تلفیق تکنیک‌های داده‌کاوی و پارامترهای فیزیک و شیمیایی خاک در برآورد درصد پوشش گیاهی

شناخت اجزای اکوسیستم مرتع و دست یابی به روابط بین اجزای آن از جمله خاک و پوشش گیاهی، از ضروریات مدیریت بهینۀ مراتع می باشد. از سوی دیگر به کارگیری روش های یادگیری ماشین به منظور کشف روابط بین این عوامل می تواند کمک بسیاری در زمینه کاهش هزینه های نمونه برداری و آزمایشات خاک داشته باشد. در این مطالعه به منظور آگاهی از تاثیر برخی خصوصیات خاک بر درصد پوشش گونه درمنه دشتی در مراتع دشت یزد اردکان و ندوشن، اطلاعات مربوط به پوشش گیاهی در قالب 320 پلات در طول 40 ترانسکت برداشت گردید. پس از حفر پروفیل در ابتدا و انتهای هر ترانسکت و تهیه نمونه خاک از دو عمق صفر تا 10 و 10 تا 30 سانتی متر ی برخی پارامترهای خاک اندازه گیری شد. در این پژوهش به منظور بررسی وضعیت درصد پوشش درمنه دشتی بر مبنای پارامترهای خاک، از تکنیک های داده کاوی استفاده شد و شش الگوریتم اجرا شد. همچنین به منظور تعیین میزان وزن و تاثیر هر یک از عوامل در فرایند مدل‌سازی، وزن دهی عامل‌ها بر مبنای مدل ماشین بردار پشتیبان صورت گرفت. نتایج حاصل از ارزیابی مدل ها نشان داد که مدل فرآیند گوسی با (1.385=rmse) و (0.998=r) در مجموعه داده آموزش و (0.960=rmse) و (0.9999=r) در مجموعه داده تست از دقت بالاتری در برآورد درصد پوشش نسبت به سایر مدل ها برخوردار بوده است. نتایج وزن دهی نیز نشان داد، از بین پارامترهای خاک سدیم در عمق های صفر تا 10 و 10 تا 30 سانتی متر بیشترین تاثیر را در برآورد پوشش گیاهی دارند. به‌طور کلی نتایج نشان از اهمیت بالای پارامترهای خاک و کارایی بالای روش های یادگیری ماشین در پیش بینی درصد پوشش مناطق داشته است.

Estimation of vegetation cover through data mining techniques and soil physicochemical parameters

Insight into the rangeland ecosystems, its components and their relationships, soil and vegetation for instance, is among the keys of proper range management. On the other hand, the use of machine learning methods to discover the relationship between these factors can help in Cost reduction of Soil sampling and testing. In this study therefore, the effect of some soil characteristics on distribution of Artemisia sieberi is tested in Nodoushan rangelands, Yazd province. Coverage information was measured in 320 plots put alongside of 40 transects. The soil profiles were dug at the beginning and end of each transect to take soil samples from two depths of 0 to 10 and 10 to 30 cm. samples were taken to the lab to be analyzed. Coverage percent of Artemisia sieberi was determined by using a machine learning method. Soil parameters and six algorithms were used for the task. Then, with weighting the factors, their effect on the prediction of the coverage was investigated. The results of the model showed that ldquo;Gaussian process model rdquo; with (RMSE= 1.385) and (R= 0.998) in the training dataset and (RMSE = 0.960) and (R = 0.9999) in the test dataset has a higher accuracy on the prediction of the coverage percentage than other models. Weighting results also showed, that among the soil parameters, sodium at depths of 0 to 10 and 10 to 30 cm, has the most effect on vegetation estimation. The results generally showed that high soil parameters and machine learning methods are good way of coverage prediction in the area.