پهنه‌بندی رقومی واحدهای خاک با استفاده از مدل درختان تصمیم‌گیری تصادفی در استان گلستان

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی دکترا -گروه خاکشناسی دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 مرکز تحقیقات کشاورزی و منابع طبیعی اصفهان

چکیده

نقشه‌‌های خاک از منابع عمده اطلاعات برای مدیریت اراضی، منابع طبیعی و محیط زیست هستند. استفاده از روش-های نقشه‌برداری رقومی باعث کاهش هزینه و صرفه‌جویی در زمان در مطالعات شناسایی خاک می‌گردد. روش نمونه‌برداری مکعب لاتین مشروط (cLHS ) جهت تعیین محل نقاط نمونه‌برداری و تکنیک درختان تصمیم‌گیری تصادفی (RF ) جهت تخمین نقشه زیر‌گروه‌های خاک در سطحی حدود 85000 هکتار از اراضی استان گلستان مورد ارزیابی قرار گرفتند. 12متغیر محیطی شامل خصوصیات زمین، واحدهای ژئومورفولوژی و شاخص پوشش گیاهی به عنوان تخمین‌گر مورد استفاده قرار گرفته شدند. نتایج نشان داد که تعداد کلاس‌های خاک موجود در سطح زیر گروه‌های بزرگ ‌خاک در محدوده مورد مطالعه 11 کلاس بود. کمترین مقدار خطای تخمین نمونه‌های اعتبار سنجی در مدل سازی 53/52 بدست آمد. نتایج نشان داد که کلاس‌هایی که نمونه بیشتری داشتند خطای کمتری داشتند. کلاس‌های جیپسیک آکویی‌سالیدز با 22، آکوئیک کلسی‌زرپتز با 9 و تیپیک هاپلوزرپتز با 22 نقطه مشاهداتی به‌ترتیب دارای خطای 22، 25 و 37 درصد بودند. کلاس‌های جیپسیک هاپلوزرپتز با 6، تیپیک آکویی‌سالیدز با 5، تیپیک کلسی‌زرپتز و تیپیک کلسی‌زرولز با 4 و تیپیک هالوآکوئپتز با 3 نقطه مشاهداتی دارای خطای 100 درصد بودند. بین متغیر‌های مختلف شاخص پوشش گیاهی، ژئومورفولوژی، ارتفاع و جهت شیب دارای بیشترین اهمیت در تخمین کلاس بودند. نتایج نشان داد که روش‌ RF می‌تواند یک روش قابل اعتماد و با دقت مناسب باشد که با تعداد نمونه کم تخمین قابل قبول ارائه می دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Digital soil mapping using Random Forest model in Golestan province

نویسنده [English]

  • Mohamad Reza Pahlavan 1
1
2
3
چکیده [English]

Soil maps are the major sources for management of lands, natural resources and environmental aspects. Digital soil mapping methods can decrease the cost of mapping and are not time-consuming. Conditioned Latin Hypercube Sampling for determining the sites of sampling and Random Forest to predict soil sub group classes were evaluated at an area of 85000 ha in Golestan province. 12 environmental variables including terrain attribute, geomorphology units and vegetation cover index were used as predictor parameters. There were11 sub group classes in the soils of study area. The results revealed that the lowest OOB estimate error rate in modeling was 52.53 %. The soil classes with higher frequency had lower OOB error. Gypsic Aquisalids with 22 samples and Aquic Calcixerepts with 9 and Typic Haploxerepts with 22 samples had the OOB error rates 22, 25 and 37%, respectively. Gypsic Haploxerepts (6 samples), Typic Aquisalids (5 samples) Typic Calcixerepts (4 samples), Typic Calcixerolls (4 samples) and Typic Halaquepts (3 samples) had OOB error rate 100%. SAVI, geomorphology, elevation and aspect were the most importance parameters in prediction of soil map and increasing model accuracy. Results indicate that RF technique can be reliable and appropriate method to give satisfactory results with small samples.

کلیدواژه‌ها [English]

  • Digital soil mapping
  • Random Forest
  • Map accuracy
  • Golestan Province