نقشه برداری رقومی کلاس های خاک با استفاده از تصاویر ماهواره ای و داده های محیطی در حوضه آبخیز بدر، استان کردستان

نقشه برداری رقومی خاک (DSM) به عنوان رویکردی نوین در تهیه نقشه های خاک، با بهره گیری از الگوریتم های پیشرفته و داده های محیطی متنوع، دقت و سرعت بالاتری را نسبت به روش های سنتی فراهم می آورد. هدف این پژوهش، مقایسه عملکرد چندین مدل یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN)، نزدیک ترین همسایه (KNN)، تحلیل تشخیصی (DA)، رگرسیون لجستیک چندگانه (MLR)، درخت تصمیم (DTA) و جنگل تصادفی (RF) در پیش بینی مکانی کلاس های مختلف خاک از سطح رده تا فامیل در حوضه آبخیز بدر، واقع در استان کردستان می باشد. داده های کمکی مورد استفاده، از تصاویر ماهواره ای و متغیرهای محیطی مربوط به حوضه آبخیز تهیه شد. همچنین از مدل رگرسیون لجستیک ترکیبی برای تلفیق خروجی مدل های مختلف استفاده گردید. نتایج اعتبارسنجی با روش کافلد ۱۰ مکانی نشان داد که مدل MLR، بهترین عملکرد را در پیش بینی اغلب سطوح طبقه بندی خاک دارد. مدل RF در بیشتر موارد رتبه دوم را به خود اختصاص داد، در حالی که مدل KNN ضعیف ترین عملکرد را نشان داد. متغیرهای کمکی مهم در پیش بینی رده، زیررده، گروه بزرگ و زیرگروه خاک به ترتیب اهمیت عبارت اند از ژئومورفولوژی، پستی وبلندی و پوشش گیاهی. همچنین پارامترهای ژئومورفولوژی و پستی وبلندی بیشترین تاثیر در پیش بینی فامیل خاک را داشتند. نتایج کلی این پژوهش نشان داد که نقشه برداری رقومی خاک نقش بسزایی در بهبود دقت نقشه های خاک و مدیریت پایدار منابع طبیعی دارد.

کلیدواژه ها:

متغیرهای کمکی ، نقشه برداری رقومی خاک ، رده بندی خاک ، شبکه عصبی مصنوعی