نوع مقاله : مقاله پژوهشی
نویسندگان
1 گروه خاک و آب، سازمان تحقیقات کشاورزی و منابع طبیعی، کرمان، ایران
2 دانشگاه فنی و حرفه ای،کرمان، ایران
3 گروه خاکشناسی، دانشکده کشاورزی، دانشگاه ولی عصر، رفسنجان، ایران
4 گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه تهران، کرج، ایران
چکیده
این مطالعه با هدف مقایسه کارایی مدل‌های رگرسیون درختی (RT)، شبکه عصبی مصنوعی (ANN) و مدل عصبی فازی (ANFIS) به‌منظور نقشهبرداری رقومی بافت خاک در بخشی از اراضی سیرجان انجام شد. بر این اساس در 84 نقطه مشاهداتی با شبکه منظم 2×2 کیلومتر از عمق صفر تا 30 سانتی‌متر، نمونه‌برداری خاک انجام گرفت و اجزای تشکیلدهنده بافت خاک به روش هیدرومتری تعیین شد. در این مطالعه نقشه زئومورفولوژی، شاخصهای طیفی و گیاهی سنجش از دور و مشتقات مدل رقومی ارتفاع (DEM) به عنوان داده‌های کمکی پیش‌بینی کننده اجزای بافت خاک استفاده شد. سپس مهمترین دادهها توسط روش تجزیه مؤلفه‌های اصلی (PCA) انتخاب شدند. با استفاده از روشPCA ، 8 متغیر توپوگرافی از مشتقات DEM و6 شاخص پوشش گیاهی و طیفی به منظور ورودی مدلها انتخاب شدند. برای بررسی عملکرد مدل‌های مختلف در برآورد متغیرهای وابسته (رس، شن و سیلت) از سه روش خطای ضریب تبیین (R2)، خطای متوسط (ME) ،متوسط مربعات خطا (RMSE) و میانگین خطای مربعات نرمال شده(nRMSE) استفاده شد. نتایج نشان داد که مقدار متوسط مربعات خطا در مدل انفیس برای متغیرهای رس، شن و سیلت به ترتیب 43/1، 98/1 و 10/2 بود و برای متغیر رس 32/4 ، شن 5 و سیلت 54/4 واحد نسبت به رگرسیون درختی کاهش داشت. همچنین پارامترهای نقشه ژئوموفولوژی، شاخص خیسی توپوگرافی، شاخص همواری دره، باند 5 و 6 لندست 8 بیشترین اهمیت نسبی را در پیش‌بینی اجزاء بافت خاک ارائه نمودند. بنابراین، نقش اشکال ژئومورفولوژیک در توزیع و تغییرات بافت خاک بسیار مهم و برجسته است و توجه به این نقشه‌ها در مطالعات خاکشناسی می‌تواند به بهبود پیش‌بینی‌ها در تهیه نقشه‌های مدیریت‌پذیر خاک کمک کند.
کلیدواژه‌ها
عنوان مقاله [English]
Digital mapping of soil texture components in the Sirjan region using machine learning models
نویسندگان [English]
- Elham Mehrabi Gohari 1
- Roghaye Shahriyaripour 2
- Ahmad Tajabadipoor 3
- Seyed Roohollah Mousavi 4
1 Department of Soil and Water, Agricultural and Natural Resources Research Organization, Kerman, Iran
2 Department of Technical & Vocational University, Kerman, Iran
3 Agricultural Resources, University of Valiasr, Rafsanjani, Iran
4 Department of Soil Science, Faculty of Agriculture, University of Tehran, Karaj, Iran
چکیده [English]
This study aims to evaluate and compare the efficiency of Artificial Neural Network (ANN), Regression Tree (RT) and Neuro-Fuzzy (ANFIS) models using a digital soil mapping framework to predict soil texture in a part of Sirjan province. Sampling was carried out at 84 observation points with a regular grid of 2x2 km, and soil texture components were determined from the soil surface depth of 0 to 30 cm. Auxiliary variables included primary and secondary derivatives of the digital elevation model (DEM), a geomorphological map and remote sensing (RS) spectral indices. The appropriate variables selected using the Principal Component Analysis (PCA) feature selection method. Based on PCA, eight topographic variables and six vegetation indices and spectra from RS selected to predict soil texture components (sand, silt and clay). The efficiency of the models was evaluated using coefficient of determination (R2), mean error (ME), root mean square error (RMSE) and normalised root mean square error (nRMSE). The RMSE values in the neuro-fuzzy model compared with the regression tree model. The results of the neuro-fuzzy model were 1.43% for clay, 1.98% for sand and 2.1% for silt, which were 4.32%, 5% and 4.54% lower respectively compared to the regression tree model. The results of this study showed that the ANFIS model was more accurate in predicting clay, silt and sand compared to ANN and RT. Also, the geomorphology map, topographic wetness index, multi-resolution valley bottumn flatness index and Landsat 8 bands 5 and 6 had the highest relative importance in predicting soil texture components.
کلیدواژه‌ها [English]
- Artificial Neural Network
- Neuro-Fuzzy
- Regression Tree
- Remote sensing
)