برون‌یابی مکانی گروه بزرگ خاک با استفاده از روش جنگل تصادفی در منطقۀ خشک ایران مرکزی (فاریاب-کهنوج)

در نقشه‌برداری رقومی، قوانین حاکم در بیان ویژگی‌ها و انواع خاک‌ها را می‌توان با استفاده از تعیین روابط خصوصیت تحت مطالعه متغیرهای پیش‌بینی کنندۀ محیطی و روش‌های مدلسازی کمّی و عددی، استخراج نمود. در نتیجه، قوانین ایجاد شده از این روابط، قابل بسط و برازش به موقعیت‌های با شرایط مشابه می‌باشند که از آن تحت عنوان برون‌یابی یاد می‌شود. در مطالعۀ حاضر، دستیابی به نقشۀ رقومی خاک در منطقه‌ای که فاقد هرگونه اطلاعات خاک است (منطقۀ پذیرنده)، برون‌یابی با به‌کارگیری مدل جنگل تصادفی از منطقۀ دارای اطلاعات خاک (منطقۀ مرجع یا دهنده) مورد بررسی قرار گرفت. منطقۀ فاریاب شهرستان کهنوج به عنوان منطقۀ مرجع و منطقۀ کهنوج به عنوان منطقۀ پذیرنده انتخاب گردید. تشابه فاکتورهای خاکسازی دو منطقۀ مرجع و پذیرنده با استفاده از شاخص‌های تشابه اقلیمی، پستی و بلندی، زمین‌شناسی و شکل زمین بررسی گردید. در گام نخست، مدل جنگل تصادفی به منظور تعیین  ارتباط کلاس‌های خاک با متغیرهای محیطی در منطقۀ مرجع استفاده گردید. نتایج حاصل از برازش این مدل در منطقۀ مرجع دقت کلی 88% و کاپا 0.77 را نشان می‌دهد. با توجه به عملکرد مناسب مدل در منطقۀ مرجع و شباهت دو منطقه، امکان استفاده از رابطۀ کلاس‌های خاک و متغیرهای محیطی استخراج شده در منطقۀ پذیرنده وجود دارد. نتایج حاصل از برون‌یابی دقت کلی 81% و کاپا 0.61 را در تخمین کلاس‌های خاک منطقۀ پذیرنده نشان می‌دهد. در نتیجه دستیابی به نقشۀ کلاس خاک منطقۀ پذیرنده با صرف هزینه و زمان به مراتب کم‌تری بوده‌است، لذا می‌توان برون‌یابی را به عنوان روشی کارآمد در تخمین و پیش‌بینی کلاس خاک در مناطق فاقد اطلاعات معرفی کرد.

The spatial extrapolation of soil great group by application of Random Forest in arid region of central Iran (FaryabKahnooj)

In digital soil mapping, soil characteristic and classes could be extracted truly by numerical and quantitative modelling. Hence, derived rules could be fitted to similar regions for achieving ruled relations on areas without soil information which is called as extrapolation. In the present study, achieving digital soil class map of an area without adequate soil information by Random forest was tested by extrapolation at great group level. The results show overall accuracy 88% and kappa 0.77 of donor area which is able to fit over its similar region. Results of extrapolation show overall accuracy 81% and kappa 0.61 of recipient area which could show logical concordance to produce soil class map of recipient area without applying related soil samples of this area in short time and low cost. Since, extrapolation could be as an efficient way to predict soil classes of unknown areas.