پیش‌بینی مکانی برخی از ویژگی‌های خاک سطحی با استفاده از مدل‌های درون‌یابی و یادگیری ماشین

دست‌یابی به اطلاعات مکانی دقیق و با جزئیات بیشتر از پراکنش مکانی ویژگی‌های خاک بر روی سیمای اراضی برای پایش دقیق منابع اراضی، کاربردهای هیدرولوژیکی، مدیریت کاربری اراضی و سایر مدل‌سازی‌های محیطی ضروری است و نقش بنیادینی را در فرآیندها اکوهیدرولوژی، اراضی مستعد کشاورزی و مدیریت پایدار اراضی در مناطق نیمه‌خشک ایفا می‌نماید. پژوهش حاضر باهدف پیش‌بینی مکانی درصد کربن آلی خاک (soc)، کربنات کلسیم معادل (cce)، رس، لای و ماسه در منطقه قروهدهگلان کردستان صورت پذیرفت.مواد و روش‌ها: منطقه قروه دهگلان با میانگین دمای سالیانه 12 درجه سلسیوس و میانگین بارش سالیانه 348 میلی‌متر (دوره آماری 20 ساله) به‌ترتیب دارای رژیم‌های رطوبتی و حرارتی زریک و ترمیک است. حدود 145 نمونه خاک از عمق 300 سانتی‌متر بر اساس الگوی نمونه‌برداری تصادفی برداشت گردید. سپس نمونه‌های خاک برای انجام آزمایش‌های فیزیکی و شیمیایی لازم به آزمایشگاه منتقل گردید. مدل جنگل تصادفی (rf) به‌عنوان نماینده روش‌های غیرپارامتریک و دو روش کریگینگ معمولی (ok) و وزن‌دهی عکس فاصله (idw) برای مدل‌سازی تغییرات مکانی ویژگی‌های خاک و خودهمبستگی مکانی بین آنها استفاده گردیدند. تمامی مراحل مدل‌سازی روش rf در نرم‌افزار rstudio و روش‌های درون‌یابی (ok و idw) در نرم‌افزارهای arcgis و gs+ صورت پذیرفت. 30 متغیر محیطی شامل مشتقات مدل رقومی ارتفاع (dem) در نرم‌افزار saga gis 7.3 و داده‌های باند انعکاسی ماهواره لندست 8 به‌عنوان متغیرهای محیطی تهیه شدند. تمامی متغیرهای محیطی مورداستفاده با تفکیک مکانی 30 متر بازنمونه‌گیری گردیدند. انتخاب متغیرهای محیطی بهینه طبق شاخص تورم واریانس (vif) انجام گردید. مدل‌سازی ویژگی‌ها طبق دو دسته داده 80 و 20 درصد، به‌ترتیب برای واسنجی و اعتبارسنجی انجام گردید و از دو آماره میانگین ریشه مربعات خطا (rmse) و ضریب تبیین (r^2) برای تعیین دقت مدل‌ها استفاده شد.بر اساس شاخص تورم واریانس از مجموع 30 متغیر محیطی تهیه‌شده در نهایت هفت متغیر کمکی شامل،. چهار متغیر سنجش از دور شاخص پوشش گیاهی تعدیل یافته‌خاک (savi)، سبزینگی شاخص گیاهی تفاضلی نرمال‌شده (gndvi)، شاخص پوشش گیاهی نسبی (rvi) و شاخص پوشش گیاهی بهبودیافته (evi) و سه ویژگی ژئومورفومتری شامل مدل رقومی ارتفاع (dem)، فاصله اقلیدسی از شبکه آبراهه و شاخص موقعیت توپوگرافی (tpi) انتخاب گردیدند. نتایج مدل‌سازی نشان داد که مدل rf برای متغیر کربن آلی خاک (0/5=r^2 و 0/4=rmse%)، متغیر کربنات کلسیم معادل (0/4=r^2 و 61/11=rmse%)، متغیر رس (0/21=r^2 و 5/65=rmse%) و متغیر لای (0/15=r^2 و7/24= rmse%)، مناسب‌ترین مدل و روش کریگینگ معمولی برای متغیر ماسه با (0/14=r^2 و 10/26=rmse) نسبت به دو مدل rf و idw دارای دقت بالاتری بودند. از میان نیم‌تغییرنما‌های برازش داده‌شده مدل نمایی برای متغیرهای کربن آلی خاک، رس، لای و ماسه به‌جز کربنات کلسیم معادل دارای مناسب‌ترین برازش بود. نتایج خودهمبستگی مکانی نشان داد که دو متغیر کربنات کلسیم معادل و ماسه دارای کلاس همبستگی مکانی قوی بود و مابقی دارای کلاس متوسط می‌باشند. بالاترین مقادیر سقف نیم‌تغییرنما مربوط به کربنات کلسیم معادل و رس و کمترین مقدار آن مربوط به کربن آلی خاک و ماسه بود. این نتایج بیانگر وجود الگوی تصادفی یا ساختار مکانی ضعیف در نمونه‌های مورداستفاده برای محاسبه نیم‌تغییرنما است. از میان متغیرهای کمکی مورداستفاده برای مدل‌سازی مکانی سه ویژگی کربن آلی خاک، کربنات کلسیم معادل و رس، متغیرهای ژئومورفومتری مدل رقومی ارتفاع، شاخص موقعیت توپوگرافی و فاصله اقلیدسی از شبکه آبراهه دارای بیشترین اهمیت و برای متغیرهای ماسه و لای پارامترهای ndvi، savi و rvi دارای اهمیت بیشتری بودند..نتیجه گیری: به طورکلی ویژگی های سطحی موردبررسی دارای کلاس خودهمبستگی مکانی متوسط تا قوی بودند، امانتایج مدل سازی دارای دقت بالایی نبودند؛ بنابراین برای مطالعات آتی پیشنهاد می گردد که از سایر روش های نمونه برداری مانند ابر مکعب لاتین یا طبقه بندی تصادفی و نقشه های موضوعی مثل زمین شناسی، ژئومورفولوژی و نقشه خاک موجود منطقه به عنوان ورودی های مدل سازی مکانی به منظور ارتقاء نتایج مدل سازی استفاده گردد.

