نقشه برداری رقومی بافت خاک با استفاده از رگرسیون درختی و شبکه عصبی مصنوعی در منطقه بیجار کردستان

آب و خاک

مقاله 9، دوره 28، شماره 5، آذر 1394، صفحه 1025-1036   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.28735

نویسندگان

کمال نبی اللهی^{* 1}؛ احمد حیدری²؛ روح الله تقی زاده مهرجردی³

¹دانشگاه کردستان

²دانشگاه تهران

³دانشگاه اردکان

چکیده

در مطالعه حاضر جهت پهنه بندی رقومی کلاس های بافتی خاک در منطقه بیجار کردستان، 103 پروفیل حفر، تشریح و از افق های سطحی A نمونه برداری شد. متغیرهای محیطی یا فاکتورهای خاک سازی که در این پژوهش استفاده شد شامل اجزاء سرزمین، داده های تصویر +ETM ماهواره لندست و نقشه سطوح ژئومورفولوژی می باشد. همچنین، جهت ارتباط دادن بین داده های خاک (رس، شن و سیلت) و متغیرهای کمکی از مدل های شبکه عصبی مصنوعی و رگرسیون درختی بهره گرفته شد. نتایج این تحقیق نشان داد که مدل رگرسیون درختی دارای دقت بیشتری نسبت به شبکه عصبی مصنوعی به منظور پیش بینی هر سه پارامتر رس، شن و سیلت می باشد. برای جزء رس، مدل رگرسیون درختی و شبکه عصبی مصنوعی دارای ضریب تبیین و میانگین ریشه مربعات خطا 46/0، 81/0 و 10/17، 50/12 براساس داده های آزمون (20درصد) می باشد. نتایج نشان داد که برای پیش بینی رس، شن و سیلت پارامترهای سطوح ژئومورفولوژی، شاخص خیسی، شاخص همواری دره با درجه تفکیک بالا، ارتفاع، طول شیب و باند 3 مهم‌ترین بوده اند. در کل نتایج نشان داد که مدل های درختی دارای دقت بالاتری نسبت به روش شبکه عصبی مصنوعی بوده و همچنین تفسیر نتایج مدل درختی بسیار راحت تر می باشد. لذا پیشنهاد می شود که جهت تهیه نقشه رقومی خاک از مدل های درختی در مطالعات آینده استفاده شود.

کلیدواژه‌ها

متغیرهای محیطی؛ تغییرات مکانی؛ نقشه برداری رقومی

مراجع

1- Bell J.C., Cunningham R.L., and Havens M.W. 1992. Calibration and validation of a soil- landscape model for predicting soil drainage class. SSSJA, 56: 1860–1866.

2- Bie S.W., and Beckett P.H.T. 1971. Quality control in soil survey. II: The cost of soil survey. J. Soil Sci, 22: 453–465.

3- Breiman L., Friedman J.H., Olshen R.A., and Stone C.J. 1984. Classification and regression. Tress. Wadsworth, Belmont, CA.

4- Bui E.N., Loughhead A., and Corner R. 1999. Extracting soil-landscape rules from soil previous surveys. Aus. J. Soil Res, 37: 495-508.

5- Bui E.N., and Moran C.J. 2001. Disaggregation of polygons of surficial geology and soil maps using spatial modelling and legacy data. Geoderma. 103, 79– 94.

6- Cassel D.K., Wendroth O., and Nielsen D.R., 2000. Assessing spatial variability in an agricultural experiment station field, opportunities arising from spatial dependence. Agron. J, 92: 706–714.

7- Cerri C.E.P., Coleman K., Jenkinson D.S., Bernoux M., Victoria R., and Cerri C.C. 2003. Modeling soil carbon from forest and pasture ecosystems of Amazon, Brazil. SSSJA, 67: 1879–1887.

8- Fernndez-Glvez J., Simmonds L.P., and Barahona E. 2005. Estimating detailed soil water profile records from point measurements. E. J. Soil Sci, 57: 23-45.

9- Florinsky I.V., Eilers R.G., Manning G.R., and Fuller L.G. 2002. Prediction of soil properties by digital terrain modeling. Env. Model. Soft, 17: 295– 311.

10- Gee G.W., and Bauder J.W. 1986. Particle size analysis. p. 383-411. In: A. Klute. (ed). Methods of Soil Analysis. Part 1. A. Soc. Ag. Madison, WI.

11- Hassink J. 1992. Effects of soil texture and structure on carbonand nitrogen mineralization in grass-land soils. Biol. Fertil. Soils, 14: 126–134.

12- Henderson B.L., Bui E.N., Moran C.J., and Simon D.A.P. 2005. Australia-wide predictions of soil properties using decision trees. Geoderma. 124, 383-398.

13- Hengl T., Rossiter D.G., and Stein A. 2003. Soil sampling strategies for spatial prediction by correlation with auxiliary maps. Geoderma, 120: 75–93.

14- Jafari A., Finke P.A., de Wauw J.V., Ayoubi S., and Khademi H. 2012. Spatial prediction of USDA- great soil groups in the arid Zarand region, Iran: comparing logistic regression approaches to predict diagnostic horizons and soil types. E. J. Soil Sci, 63: 284–298.

