نقشه برداری رقومی کربن آلی خاک با استفاده از داده‌های کمکی و مدل‌های یادگیری ماشین در حوضه آبخیز بدر، جنوب شهرستان قروه استان کردستان

کربن آلی خاک به عنوان عامل کلیدی در پایداری حاصلخیزی و باروری خاک و خدمات‌رسانی زیست بوم خاک محسوب می‌شود. کربن آلی خاک به عنوان یکی از موضوعات و چالش‌های مهم محیط زیستی در مقیاس جهانی در برنامه محیط زیست سازمان ملل متحد نیز گنجانده شده است. بررسی‌ها در ایران نشان می‌دهد به طور میانگین به ازای افزایش هر گرم کربن آلی در کیلوگرم خاک، عملکرد دانه گندم به طور میانگین 286 کیلوگرم در هکتار افزایش می‌یابد. همچنین آگاهی از تغییرات کربن آلی خاک یکی از مولفه‌های اصلی در ارزیابی کیفیت خاک است. اهداف این مطالعه نقشه‌برداری رقومی کربن خاک و شناسایی اثرات ویژگی‌های محیطی بر پیش‌بینی‌های مقدار کربن آلی خاک، تجزیه و تحلیل اثر زیر‌مجموعه متغیرهای کمکی بر پیش‌بینی کربن آلی خاک و انتخاب بهترین مدل برای پیش‌بینی ذخایر کربن آلی خاک است. بنابراین مطالعه حاضر با هدف نقشه‌برداری رقومی کربن آلی خاک با استفاده از متغیرهای کمکی محیطی و مدل‌های پیش بینی کننده و معرفی بهترین مدل‌ها در حوضه آبخیز بدر در جنوب شهرستان قروه انجام گرفت. برای انجام این پژوهش در مرحله اول، داده‌های کمکی ازجمله تصاویر ماهواره‌ای لندست 8 و مدل رقومی ارتفاع با قدرت تفکیک مکانی 10 متر منطقه از سازمان نقشه‌برداری کشور تهیه گردید. نقشه‌ی زمین‌شناسی قروه از سایت زمین‌شناسی کشور تهیه و نقشه زمین‌شناسی حوضه آبخیز بدر از آن استخراج و در محیط سامانه اطلاعات جغرافیایی رقومی گردید. نقشه‌ی ژئومرفولوژی با استفاده از نقشه زمین‌شناسی و بر اساس روش ژئوپدولوژی زینک در محیط سامانه اطلاعات جغرافیائی ترسیم گردید. در مرحله‌ی دوم، محل نقاط مشاهداتی تعیین گردید، شناسایی خاک‌ها در صحرا انجام پذیرفت، نمونه برداری از لایه‌های مختلف خاک انجام شد و اندازه‌گیری‌های فیزیکی و شیمیائی و کانی شناسی خاک‌ها انجام و خاک‌ها طبقه بندی شدند. در مرحله سوم، مدلسازی انجام، نقشه‌های رقومی کلاس‌ها و ویژگی‌های خاک تهیه گردید و ارزیابی مدل‌ها صورت گرفت. برای انجام این مطالعه، بر اساس تکنیک ابر مکعب لاتین، محل 125 خاک رخ در منطقه مطالعاتی انتخاب و حفر شد. نمونه‌های خاک، پس از هوا خشک شدن در محیط آزمایشگاه، کوبیده و از الک 2 میلیمتری عبور داده شدند. سپس ماده آلی خاک به روش سوزاندن تر اندازه‌گیری شد. جهت برآورد ویژگی‌های خاک، در مطالعه حاضر دو حالت مختلف مورد بررسی قرار گرفت. در حالت اول، مدل‌های شبکه عصبی مصنوعی، تحلیل درخت تصمیم و رگرسیون چند متغیره خطی برای پیش‌بینی مورد استفاده قرار گرفتند. همچنین جهت ترکیب نتایج مدل‌ها، از مدل نزدیک‌ترین همسایه استفاده شد. در مرحله دوم، مدل‌های تحلیل درخت تصمیم، شبکه عصبی مصنوعی، نزدیک‌ترین همسایه و جنگل تصادفی برای پیش‌بینی به‌کار رفتند. همچنین جهت ترکیب نتایج مدل‌ها در این حالت، از روش رگرسیون چند متغیره خطی ترکیبی استفاده گردید. با استفاده از روش ارزیابی کافلد مکانی 10، نتایج پیش‌بینی مورد ارزیابی قرار گرفتند. نتایج نشان داد که در میان مدل‌های استفاده‌شده برای پیش‌بینی ماده آلی خاک، مدل رگرسیون چند متغیره خطی (mlr)با ضریب تعیین 0.637 و ریشه دوم متوسط مربعات خطا 0.232 از بیشترین دقت برای پیش‌بینی برخوردار بوده است. کمترین دقت پیش بینی به مدل نزدیک ترین همسایه k (knn)، اختصاص یافته است.با استفاده از روش اعتبارسنجی کافلد 5 تصادفی، از بین مدل های شبکه عصبی مصنوعی ، تحلیل درخت تصمیم ، رگرسیون خطی چند گانه و نزدیک‌ترین همسایه k ، مدل نزدیک‌ترین همسایه k با ضریب تعیین 0.9906 و ریشه دوم متوسط مربعات خطا 0.0361 از بیشترین دقت برای پیش‌بینی مقدار کربن آلی برخوردار بوده است. بخاطر مکانی بودن روش اعتبارسنجی کافلد 10 مکانی، استفاده از این روش بر روش اعتبارسنجی کافلد 5 تصادفی ارجحیت دارد.

