. ۶۱ خاکرخ به روش نمونه­برداری تصادفی طبقه بندی شده حفر، تشریح و با تجزیه وتحلیل آزمایشگاهی تا سطح فامیل رده­بندی گردید. مناسب ترین متغیر­های محیطی از میان ۱۵ متغیر ژئومورفومتری و شاخص­های سنجش از دور با استفاده از فاکتور تورم واریانس انتخاب گردیدند. مدل­سازی رابطه خاک – زمین نما در دو سطح زیرگروه و فامیل خاک با استفاده از دو الگوریتم یادگیرنده RF و BRT در نرم افزار RStudio بر اساس دو بسته "Randomforest" و "C۵.۰" اجرا گردید. نتایج انتخاب متغیر­های محیطی نشان داد که شش متغیر CHA،DEM ، STH، NDVI، SI و DVI به­عنوان متغیر ورودی انتخاب گردیدند. شاخص­های ارزیابی مدل­ها شامل صحت کلی و شاخص کاپا به ترتیب برای الگوریتم BRT، ۳۵، ۲۶ درصد و برای الگوریتم RF،۷۰، ۶۰ درصد در سطح فامیل خاک حاصل گردید. آنالیز حساسیت برمبنای شاخص میانگین حداقل صحت نشان داد که متغیر محیطی مساحت حوزه آبخیز اصلاح شده دارای بیشترین اهمیت نسبی در میان متغیرهای انتخاب شده است. به طورکلی با استفاده از رویکردهای نوین انتخاب متغیر و الگوریتم های یادگیرنده موثر می­توان نقشه­ی پراکنش مکانی خاک­ها را حتی در نواحی با پستی وبلندی کم با صحت قابل قبول تهیه نمود.

کلیدواژه ها:

نقشه برداری رقومی خاک ، الگوریتم یادگیرنده ، مدل جنگل تصادفی ، درخت تصمیم توسعه یافته ، داده کاوی