پیش‌بینی کلاس تناسب اراضی یونجه، سیب زمینی و گندم آبی با استفاده از ماشین یادگیری جنگل تصادفی و داده‌های کمکی

سابقه و هدف: استفاده بی‌رویه از منابع اراضی به دلیل افزایش نیاز به غذا توسط انسان منجر به تخریب و کاهش سطح اراضی قابل کشت شده است. یکی از راه‌های افزایش تولید در واحد سطح، ارزیابی تناسب اراضی می‌باشد. ارزیابی تناسب اراضی عبارتست از تطابق یک تیپ از اراضی برای استفاده تعریف شده. بررسی تغییرات مکانی کلاس‌های تناسب اراضی، جهت افزایش تولید و جلوگیری از تخریب اراضی ضروری می‌باشد. تعیین کلاس تناسب اراضی مستلزم اندازه‌گیری ویژگی‌های خاک، توپوگرافی، رطوبتی و اقلیم می باشد که اندازه‌گیری این ویژگی‌ها پرهزینه و زمان‌بر می‌باشد. یکی از راه‌های حل این مشکل، استفاده از ماشین‌های یادگیری و داده‌های کمکی می‌باشد. ماشین‌های یادگیری برای قراری ارتباط ویژگی‌های مختلف با متغیرهای کمکی جهت بررسی تغییرات مکانی و زمانی آنها به کاربرده می‌شوند. ماشین یادگیری جنگل تصادفی یکی از معمول‌ترین و پرکاربردترین ماشین‌های یادگیری است. هدف از این پژوهش ارزیابی تناسب اراضی بر اساس چهارچوب تناسب اراضی فائو و روش پارامتریک برای سه محصول مهم آبی منطقه شامل یونجه، سیب زمینی و گندم آبی و پیش‌بینی کلاس‌های تناسب آنها با استفاده از ماشین یادگیری جنگل تصادفی و داده‌های کمکی می باشد.مواد و روش‌ها: 122 پروفیل خاک در منطقه قروه استان کردستان (با وسعت 6500 هکتار) حفر، تشریح و نمونه‌برداری برداشت شد. در کلیه نمونه‌ها ی خاک خصوصیات بافت، اسیدیته، کربن آلی، آهک، گچ، esp، هدایت الکتریکی و سنگریزه اندازه‌گیری شد. علاوه بر‌این داده‌های اقلیم و توپوگرافی هم ثبت شد. با استفاده از خصوصیات اقلیم، خاک و توپوگرافی و بر اساس چهارچوب تناسب اراضی فائو و روش پارامتریک کلاس‌های تناسب اراضی تعیین گردید. متغیرهای محیطی استفاده شده در این پژوهش پارامترهای سرزمین، نقشه اجزاء واحد اراضی و داده‌های تصویر +etm بودند. جهت ارتباط بین کلاس تناسب اراضی و متغیرهای کمکی از ماشین یادگیری جنگل تصادفی استفاده شد و با استفاده از روش اعتبارسنجی تقاطعی و شاخصه‌های آماری صحت کلی و شاخص کاپا مورد ارزیابی قرار گرفت. یافته‌ها: ن: نتایج نشان داد که که کلاس تناسب منطقه مورد مطالعه برای گندم آبی، یونجه و سیب زمینی به ترتیب دارای 31، 47 و 57 درصد کلاس n2، 21، 34 و 27 درصد کلاس n1 و 48، 19 و 16 درصد کلاس s3 می‌باشد. محدودیت‌های اصلی منطقه برای کشت این محصولات شامل شیب زیاد، خاک کم عمق، سنگریزه و اسیدیته می‌باشدبرای پیش‌بینی کلاس تناسب اراضی یونجه، سیب زمینی و گندم آبی متغیرهای کمکی شامل شاخص بالای پشته با درجه تفکیک بالا، شاخص همواری‌دره با درجه تفکیک بالا، فاکتورls، ارتفاع، شاخص خیسی و نقشه اجزاء واحد اراضی مهم‌ترین بودند. نتایج این پژوهش نشان داد که ماشین یادگیری جنگل تصادفی جهت پیش‌بینی کلاس تناسب اراضی گندم آبی با 0.78 و 0.71، یونجه با 0.75 و 0.70 و سیب زمینی با 0.79 و 0.72 به ترتیب برای صحت کلی و شاخص کاپا دارای دقت مناسب برای پیش‌بینی کلاس تناسب اراضی می‌باشد. نتیجه‌گیری: پستی و بلندی مهمترین فاکتورهای خاک‌سازی بوده و در توزیع مکانی کلاس تناسب اراضی موثر می‌باشد. منطقه مورد مطالعه به علت محدودیت‌‌های خاک و توپوگرافی دارای تناسب کم تا نامناسب برای کشت این محصولات می‌باشد و عملیات اصلاح اراضی مناسب جهت افزایش تولید و مدیریت پایدار اراضی توصیه می‌شود. ماشین یادگیری جنگل تصادفی دقت مناسیب جهت برآورد کلاس تناسب اراضی داشت. لذا پیشنهاد می‌گردد جهت نقشه‌برداری کلاس تناسب اراضی تکنیک‌های ماشین یادگیری (همچون جنگل تصادفی) و داده‌های کمکی از قبیل پارامترهای سرزمین، تصاویر ماهواره‌ای و نقشه اجزاء اراضی استفاده شود.

