پیش بینی پراکنش رده های خاک در یک پهنه آبرفتی به کمک شبکه عصبی مصنوعی

نقشه برداری نوین یا دیجیتال خاک (DSM) شامل چندین روش است که قادر به ایجاد اطلاعات مکانی دقیق خاک هستند و از روابط کمی میان متغیرهای محیطی (پیش بین) و کلاس ها یا ویژگی های خاک بهره می برند. این روش معمولا بر مبنای معادله ی اصلاح شده ی عامل حالت ینی استوار است که آن را به SCORPAN می شناسیم. علاوه برهمه ی برتری هایی که روش DSM نسبت به نقشه برداری سنتی دارد، روش DSM در هزینه و زمان صرفه جویی می کند. در این پژوهش از روش رایان آموختی شبکه عصبی مصنوعی (ANN) برای پیش بینی نقشه خاک بخشی از منطقه سنجابی استان کرمانشاه با مساحت بیش از 48000 هکتار در سطح رده در سیستم ردهبندی خاک آمریکایی (ST) استفاده شد. الگوریتم نمونه برداری GRTS برای تعیین موقعیت و پراکنش 100 خاکرخ در منطقه ی مطالعاتی به کار رفت. در محل هر نقطه یک خاکرخ حفر و به دقت تشریح و نمونه برداری شد. برای محاسبه متغرهای پیش بین از مدل رقومی ارتفاع با تفکیک 30 متر (DEM) و تصویر ماهواره لندست (OLI)8 منطقه ی مطالعاتی استفاده شد. براساس ویژگی های ریخت شناختی و داده های آزمایشگاهی هر یک از خاکرخ ها تا سطح رده در ST رده بندی شد. براساس سیستم رده بندی ST، چهار رده (براساس فراوانی به ترتیب Inceptisols و Entisols و Vertisols و Molisols) شناسایی شد. پراکنش رده Inceptisols در منطقه ی مطالعاتی در مقایسه با سایر رده ها بیشتر است. مقدار صحت عمومی و شاخص کاپای پیشبینی رده به ترتیب 0/76 و 0/60 بود. عملکرد ANN مانند دیگر روش های رایان آموختی به تعداد مشاهدات حساس است. مدل ANN توانایی قابل توجهی برای پیش بینی نقشه های خاک در شرایط منطقه مطالعاتی داشت. به طور کلی افزایش بهینه تعداد مشاهدات می تواند عملکرد روش را بهبود بخشد.

کلیدواژه ها:

نقشه برداری رقومی ، شبکه عصبی مصنوعی ، متغیرهای محیطی ، منطقه سنجابی