|
|
|
|
پیش‌بینی توزیع منطقه‌ای اجزاء بافت خاک دشت سیلابی سیستان با استفاده از روش جنگل تصادفی
|
|
|
|
|
|
|
|
نویسنده
|
شهریاری محمد ,دلبری معصومه ,افراسیاب پیمان ,پهلوان راد محمدرضا
|
|
منبع
|
حفاظت منابع آب و خاك - 1403 - دوره : 14 - شماره : 4 - صفحه:45 -56
|
|
چکیده
|
زمینه و هدف: خصوصیات خاک در دشت‌های سیلابی دارای تغییرات مکانی زیادی هستند بافت خاک یکی از خصوصیات مهم خاک است که تاثیر زیادی بر بسیاری از فعالیت‌های کشاورزی و مدیریت خاک دارد به‌طوری‌که مقدار نگهداری آب و عناصر غذایی، نفوذپذیری، زهکشی، تخلخل و بسیاری از خواص مکانیکی و هیدرولیکی خاک تحت‌تاثیر آن است؛ لذا داشتن آگاهی از توزیع مکانی آن به‌ویژه در دشت‌های سیلابی که تغییرات آن زیاد است، ضرورتی مضاعف دارد. مطالعات صحرایی تغییرات مکانی خصوصیات خاک به علت برداشت تعداد زیاد نمونه به‌ویژه در مقیاس بزرگ پرهزینه و زمان‌بر است. روش نقشه‌برداری رقومی خاک در تلفیق با داده‌های سنجشازدور به‌عنوان راهکاری سودمند برای تولید نقشه رقومی خصوصیات خاک با دقت بالا و صرف هزینه و زمان کمتر است.روش پژوهش: در این پژوهش پیش‌بینی تغییرات مکانی اجزاء بافت خاک در دشت سیلابی سیستان در مقیاس بزرگ (مساحت 1300 کیلومتر مربع) انجام شده است. برای این منظور بر اساس روش تصادفی طبقه‌بندی شده در سری‌های مختلف خاک اراضی کشاورزی دشت سیستان تعداد 160 نقطه انتخاب گردید و سپس نمونه‌برداری‌ها از لایه سطحی خاک ( cm0-30) انجام گردید. همچنین از داده‌های سنجش از دور تصویر ماهواره لندست 8 شامل تصاویر باندهای یک تا هشت، نسبت تصاویر باند چهارم به هشتم، باند چهارم به باند سوم و شاخص پوشش گیاهی، شاخص روشنایی، شاخص رس و شاخص اندازه ذرات خاک به عنوان متغیرهای کمکی برای میان‌یابی اجزاء بافت خاک کمک گرفته شد. برای یافتن ارتباط بین متغیرهای کمکی و اجزاء بافت خاک از روش جنگل تصادفی استفاده شد. این تکنیک، مدل توسعه یافته‌ای از روش طبقه‌بندی و رگرسیون درختی می‌باشد که در آن به جای رشد یک درخت صدها یا هزارن درخت طبقه‌بندی تولید می شود. 80 درصد داده‌ها به داده‌های آموزش و 20 درصد به داده‌های آزمون اختصاص یافتند. مدل‌سازی بر روی داده‌های آموزش و ارزیابی‌ها بر اساس داده‌های آزمون انجام گردید. از معیارهای rmse, mba mae, و nrmse و همچنین شاخص توافق ویلموت (dr) و ضریب کارایی (ef) برای ارزیابی و کارایی مدل استفاده شد.یافته‌ها: تجزیه و تحلیل همبستگی پیرسون نشان داد که در بین کسرهای بافت خاک، محتوای شن و ماسه با بیشترین متغیرهای محیطی دارای بیشترین رابطه معنی‌دار است. باند 8 بیشترین همبستگی را با میزان شن، سیلت و رس داشت. یافته‌های پژوهش بیانگر این است که استفاده از داده‌های سنجشازدور موجب افزایش دقت پیش‌بینی‌ها شده‌اند. همچنین بااین‌حال که روش جنگل تصادفی مقادیر کمتری برای rmse در مقایسه با یک مدل ساده کریجینگ برای پیش‌بینی مکانی ذرات