مدل سازی مکانی شاخص های فرسایش پذیری خاک با استفاده از روش یادگیری ماشین و داده های مکانی چندمنبعی در دشت سیستان

ارزیابی مخاطرات محیطی و مدیریت پایدار سرزمین، مستلزم شناخت دقیق فرسایش پذیری خاک است که این امر، بهره گیری از رویکردهای نوین در چارچوب نقشه برداری رقومی خاک را می طلبد. در این پژوهش، هدف مدل سازی مکانی شاخص های فرسایش پذیری آبی (K) و بادی (EF) در دشت سیستان با به کارگیری الگوریتم های یادگیری ماشین و سه گروه متغیر محیطی (خصوصیات خاک، شاخص های ژئومورفومتریک و داده های سنجش از دور) بوده است. بدین منظور، ۱۲۰۰ نمونه خاک سطحی گردآوری شد. در حالی که ضریب فرسایش پذیری آبی (K) بر اساس سه معادله تجربی متداول محاسبه شد، شاخص فرسایش پذیری بادی (EF) با استفاده از روش استاندارد تعیین گردید. سپس، این مقادیر نقطه ای با به کارگیری چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی، کیوبیست، ماشین بردار پشتیبان و درخت رگرسیون، به نقشه های پیوسته مکانی تبدیل شدند. نتایج، نشان دهنده همبستگی منفی و معنی دار میان ضرایب K و شاخص EF است. همچنین، همبستگی منفی مشاهده شده میان شاخص های طیفی و درصد رس، برخلاف فرضیات اولیه، ناشی از تخریب پوشش گیاهی تحت تاثیر انباشت شوری در خاک های ریزبافت منطقه ارزیابی شد. حساسیت بالای معادلات KEPIC و KShSm به متغیرهای بافتی در شرایط این منطقه، ضمن ایجاد سوگیری آماری، ضرورت واسنجی مجدد آن ها را آشکار ساخت. در پیش بینی مکانی EF، KEPIC و KShSm، مدل کیوبیست برتری داشت و برای KUSLE، مدل جنگل تصادفی عملکرد بهتری نشان داد. در نهایت، یافته های این مطالعه بیانگر کارآمدی الگوریتم های یادگیری ماشین در نقشه برداری رقومی خاک برای مدل سازی مکانی فرسایش پذیری در مناطق خشک و کم ارتفاع نظیر دشت سیستان بوده و مبنایی برای توسعه روش های مشابه در مناطق همگون فراهم می آورد.

کلیدواژه ها:

الگوریتم بوروتا ، جنگل تصادفی ، دشت سیلابی ، فرسایش خاک ، کیوبیست ، نقشه برداری رقومی خاک