بهبود پیش بینی مکانی شوری خاک با مدل ترکیبی یادگیری ماشین در مناطق خشک شرق ایران

شوری خاک یکی از مخاطرات عمده محیطی در مناطق خشک است که مستقیما بر بهره وری منابع خاک و آب و پایداری اکوسیستم تاثیر می گذارد. این مطالعه با هدف توسعه و بهینه سازی یک مدل یادگیری ماشین گروهی برای بهبود پیش بینی مکانی شوری خاک و شناسایی عوامل محیطی کلیدی کنترل کننده توزیع آن در دشت مه ولات، استان خراسان رضوی، ایران انجام شد. هدایت الکتریکی عصاره گل اشباع (ECe) در ۱۳۷ نمونه خاک اندازه گیری شد. ۳۲ متغیر کمکی، شامل؛ شاخص های طیفی سنجش از دور، توپوگرافی، زمین شناسی، کاربری اراضی و پارامترهای کیفیت آب های زیرزمینی، در فرآیند مدل سازی استفاده شد. چهار مدل یادگیری ماشین، شامل جنگل تصادفی ( RF)، ماشین بردار پشتیبان (SVM )، درخت رگرسیون تقویت شده ( BRT) و مدل خطی تعمیم یافته ( GLM)، به همراه یک مدل ترکیبی، توسعه داده و ارزیابی شدند. نتایج نشان داد که مدل ترکیبی نسبت به مدل های منفرد عملکرد بهتری داشته است (R² = ۰.۸۱, RMSE = ۵.۱۴, MAE = ۴.۱۱) به ویژه نسبت به مدل (SVM) با (R² = ۰.۷۶) . نقشه نهایی شوری نشان داد که مناطق بسیار شور عمدتا در بخش های مرکزی، غربی و شمال غربی منطقه، به ویژه در اطراف پلایا بجستان، متمرکز بوده و افزایش شوری از شرق به غرب مشاهده شده است .پارامترهای کیفی آب زیرزمینی، به ویژه HCO₃⁻، SAR و TDS، بیشترین سهم را در پیش بینی شوری خاک داشته اند. مدل ترکیبی همچنین توانایی بیشتری در تخمین مقادیر شدید شوری نشان داد (تا ۲۱ دسی زیمنس بر متر). در مجموع، چارچوب پیشنهادی یک رویکرد دقیق و قابل اعتماد برای نقشه برداری شوری خاک و مدیریت پایدار منابع خاک ارائه می دهد.

کلیدواژه ها:

شوری خاک ، تخریب سرزمین ، هوش مصنوعی ، پایداری اکوسیستم ، سنجش از دور