شن، سیلت و رس خاک ارائه داد؛ اما به علت تغییرات زیاد خصوصیات خاک در دشت‌های سیلابی، مقادیر rmse نسبتاً بزرگ‌تر مقادیر شن و سیلت نسبت به رس به دلیل فراگیرتر بودن آنها در منطقه موردمطالعه است. مقدار rmse در روش جنگل تصادفی برای پیش‌بینی شن، سیلت و رس در داده‌های اعتبارسنجی به ترتیب برابر 42/15، 56/12 و 97/8 درصد به دست آمد. این در حالی است که rmse برای مدل کریجینگ معمولی به ترتیب 2/18، 3/13 و 53/9 برآورد شد که نسبت به روش جنگل تصادفی به ترتیب 18، 9/5 و 2/11 درصد بیشتر است. مقادیر نسبتاً زیاد rmse در این مطالعه ناشی از تغییرات زیاد خصوصیات خاک و شرایط تشکیل رسوبات در دشت‌های سیلابی است. مقادیر nrmse برای اجزاء شن، سیلت و رس خاک به ترتیب برابر 19/0، 13/0 و 21/0 برای داده‌های پیش‌بینی و برابر 39/0، 29/0 و 34/0 برای داده‌های اعتبارسنجی است. همچنین بین متغیرهای کمکی، نتایج نشان داد که شاخص رس و شاخص اندازه دانه مهمترین متغیرهای محیطی برای پیش‌بینی بافت خاک به روش جنگل تصادفی در منطقه مورد مطالعه بودند. نتایج مقادیر ضریب توافق ویلموت (dr) نشان می دهد که مدل سازی بادقت قابل‌قبولی انجام شده است. همچنین بررسی مقادیر ضریب کارایی مدل (ef) نیز نشان می دهد که روش جنگل تصادفی به‌درستی نقشه‌های اجزاء بافت خاک را در محدوده موردمطالعه تولید کرده است. سایر متغیرهای محیطی مانند نسبت باند 4 - باند 8، باند 1، باند 8 و باند 7 نیز بر پیش‌بینی کسر بافت خاک تاثیر گذاشتند.نتایج: نتایج نشان داد در بین اجزاء بافت خاک شن دارای بالاترین ضریب همبستگی پیرسون با متغیرهای محیطی بود و در بین متغیرهای کمکی باند 8 بیشترین ضریب همبستگی را با اجزاء بافت خاک دارد. شاخص رس و شاخص اندازه ذرات خاک مهمترین متغیرهای محیطی در جریان مدل‌سازی با روش جنگل تصادفی بودند. همچنین متغیرهای محیطی نسبت باند 4 به باند 8، باند 8، باند 7 و باند 2 ماهواره لندست 8 از دیگر متغیرهایی هستند که بر پیش‌بینی توزیع مکانی اجزاء بافت خاک تاثیر داشتند. در مجموع به علت تغییرات زیاد خصوصیات خاک در دشت‌های سیلابی مقادیر معیارهای ارزیابی نسبتاً زیاد برآورد گردید که این به دلیل تغییرپذیری زیاد خصوصیات فیزیکی خاک در دشت سیستان است. دلیل دیگر آن می تواند به تعداد نمونه‌های مورداستفاده ارتباط داشته باشد؛ بنابراین پیشنهاد می شود که برای به‌دست‌آوردن نقشه های بادقت بهتر برای خصوصیات خاک به‌ویژه خصوصیات فیزیکی آن در دشت‌های آبرفتی، تعداد نمونه‌برداری‌های خاک افزایش یابد و همچنین تعداد نقاط بهینه در این مناطق تعیین گردد. همچنین به دلیل اینکه خصوصیات خاک در دشت‌های سیلابی تابع نحوه رسوب گذاری است که خود تابع نحوه پراکنش مسیرهای جریان آب منطقه است، پیشنهاد می‌شود در مطالعات آتی از شاخص‌های که به نحوی به این موضوع مرتبط است نظیر فاصله تا رودخانه‌ها، شبکه انهار منطقه، نقشه کاربری اراضی به‌عنوان متغیرهای کمکی استفاده شود.
