مدلسازی رقومی شاخص کیفیت خاک با استفاده از روش های درون یابی و یادگیری ماشین

ارزیابی کیفیت خاک ابزاری مهم برای بررسی پایداری خاک در سامانه های کشاورزی و منابع طبیعی است. این پژوهش با هدف مدل سازی و نقشه برداری رقومی شاخص کیفیت خاک با بهره گیری از الگوریتم های یادگیری ماشین و روش های درون یابی در استان ایلام انجام شد. بدین منظور، ۷۶ نمونه خاک سطحی (۲۰-۰ سانتی متر) با استفاده از روش ابرمکعب لاتین مشروط برداشت و ۱۰ ویژگی فیزیکوشیمیایی خاک اندازه گیری شد. بر اساس تحلیل مولفه های اصلی، از میان ویژگی ها، پنج متغیر به عنوان مجموعه حداقل داده ها (MDS) انتخاب شد. شاخص کیفیت خاک (SQI) با دو مدل IQI و NQI و برای هر یک از دو مجموعه داده TDS و MDS با امتیازدهی خطی و غیرخطی محاسبه شد. برای پیش بینی SQI، دو روش درون یابی کریجینگ معمولی (OK) و وزن دهی معکوس فاصله (IDW) و هم چنین دو الگوریتم یادگیری ماشین جنگل تصادفی (RF) و نزدیک ترین همسایه (k-NN) به کار گرفته شد. نتایج نشان داد که خاک ها به دلیل کمبود کربن آلی و فسفر قابل جذب و نیز مقادیر بالایpH، درصد شن و جرم مخصوص ظاهری در رده کیفیت ضعیف قرار دارند. ارزیابی مدل ها نشان داد که روش OK در مقایسه با IDW دقت بالاتری در پیش بینی SQI دارد. هم چنین در میان مدل های یادگیری ماشین،RF  بهترین عملکرد را در اغلب شاخص ها ارائه نمود. نتایج اهمیت متغیرها نشان داد که عوامل توپوگرافی بیشترین نقش را در پیش بینی کیفیت خاک دارند. در مجموع، ترکیب کریجینگ و مجموعه حداقل داده ها، به ویژه همراه با نمونه برداری مبتنی بر ابرمکعب لاتین مشروط، دقت بالایی در پیش بینی شاخص کیفیت خاک فراهم می کند.

کلیدواژه ها:

روش های خطی و غیر خطی ، کیفیت خاک ، مدل سازی مکانی ، مجموعه داده حداقل