پیش‌بینی شوری خاک با استفاده از رگرسیون درختی و شبکه عصبی مصنوعی در منطقه قروه استان کردستان

سابقه و هدف: شوری خاک یکی از مشکلات عمده در مناطق خشک و نیمه‌خشک می‌باشد. در این شرایط، نمک‌های مسابقه و هدف: شوری خاک یکی از مشکلات عمده در مناطق خشک و نیمه‌خشک است. در این شرایط، نمک‌های محلول در سطح خاک تجمع یافته و باعث کاهش عملکرد و حاصلخیزی خاک می‌شوند. شناسایی و نقشه‌برداری خاک‌های مبتلا به نمک می‌تواند به بهبود مدیریت این خاک‌ها کمک کند. بررسی تغییرات شوری خاک به شیوه‌های مرسوم گران و زمان‌بر است . بنابراین یکی از راه‌های چاره جهت حل این چالش استفاده از نقشه‌برداری رقومی خاک است که خصوصیات خاک با استفاده از داده‌های کمکی نقشه‌برداری می‌شوند. هدف از این تحقیق استفاده از مدل‌های رگرسیون درختی و شبکه عصبی مصنوعی و داده‌های کمکی برای تهیه نقشه شوری خاک می‌باشد. مواد و روش‌ها: با استفاده از روش نمونه‌برداری هایپرکیوب تعداد 150 نمونه خاک از عمق 30-0 سانتی‌متری خاک‌های منطقه قروه استان کردستان (با وسعت 30000 هکتار) برداشت شده و هدایت الکتریکی خاک اندازه‌گیری شد. متغیرهای محیطی در این پژوهش اجزاء سرزمین و داده‌های تصویر +etm ماهواره لندست 8 بودند. پارامترهای سرزمین ( شامل 15 پارامتر) و شاخص شوری (si) و شاخص گیاهی نرمال شده (ndvi) به ترتیب با استفاده از نرم‌افزار saga و arcgis محاسبه و استخراج گردید. جهت ایجاد ارتباط بین شوری خاک و متغیرهای کمکی از مدل رگرسیون درختی و شبکه عصبی بهره گرفته شد و با استفاده از روش اعتبارسنجی مورد ارزیابی قرار گرفت. در نهایت نقشه شوری خاک با استفاده از مدل بهتر تهیه شد. یافته‌ها: برای پیش‌بینی شوری خاک، متغیرهای کمکی شامل شاخص شوری، شاخص خیسی، شاخص همواری دره، شاخص ndvi، باند3 و باند 7 مهم‌ترین بودند. نتایج این تحقیق نشان داد که مدل شبکه عصبی مصنوعی (با 0.70، 0.036 و 190/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا) دارای دقت بیشتری نسبت به رگرسیون درختی برای پیش‌بینی شوری خاک می‌باشد. شوری خاک در محدوده بین 6.93- 0.23 دسی‌زیمنس بر متر قرار داشت و بیش‌ترین مقادیر شوری خاک در مناطق مرکزی (اراضی پست و بایر) قرار داشت. در این مناطق مرکزی، داده‌های کمکی شامل شاخص شوری، شاخص همواری دره، شاخص خیسی، باند 7 و باند 3 بیشترین مقدار و شاخص ndvi کمترین مقدار را داشتند. نتیجه‌گیری: مهمترین متغیر کمکی در پیش بینی شوری خاک در منطقه شاخص شوری می‌باشد و وجود ارتباط قوی بین داده خاک و داده‌های کمکی می‌تواند برروی دقت مدل اثرگذار باشد. به‌طور کلی نتایج نشان داد که تکنیک‌های پدومتری می‌تواند در گستره‌ای وسیع جهت نقشه‌برداری رقومی خصوصیات خاک‌ها به کار گرفته شود. پیشنهاد می‌گردد که جهت تهیه نقشه خصوصیات خاک از مدل شبکه عصبی مصنوعی، و داده‌های کمکی همچون اجزاء سرزمین و تصاویر ماهواره‌ای در مطالعات آینده استفاده شود.

Prediction of soil salinity using tree regression and artificial neural network in Ghorveh soils, Kurdistan Province

Background and objectives: Soil salinity is one of the major problems in arid and semiarid area. In this condition, soluble salts accumulate in the soil surface and reduce yield and soil fertility. Soils survey and mapping can help to improve these soils. The investigation of variability of soil salinity using traditional methods is expensive and time consuming. Therefore, one of the ways to solve this challenge is using digital soil mapping that soil characteristics were mapped using auxiliary data. The aim of this research is using tree regression (TR) and artificial neural network (ANN) models and auxiliary data to prepare soil salinity map. Materials and methods: Using Hypercube soil sampling method, 100 soil samples in depths 030 cm of Ghorveh soils, Kurdistan Province (covers 30000 ha) were taken and soil electrical conductivity was measured. Auxiliary data in this study were terrain attributes and Landsat 8 ETM+ data. Terrain parameters (include 15 parameters) and salinity index (SI) and normalized difference vegetative index (NDVI) were computed and extracted using SAGA and ArcGIS software, respectively. To make a relationship between soil salinity and auxiliary data, TR and ANN models were applied and were validated using cross validation method. Finally, soil salinity map were made using better model. Results: To predict soil salinity, auxiliary variables include salinity index, wetness index, index of valley bottom flatness, NDVI index, Band 3, and Band 7 were the most important. The results of the study showed that ANN model (0.70, 0.036 and 0.190, respectively for determination of coefficient, mean error, and root mean square root) has more accuracy compared to TR model to predict soil salinity. Soil salinity content ranged between 0.23 to 6.93 dSm1 and the highest content of soil salinity located in central regions (lowland and bare land). In these central regions, auxiliary data include salinity index, index of valley bottom flatness, wetness index, band 7 and band 3 had the highest values and NDVI index had the lowest values. Conclusion: Salinity index is the most important auxiliary data to predict soil salinity of the study area. Strong link between soil data and auxiliary data can impact on the accuracy of the model. In general, the results showed that pedometrics techniques in a wide range can be used for digital mapping of soil properties. It is suggested ANN model and auxiliary data such as terrain attributes and satellite images were applied to prepare map of soil properties in future studies.