بررسی خطا و عدم‌قطعیت در تهیه نقشه‌های موضوعی با استفاده از شبکه عصبی مصنوعی و داده‌های محیطی مطالعه موردی: نقشه رقومی خاک دشت شهرکرد

نقشه‌های خاک به‌منزله یکی از نقشه‌های پایه در بسیاری از مطالعات مرتبط با محیط و منابع طبیعی اهمیت زیادی دارند. نقشه‌های رقومی خاک بر پایه ارتباط بین ویژگی‌های محیطی و خاک پایه‌ریزی شده‌اند. هدف از انجام پژوهش حاضر، بررسی خطا و عدم‌قطعیت کلاس‌های رقومی خاک پیش‌بینی‌شده در سطوح مختلف سامانه رده‌بندی آمریکایی با استفاده از مدل شبکه عصبی مصنوعی است. تعداد 120 خاک‌رخ برمبنای یک الگوی شبکه‌ای منظم در دشت شهرکرد حفر، تشریح و نمونه‌برداری شد. برای تخمین کلاس‌های خاک، دو گروه ویژگی‌های خاکی (کمّی و کیفی) و داده‌های کمکی (شامل نقشه زمین‌شناسی، نقشه شکل اراضی، نقشه فاز شکل اراضی، نقشه خاک سنتی منطقه، شاخص تفاضل نرمال‌شده پوشش گیاهی و بعضی مشتقات مدل ارتفاع رقومی) مدنظر قرار گرفت. پس از تهیه نقشه‌های ویژگی‌های خاک و اطمینان از صحت و دقت آنها، این نقشه‌ها به‌ همراه داده‌های کمکی برای تخمین کلاس‌های خاک با مدل شبکه عصبی مصنوعی در محیط نرم‌افزار r استفاده شدند و درنهایت دقت و عدم‌قطعیت مدل مزبور به‌ترتیب با صحت عمومی و شاخص درهمی ارزیابی شد. نتایج نشان داد ورود جزئیات بیشتر در رده‌بندی خاک‌ها در سطوح پایین طبقه‌بندی، ضمن افزایش تعداد کلاس‌ها، کاهش صحت عمومی و افزایش عدم‌قطعیت را به همراه داشته است. با توجه به حد پذیرفته صحت عمومی (75درصد)، مدل شبکه عصبی مصنوعی از صحت لازم تا سطح گروه بزرگ برخوردار بوده است؛ اما عدم‌قطعیت زیادی را داشته‌ است؛ بنابراین صرف توجه به صحت مدل در انتخاب آن برای مدل‌سازی موثر نیست؛ بلکه در کنار خطای مدل، توجه به عدم‌قطعیت آن نیز بسیار مهم است. بر این اساس، به‌کارگیری روش‌های دیگری از محاسبات نرم برای مدل‌سازی در مناطق دشت یا مناطق با ناهمواری‌های کم پیشنهاد می‌شود.

Error and Uncertainty Analysis in the Preparation of Thematic Maps using Artificial Neural Network and Environmental Data (A Case Study: Digital Soil Map of Shahrekord Plain)

Soil maps have considerable significance as basic maps in many environmental and natural resources studies. Digital soil maps are based on the relationship between environmental variables and soil properties. The main purpose of this research was to analyze error and uncertainty of digital soil classes predicted at different taxonomic levels of Soil Taxonomy system using an artificial neural network. One hundred and twenty soil profiles were described and sampled based on a regular grid scheme in Shahrekord plain. Two groups of soil properties (qualitative and quantitative) and auxiliary parameters (including geologic map, landform map, landformphase map, traditional soil map, normalized difference vegetation index, and some derivatives of digital elevation model) were used to estimate soil classes. After preparing the soil properties maps and checking their accuracy, these maps were used along with auxiliary parameters for estimating soil classes using an artificial neural network model in the R software. Finally, the accuracy and uncertainty of the model were evaluated by overall accuracy and confusion index, respectively. Results showed that the entry of more details in the soils classification at the lower levels of the Soil Taxonomy system, while increasing the number of classes, leads to decreasing the overall accuracy and increasing uncertainty. It is noticeable that the artificial neural network model has a good accuracy up to the great group level through the acceptable level of overall accuracy (i.e., 75 %), hence it has a high degree of uncertainty. Therefore, the accuracy of the model could not be effective in its selection trough the modeling process; however, paying attention to its uncertainty is also very important along with the model error. Accordingly, we suggest using the other methods of soft computing for modeling in plain areas or in low relief regions.