پیش‎ بینی مکانی گروه بزرگ‎های خاک با استفاده از مدل‎های رگرسیونی و درخت تصمیم در منطقه جنوب شرق ایران

نقشه توزیع مکانی کلاس‎های خاک برای استفاده مناسب از خاک و تصمیم‎گیری‏های مدیریتی مهم است. نقشه‏برداری رقومی خاک می‏‎تواند توزیع مکانی از کلاس‎های خاک را به صورت کمّی پیش‎بینی ‎کند. ماشین یادگیری اصطلاح کلی برای مجموعه گسترده‎ای از مدل‌ها برای کشف الگوهای موجود در داده‎ها و پیش‌بینی متغیرهای مورد مطالعه است. این مطالعه با هدف مقایسه سه مدل رگرسیون لجستیک چندجمله‎ای، رگرسیون درختی توسعه‎یافته و درخت تصمیم و کارایی آن‏ها در پیش‎بینی گروه بزرگ‎های خاک در منطقه بم استان کرمان طراحی گردید. یک طرح نمونه‎برداری طبقه‎بندی شده تصادفی در منطقه‎ای به مساحت صد هزار هکتار تعریف شد و در نهایت، 126 خاکرخ حفر و بر اساس سیستم طبقه‌بندی آمریکایی تشریح و طبقه‏بندی گردید. نتایج حاصل از مدلسازی نشان داد که نقشه سطوح ژئومرفولوژی، یک ابزار مهم در روش‌های نقشه‎برداری رقومی خاک است که به افزایش دقت پیش‌بینی کمک می‌کند. پس از سطوح ژئومرفیک، اجزای سرزمین و شاخص‌های سنجش از دور به‏عنوان پارامترهای کمکی موثر شناخته شدند. نتایج مقایسه دقت ارزیابی مدل‏ها نشان داد که بهترین پیش‎بینی مربوط به مدل درخت تصمیم است. این نتایج نشان می‎دهد که ساختار درختی ایجادشده بین متغیر هدف و متغیرهای انتخاب‎شده در مدل باعث افزایش دقت این مدل‏ نسبت به مدل‏های رگرسیونی شده است. نتایج کلی نشان داد که نقشه‌برداری رقومی خاک، می‎تواند به عنوان یک روش ارزیابی منابع خاک استفاده شود. علاوه بر این، قابلیت اطمینان نقشه‎های برآوردشده می‎تواند شروع یک بحث جدید بین متخصصان منابع زمین و خاکشناسان باشد. این اطلاعات همچنین می‎تواند برای تکمیل مجموعه داده‎های موجود در کشور نیز استفاده شوند.