Spatial Prediction Some of the Surface Soil Properties Using Interpolation and Machine Learning Models

Background and objectives: Accurate and detailed spatial soil information over the landscape is essential for the precision monitoring of land resources, hydrological applications, land use management. The present study aimed to predict the spatial prediction of SOC, CCE, Clay, Silt, and Sand in the QorveDehgolan region, Kurdestan province.QorveDehgolan region, with mean annual temperature and precipitation of 12 C° and 348 mm (20year statistical period), has soil moisture and temperature regimes xeric and thermic, respectively. A total of 145 samples were collected from the topsoil (030 cm) based on a random sampling pattern. Then, all of the soil samples were transferred to a soil laboratory for physicochemical analysis. Random forest (RF) as a nonparametric model and Ordinary kriging (OK) and inverse distance weighting (IDW) as an interpolation method were used for modeling the soil properties and their spatial autocorrelation. All steps of modeling for RF and interpolation methods (OK and IDW) were performed in RStudio, ArcGIS and, GS+ software, respectively. A total of 30 environmental covariates, including the Digital Elevation Model (DEM) derivatives in the SAGA GIS 7.3 software and Landsat 8 satellite reflective band data in the ERDAS IMAGINE software, were developed as environmental variables. All of the environmental covariates were resampled at resolution30 m. The most appropriate covariates were selected according to the variance inflation factor (VIF). Modeling of soil properties was performed according to 80% and 20% of data sets, respectively for calibration and validation, and two statistics of root mean square error (RMSE) and determination coefficient (R2) was used to determine the accuracy of the models.Results: Seven variables including SAVI, EVI1, GNDVI, RVI1, DEM, Channel Network, and TPI were selected from the 30 variables prepared as the most appropriate auxiliary variables based on the variance inflation index. Four remote sensing variables include the adjusted soil vegetation index (SAVI), the greenness of the normalized differential vegetative index (GNDVI), the relative vegetation index (RVI) and the Enhanced vegetation index (EVI), and three geomorphometric attributes including, digital elevation model (DEM), Vertical distance to channel network and the topographic position index (TPI) were the most important parameters. The results of modeling showed that RF model for soil organic carbon variable (R2 = 0.5 and %RMSE= 0.4), calcium carbonate equivalent (R2 = 0.4 and %RMSE = 11.61), clay variable (R2= 0.21 and %RMSE=5.65), the Silt variable (R2 = 0.15 and %RMSE= 7.24) and, Ordinary kriging methods for sand variables with (R2 = 0.14 and %RMSE = 10.26) was the most accurate than RF and IDW models. Among the semivariogram models, the exponential model had the best performance for soil organic carbon, clay, silt, and sand percentage, with the exception of CCE which follows the spherical model. The results of spatial autocorrelation showed that for both variables CCE and Sand had a strong class and, the rest had a moderate class. The highest values of the semivariogram sill were related to the calcium carbonate equivalent and clay, and the lowest values were related to the soil organic carbon and sand contents. These results indicate that, the existence of a random pattern or weak spatial structure in the samples that used to calculate the experimental semivariogram. Among the seven environmental covariates were used for spatial modeling of topsoil organic carbon, calcium equivalent carbonate, and clay, the geomorphometric attributes such as digital height model, topographic position index and vertical distance to channel network are of the most important and NDVI, SAVI and RVI covariates were more important in predicting of sand and silt properties.