مدل سازی پراکنش مکانی کلاس های خاک با استفاده از الگوریتم های یادگیری ماشین در بخشی از اراضی استان زنجان
نقشه برداری رقومی از روش های نوینی است که از الگوریتم های یادگیری ماشین و متغیرهای محیطی پیروی کرده و به دلیل صرفه جویی در زمان و هزینه انجام مطالعه برای پهنه بندی خصوصیات و کلاس های خاک در سطوح مختلف طبقه بندی کاربرد گسترده ای در سطح جهانی دارد. این پژوهش باهدف مقایسه کارایی مدل های یادگیری ماشین در پیش بینی مکانی زیرگروه های خاک در بخشی از اراضی استان زنجان انجام شد. برای این منظور، بر اساس الگوی طبقه بندی تصادفی با میانگین فاصله 500 متر، 148 خاک رخ حفر و تشریح گردید و مطابق با سامانه جامع رده بندی خاک به روش آمریکایی طبقه بندی شد. خاک ها در سطح زیرگروه در پنج کلاس تیپیک کلسی زرپتز، تیپیک هاپلوزرپتز، جیپسیک هاپلوزرپتز، تیپیک زراورتنتز و لیتیک زراورتنتز طبقه بندی شد. متغیرهای محیطی شامل نقشه های ژیومورفولوژی، زمین شناسی، توپوگرافی و داده های حاصل از تصاویر سنجش ازدور بود. 57 متغیر محیطی به عنوان نمایندگان عوامل خاک سازی استخراج گردید و با استفاده از روش تحلیل مولفه اصلی و نظر کارشناسان، موثرترین متغیرهای محیطی انتخاب شد. مدل سازی خاک - زمین نما با استفاده از الگوریتم های جنگل تصادفی، درخت تصمیم توسعه یافته و رگرسیون لجستیک چندجمله ای در محیط نرم افزار Rstudio انجام شد. صحت کلی و ضریب کاپا برای ارزیابی کلاس های خاک در سطح زیرگروه به ترتیب در مدل رگرسیون لجستیک چندجمله ای 65% و 0/41%، در مدل جنگل تصادفی 65% و 0/32 و در مدل درخت تصمیم توسعه یافته 60% و 0/35 به دست آمد. صحت کاربر و صحت تولیدکننده نشان داد که مدل رگرسیون لجستیک چندجمله ای برآورد قابل قبولی در پیش بینی مکانی زیرگروه های خاک ارایه می دهد. متغیرهای عمق دره، فاصله تا شبکه آبراهه، شاخص همواری بالای پشته با درجه تفکیک بالا و شاخص طول در جهت شیب دارای بیش ترین اهمیت در مدل رگرسیون لجستیک چندجمله ای بود. کلاس های خاک با فراوانی بیشتر صحت بالاتری داشت. که نشان می دهد رابطه مستقیمی بین فراوانی کلاس های خاک در داده های آموزشی با صحت نتایج پیش بینی کلاس های خاک برقرار است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.