پیش بینی مکانی کلاس‌ خاک به کمک مدل درخت تصمیم ‌گیری c5.0 تقویت شده با بوستینگ در بخشی از اراضی شهرستان آبیک

مدیریت منابع خاک بستر اساسی برای حفظ تولیدات جامعه و محیط زیست است. خاک‌ ها به‌ طور معمول برای تولید محصولات کشاورزی و علوفه برای دام‌ها مورد‌استفاده قرار می‌گیرند. درنتیجه تولید نقشه‌های رقومی باقدرت تفکیک‌مکانی بالا برای توزیع خصوصیات و کلاس‌های خاک جهت مدیریت خاک و سرزمین بسیار مهم است. مدل‌ درخت تصمیم ، یک روش پرکاربرد برای پیش‌بینی کلاس خاک در مطالعات نقشه‌برداری‌رقومی خاک می‌باشد. هدف از این مطالعه تهیه نقشه‌رقومی خاک در چهار سطح تاکسونومیک با استفاده از مدل درخت تصمیم با الگوریتم c5.0 تقویت‌شده با بوستینگ با کمک داده‌های ماهواره‌ای و مدل رقومی ارتفاع و نقشه‌های زمین‌شناسی و ژئومورفولوژی به عنوان متغیرهای محیطی در 41000 هکتار از اراضی شهرستان آبیک می‌باشد. این منطقه با استفاده از روش شبکه‌بندی تصادفی مکان جغرافیایی 128 پروفیل خاک مشخص شد و سپس تشریح، نمونه‌برداری و طبقه‌بندی شدند. در این تحقیق با استفاده از روش تحلیل مولفه اصلی بر روی متغیرهای محیطی، درنهایت بیست متغیر‌محیطی به عنوان نماینده‌ی فاکتورهای خاکسازی جهت مدلسازی انتخاب گردید. شاخص همواری دره با درجه تفکیک بالا مهمترین متغیر‌محیطی می باشد که به عنوان ورودی مدل انتخاب گردید. نتایج دقت کلی مدل بوست شده برای پیش‌بینی سطوح تاکسونومیک رده، زیررده، گروه‌بزرگ، زیرگروه به ترتیب 89%، 85%، 58%، 58% نشان داده شد. در این مطالعه همچنین اقدام به بررسی تاثیر روش بوستینگ بر روی مدل درختی گردید، که نتایج نشان داد کلیه سطوح تاکسونومیک با استفاده از مدل بوست شده بهتر از زمانی که از بوستینگ استفاده نشد، پیش‌بینی شدند و بوستینگ سبب بالارفتن دقت کلی و ضریب کاپا گردید.

spatial prediction of soil classes using c5.0 boosted decision tree model in part of abyek lands

soil resource management is essential to maintain community production and the environment. soil is usually used to produce agricultural products and livestock fodder. as a result, the mapping of high-resolution digital maps is crucial for the distribution of soil and soil properties and land management. the decision tree model is a widely used method for predicting soil class in digital soil mapping studies. this study aimed to provide a digital soil mapping in four levels of taxonomy using a decision tree with boost-reinforced c5.0 algorithm using satellite data and digital elevation model and geological maps as environmental variables in 41,000 hectares of abyek area. this area was identified using randomized gridding of the geographic location of 128 soil profiles and then described, sampled, and classified. in this research, using the principal component analysis method on environmental variables, 20 environmental variables were selected as the representative of stacking factors for modeling. multiresolution valley flatness index is the most important environmental variable that was selected as input for the model. the results of the overall accuracy of the integrated model for predicting taxonomic levels of the order, suborder, great group, and subgroup were shown to be 89%, 85%, 58%, and 58%, respectively. the study also examined the effect of the boosting technique on the tree model, which showed that all taxonomic levels were better predicted by using the boost model than when no boosting was used and boosting resulted in an increase in overall accuracy and kappa coefficient it turned out.