Prediction of land suitability class of alfalfa, potato and irrigated wheat using random forest learning machine and auxiliary data

Background and objectives: Improper use of land resources due to increased human food needs has led to the destruction and reduction of arable land. One way to increase production per unit area is to land suitability assessment. Land suitability assessment is the fitness of a type of land for defined use. Assessing spatial variability of land suitability class is necessary to increase production and prevent land degradation. Determining the land suitability class requires measuring soil, topography, moisture and climate properties, which are costly and time consuming. One solution to this problem is to use learning machines and auxiliary data. Learning machines are used to relate various properties with auxiliary variables to assess their spatial and temporal variability. Random forest learning machine is one of the most common and widely used learning machines. The aim of this study is to assess land suitability based on FAO land suitability framework and parametric method for three important irrigated crops of the region, including alfalfa, potato and irrigated wheat, and to predict their land suitability classes using random forest learning machine and auxiliary data.Materials and Methods: 122 soil profiles were dug, described and sampled in the Ghorveh area of Kurdistan Province (covers 6500 ha). Soil texture, acidity, organic carbon, CaCO3, gypsum, ESP, electrical conductivity and gravel were measured in all soil samples. Moreover, topography and climate data were also recorded. Environmental variables in this research were terrain attributes, land unit components map, and data of ETM+ image. To make a relationship between land suitability class and auxiliary data, random forest (RF) learning machine were applied and using cross validation method and statistic indices including overall accuracy and kappa index was validated.Results and Discussion: The results showed that suitability class of the study area has 37, 41 and 57% N2 class, 21, 34 and 27% N1 class and 48, 19 and 16% S3 class for irrigated wheat, alfalfa and potato, respectively. The major limitations of the study area to plant the crops are included high slope, shallow soil depth, high pH and gravel.To predict land suitability class of alfalfa, potato and irrigated wheat, auxiliary variables including MRRTF index, MRVBF index, wetness index, LS factor, elevation and land unit components map were the most important. The results of this study showed that the random forest learning machine for prediction of land suitability class of irrigated wheat with 0.78, and 0.71, alfalfa with 0.75 and 0.70 and potato with 0.79 and 0.72 for overall accuracy and kappa index, respectively, had a suitable accuracy. Conclusion: Topography is the most important soil forming factor and is effective in distribution of land suitability class. The study area, because of limitation of soil and topography has low to non suitable suitability to plant these crops and it is suggested proper land improvement operations to increase production and land sustainability management. Random forest learning machine had suitable accuracy for predicting land suitability class. Therefore, it is suggested to map land suitability class learning machine techniques (such as randomized forest) and auxiliary data such as terrain attributes, land unit components map and satellite images were applied.