digital mapping of soil organic carbon using auxiliary data and machine learning models in badr watershed, south of qorve city, kurdistan province.

soil organic carbon is considered as a key factor in the stability of soil fertility and soil ecosystem services. soil organic carbon is also included in the united nations environment program as one of the important environmental issues and challenges on a global scale. studies in iran show that, on average, for each gram of organic carbon in a kilogram of soil, the yield of wheat increases by an average of 286 kilograms per hectare. also, knowledge of soil organic carbon changes is one of the main components in soil quality evaluation. the goals of this study are digital mapping of soil carbon and identification of the effects of environmental characteristics on predictions of soil organic carbon, therefore, the present study was conducted with the aim of digital mapping of soil organic carbon using environmental auxiliary variables and predictive models and introduction of the best models in the badr watershed in the south of qorve city. in order to conduct this research in the first stage, auxiliary data such as landsat 8 satellite images and a digital elevation model with a spatial resolution of 10 meters were obtained from the country’s mapping organization. the geological map of qorveh was prepared from the geological site of the country, and the geological map of the badr watershed was extracted from it and digitized in the environment of the geographic information system. the geomorphological map was drawn using the geological map and based on the zinc geopedology method in the environment of the geographic information system. in the second stage, the location of the observation points was determined, soil identification was done in the desert, sampling was done from different soil layers, and physical, chemical and mineralogical measurements of the soils were done and the soils were classified. . in the third stage, modeling was done, digital maps of soil classes and characteristics were prepared and the models were evaluated. to conduct this study, based on the latin super cube technique, 125 outcrops were selected and excavated in the study area. after air drying in the laboratory environment, the soil samples were pounded and passed through a 2 mm sieve. in the first case, artificial neural network models, decision tree analysis and linear multivariate regression were used for prediction. the results of these predictions were evaluated using the k fold 5 random evaluation method. in the second step, decision tree analysis, artificial neural network, nearest neighbor and random forest models were used for prediction. also, in order to combine the results of the models in this case, the mixed linear multivariate regression method was used. by using the spatial k fold 10 evaluation method, the prediction results were evaluated. the results showed that among the models used for predicting soil organic matter, the multivariate linear regression (mlr) model with the coefficient of determination of 0.637 and the square root of the mean square error of 0.232 had the highest accuracy for prediction. the lowest prediction accuracy is assigned to the k nearest neighbor (knn) model. meanwhile, by using the k fold 5 random validation method, among the models of artificial neural network (ann), decision tree analysis (dta), multi linear regression, mlr) and k nearest neighbor, the k nearest neighbor (knn) model with a coefficient of determination of 0.9906 and a square root mean square error of 0.0361 has the most accuracy for predicting the amount of organic carbon. it goes without saying that due to the partiality of the location k fold 10 validation method, using this method is preferable to the random k fold 5 validation method.