نقشه برداری رقومی کربنات کلسیم معادل خاک با استفاده از تصاویر ماهواره ای لندست ۸ و داده های کمکی توسط مدل های یادگیری ماشین در حوضه آبخیز بدر، استان کردستان

کربنات کلسیم معادل خاک (CCE) یکی از ویژگی های مهم خاک است. پیش بینی مقدار کربنات کلسیم معادل خاک برای مدیریت پایدار حاصلخیزی خاک ضروری است. مطالعه حاضر با هدف نقشه برداری رقومی کربنات کلسیم معادل با استفاده از متغیرهای کمکی محیطی و تصاویر ماهواره لندست ۸ و مدل های پیش بینی کننده و معرفی بهترین مدل ها، در حوضه آبخیز بدر در جنوب شهرستان قروه انجام گرفت. برای انجام این پژوهش در مرحله اول، نقشه ژئومرفولوژی با استفاده از نقشه زمین شناسی و بر اساس روش ژئوپدولوژی زینک در محیط سامانه اطلاعات جغرافیائی ترسیم شد. در مرحله دوم، محل ۱۲۵ خاکرخ مطالعاتی بر اساس تکنیک ابر مکعب لاتین تعیین شد و کربنات کلسیم معادل افق های خاک با روش تیتراسیون با اسید اندازه گیری شد. متغیرهای کمکی شامل مشتقات مدل رقومی ارتفاع، شاخص های سنجش ازدور دریافتی از ماهواره لندست ۸ و نقشه ژئوپدولوژی بودند که انتخاب متغیرهای کمکی مناسب با استفاده از روش تجزیه مولفه های اصلی (PCA) انجام شد. در مرحله سوم، مدل سازی انجام، نقشه های رقومی کلاس ها و ویژگی های خاک تهیه شد و ارزیابی مدل ها صورت گرفت. برای برآورد کربنات کلسیم معادل خاک، در مطالعه حاضر دو حالت مختلف بررسی شد. در حالت اول، مدل های شبکه عصبی مصنوعی، تحلیل درخت تصمیم، جنگل تصادفی، مدل نزدیک ترین همسایه K برای پیش بینی استفاده شدند. همچنین به منظور ترکیب نتایج مدل ها، از مدل رگرسیون خطی چندگانه استفاده شد. در میان مدل های استفاده شده برای پیش بینی مقدار کربنات کلسیم معادل با استفاده از روش اعتبارسنجی کافلد ۱۰ مکانی، مدل رگرسیون خطی چندگانه (MLR) با ضریب تعیین ۰/۷۹۶ و ریشه دوم متوسط مربعات خطا ۶/۵۱۴ از بیشترین دقت برای پیش بینی برخوردار بوده است. این در حالی است که با استفاده از روش اعتبارسنجی کافلد ۵ تصادفی، مدل نزدیک ترین همسایه K (KNN) با ضریب تعیین ۰/۹۸۴۵ و ریشه دوم متوسط مربعات خطا ۲/۱۲۵۸ از بیشترین دقت برای پیش بینی برخوردار بوده است. به دلیل مکانی بودن روش اعتبارسنجی کافلد ۱۰ مکانی، استفاده از این روش بر روش اعتبارسنجی کافلد ۵ تصادفی ارجحیت دارد. همچنین متغیرهای کمکی مهم در پیش بینی کربنات کلسیم معادل خاک به ترتیب اهمیت شامل شاخص کربنات، جهت شیب، ژئومورفولوژی، سطح مبنای شبکه آبراهه و شیب حوضه آبخیز بودند.

کلیدواژه ها:

Artificial neural network ، Predictive models ، Carbonate index ، Auxiliary variables ، شبکه عصبی مصنوعی ، مدل های پیش بینی کننده ، شاخص کربنات ، متغیرهای کمکی