15- Jain M.K., Kothyari U.C., and Raju K.G.R. 2005. GIS based distributed model for soil erosion and rate of sediment outflow from Catchments. J. Hydraulic Eng, 13:755–769.

16- Kheir B., Greve M.H., Bocher P.K., Greve M.B., Larsen R., and McCloy K. 2010. Predictive mapping of soil organic carbon in wet cultivated lands using classification-tree based models: The case study of Denmark. J. Env. Man, 91: 1150-1160.

17- Kheir R.B., Greve M.H., Abdallah C., and Dalgaard T. 2010. Spatial soil zinc content distribution from terrain parameters: A GIS-based decision-tree model in Lebanon. Environ. Poll, 158: 520–528.

18- Luoto M., and Hjort J. 2005. Evaluation of current statistical approaches for predictive geomorphological mapping. Geomorph, 67, 299-315.

19- Malone B.P., McBratney A.B., Minasny B., and Laslett G.M. 2009. Mapping continuous depth functions of soil carbon storage and available water capacity. Geoderma, 154: 138– 152.

20- McBratney A.B., Odeh I.O.A., Bishop T.F.A., Dunbar M.S., and Shatar T.M. 2000. An overview of pedometric techniques for use in soil survey. Geoderma, 97: 293–327.

21- McBratney A.B., Santos M.L.M., and Minasny B. 2003. On digital soil mapping. Geoderma, 117: 3–52.

22- Mendonça-Santos M.L., McBratney A.B., and Minasny B. 2006. Soil prediction with spatially decomposed environmental factors. Digital Soil Mapping — An Introductory Perspective, 31: 269–278.

23- Minasny B., and McBratney A.B. 2007. Incorporating taxonomic distance into spatial prediction and digital mapping of soil classes. Geoderma, 142: 285–293.

24- Moonjun R., Farshad A., Shrestha D.P., and Vaiphasa C. 2010. Artificial Neural Network and Decision Tree in Predictive Soil Mapping of Hoi NumRin Sub-Watershed, Thailand. Digital Soil Mapping. Pro. Soil Sci, 2, pp 151-164.

25- Moore I.D., Grayson R.B., and Ladson A.R. 1991. Digital terrain modeling: review of hydrological, geomorphological and biological applications. Hyd. Proc, 5: 3-30.

26- Moran C.J., and Bui E.N. 2002. Spatial data mining for enhanced soil map modelling. I. J. Geog. Info. Sci, 16: 533-549.

27- Oberthur T., Dobermann A., and Neue H.U. 1996. How good is a reconnaissance soil map for agronomic purposes? Soil Use Manage, 12: 33–43.

28- Quinlan J.R. 2001. Cubist: An Informal Tutorial. Available at http://www.rulequest.com.

29- Rossiter D.G., and Hengl T. 2001. Technical note: Creating geometrically-correct photo- interpretation, photo-mosaics, and base maps for a projects GIS. Available at http://www.itc.nl/rossiter.

30- Ryan P.J., McKenzie N.J., O'Connell D., Loughhead A.N., Leppert P.M., Jacquier D., and Ashton L. 2000. Integrating forest soils information across scales: spatial prediction of soil properties under Australian forests. For. Eco. Manag, 138:139–157.

31- Scull P., Franklin J., and Chadwick O.A. 2005. The application of classification of tree analysis to soil type prediction in a desert landscape. Eco. Model, 181: 1-15.

32- Taghizadeh-Mehrjardi R., Minasny B., Sarmadian F., and Malone, P.B. 2013. Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma, 213: 15-28.

33- Thattai D., and Islam S. 2000. Spatial analysis of remotely sensed soil moisture data. J. Hydrol. Eng, 5: 386–392.

34- Ungaro F., Ragazzi F., Cappellin R., and Giandon P. 2008. Arsenic concentration in the soils of the Brenta Plain (Northern Italy): Mapping the probability of exceeding contamination thresholds. J. Geo. Explo, 96: 117-131.

35- Voltz M., and Webster R. 1990. A comparison of kriging, cubic-splines and classification for predicting soil properties from sample information. J. Soil Sci, 41: 473–490.

36- Voltz M., Lagacherie P., and Louchart X. 1997. Predicting soil properties over a region using sample information from a mapped reference area. Eur. J. Soil Sci, 48: 19–30.

37- Webster R. 1968. Fundamental objection to the 7thapproximation. J. Soil Sci, 19: 354–365.

38- Wischmeier W.H., and Smith D.D. 1978. Predicting Rainfall Erosion Losses, a Guide to Conservation Planning, Agriculture Handbook No. 537. U.S. Department of Agriculture, Washington, DC.

39- Zhao Z., Chow T.L., Rees H.W., Yang Q., Xing Z., and Meng F. 2009. Predict soil texture distributions using an artificial neural network model. Com. Elec. Agr, 65: 36-48.

40- Zinck J.A. 1989. Physiography and soils. Lecture notes for K6 course. Soils Division, pp. 156, ITC, Enschede, The Netherlands.