|
|
کلیدواژه
|
بافت خاک، تغییرات مکانی، سنجشازدور، جنگل تصادفی، متغیر محیطی
|
|
آدرس
|
سازمان تحقیقات، آموزش و ترویج کشاورزی, مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی سیستان, محقق بخش تحقیقات فنی و مهندسی, ایران, دانشگاه زابل, دانشکده آب و خاک, گروه مهندسی آب, ایران, دانشگاه زابل, دانشکده آب و خاک, گروه مهندسی آب, ایران, سازمان تحقیقات، آموزش و ترویج کشاورزی, مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی گلستان, بخش تحقیقات خاک و آب, ایران
|
|
پست الکترونیکی
|
pahlavanrad@gmail.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
predicting regional spatial distribution of soil texture fractions in sistan flood plain using random forest method
|
|
|
|
|
Authors
|
shahriari mohammad ,delbari masumeh ,afrasiab peyman ,pahlavan-rad mohammadreza
|
|
Abstract
|
introduction: soil properties are highly spatially variable in flood plains. soli texture is an important physical soil properties that have affect many agricultural and environmental activities, so it has strongly influenced water retention curve, fertility, drainage and porosity. so, knowledge on its spatial distribution is essential especially in alluvial plains and large scale. field studies of spatial distribution of soil properties, especially on a large scale and in floodplains, a large number of soil samples may need to be collected, which is cost- and time-consuming. digital soil mapping (dsm) method using remote sensing data are coupled as significant impact on predicting spatial distribution soil properties. methods: the aim of this study was to predict the spatial distribution of soil texture fractions in sistan flood plain at a regional scale (area 1300 km2). in this study, 160 soil samples collected under different of various soil series of the surface layer (0&-30 cm) in the agriculture land of sistan plain and soil texture fractions including percentage of sand, silt and clay content were measured.& so, remotely sensed data including landsat 8’s band 1, band 2, band 3, band 4, band 5, band 6, band 7, band 8 and band 4/ band 8, band 4/ band 3, ndvi index, brightness index, clay index, grain size index were used as auxiliary variables for interpolation of soil texture fractions. random forest technique was used to examine the relation between auxiliary variables and the soil texture components. random forest is a developed model of classification and regression tree (cart). in the rf model, hundreds or thousands of classification trees are produced. 80 % of data was used for prediction and 20 % of data was used for validation, and rmse, nrmse, willmott index (dr), effectiveness index (ef), mbe and mae were used for evaluation. results: pearson's correlation analysis showed that among soil texture fractions, sand content has the highest significant relationship with the most environmental variables. band 8 had the highest correlation with sand, silt and clay content. the findings of the research show that the use of remote sensing data has increased the accuracy of predictions. the results show that the values of rmse and mae are lower for prediction set than validation set whereas the values of me are similar for both sets. the values of rmse of estimating percentage of sand, silt, clay at validation sites using rf method were 15.42, 12.56 and 8.97 %, respectively. also, the values of rmse of estimation by ordinary kriging were 18.2, 9.53 and 15.1% for sand, silt and clay, respectively that were 18, 5.9 and 11.2 % higher than those obtained by rf model. also, the values of nrmse were 0.19, 0.13 and 0.2 for prediction dataset and it was 0.39, 0.21 and 0.34 for validation dataset for sand, silt and clay fractions, respectively. the results of dr coefficient value &&shows that the modeling has been done with acceptable accuracy. also value of ef shows that& spatial maps of soil texture fraction& produced by using rf model has good accurate. &so, rf method when combined by remotely sensed data is a suitable method for mapping soil texture fractions in a regional scale. also, between auxiliary variables, results showed that the clay index and grain size index were the most important environmental variables for predicting soil texture by the random forest method in the study area. the results of wilmot's coefficient of agreement (dr) show that the modeling has been carried out with acceptable accuracy. also, the evaluation of the efficiency factor (ef) values of the model shows that the random forest method has correctly produced the maps of soil texture components in the studied area. other environmental variables such as band 4 - band 8 ratio, band 1, band 8 and band 7 also influenced soil texture fractions prediction. conclusion: remote sensing data combined with the random forest model can be applied for an appropriate prediction of spatial distribution pattern of soil texture fractions in large scale floodplains with a hot and dry climate condition. highly of rmse value for sand and silt than clay, which could be due to the wider range of silt and sand over the study region. another reason for this could be related to the number of samples used. therefore, it is recommended that for better accuracy in soil property maps, especially physical properties, the number of soil sampling points be increased, and optimal sampling points in these areas be determined. for future works, the use of other co-variables such as land use map, distance from the river, soil series, and salinity map or remote sensing data of smaller resolution, as well as hyperspectral visible and near-infrared reflectance spectroscopy should be evaluated for a regional spatial prediction of soil fractions in floodplains.
|
|
Keywords
|
environmental variable ,random forest ,remote sensing ,soil texture ,spatial variation
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|