مقایسه روش‌های مختلف داده‌کاوی برای نقشه‌برداری رقومی ذرات اولیه خاک در اراضی دشت سمنان

آگاهی از نحوه توزیع فضایی اندازه ذرات اولیه خاک برای مدیریت اراضی، مدیریت منابع، اجرای برنامه ها و مدل سازی دیگر خصوصیات خاک ضروری است. در سال های اخیر با پیشرفت های روش های داده کاوی و با در اختیار بودن داده های ارزان قیمت حاصل از تصاویر ماهواره ای، روش های نقشه برداری رقومی خاک برای پیش بینی توزیع فضایی ذرات اولیه خاک به وفور مورد استفاده قرار گرفته است. لذا هدف این تحقیق، پیش بینی فضایی ذرات اولیه خاک از قبیل رس، شن و سیلت با استفاده از نقشه برداری رقومی خاک در اراضی کشاورزی دشت سمنان می باشد . همچنین بررسی کارایی سه روش داده کاوی برای تهیه نقشه رقومی ذرات خاک از دیگر اهداف این مطالعه است. برای رسیدن به این اهداف، مجموع 84 نمونه خاک از عمق0 تا 20 سانتی متر جمع آوری شدند. همچنین متغیرهای محیطی با استفاده از تصاویر سنجنده oli ماهواره لندست برای برقراری ارتباط با ذرات خاک استخراج گردید. در این مطالعه از مدل خطی حداقل مربعات جزئی (pls) و دو مدل غیرخطی شامل جنگل تصادفی (rf)، ماشین تقویت‌شده گرادیان (gbm) جهت ارتباط میان متغیرهای محیطی و ذرات اولیه خاک استفاده شد. مدل های موردمطالعه با استفاده از روش اعتبارسنجی متقابل واسنجی ارزیابی شدند.  به منظور بررسی کارایی مدل های مختلف داده کاوی از آماره های میانگین ریشه ی مربعات خطا (rmse)، ضریب تبیین ( r2) و میانگین قدر مطلق خطا (mae) استفاده شد. بر اساس نتایجrmse ،r2  و mae  مدلrf با مقادیر این آماره ها به ترتیب برای ذرات شن (15.60، 0.35 و 12.62)، سیلت (11.49، 0.33و 9.34) و برای ذرات رس (8.42، 28/ 0و 5.9) بودند، این نتایج نشان داد که مدل rf به نسبت مدل های pls و gbm دارای کارایی و دقت بیشتری در پهنه بندی ذرات اولیه خاک است. نتایج  نشان داد که مهمترین متغیرهای محیطی، برای پیش بینی ذرات اولیه خاک باندهای 10، 5 و شاخص گچ ( gi) می باشند. بنابراین، متغیرهایی که دارای طیف مادون‌قرمز نزدیک و مادون‌قرمز حرارتی بودند، سهم عمده ای در توصیف مکانی ذرات خاک را بر عهده داشتند.

Comparison of Different Data Mining Methods for Digital Mapping of Soil Particlesize Fractions in Lands of Semnan Plain

Knowledge about the spatial distribution of particlesize fractions in different areas is required for various land management applications and resources, modeling, and monitoring practices. In recent years, with the advancement of data mining methods and the availability of cheap data from satellite imagery, digital soil mapping methods have been developed to predict the spatial distribution of primary soil particles. The objective of this study was to conduct a spatial prediction of particlesize fractionssuch as clay, sand and silt using digital soil mapping in agricultural lands in Semnan. To achieve these goals, a total of 84 soil samples were collected from 0 to 20 cm of soil surface. Also, the environmental variables were obtained from OLI Satellite Landsat to make dependence with soil particles. In this study a linear model such as Partial Least Squares (PLS) and two nonlinear models, including Random Forest (RF) and Stochastic Gradient Boosting Machin (GBM) were used for spatial prediction of particlesize fractions. The models were calibrated and validated by the 10fold crossvalidation methods. Three statistics, such as Root Mean Squared Error (RMSE), Coefficient of determination (R2), and Mean Absolute Error (MAE) were used to determine the performance of the investigated models. Values of RMSE, R2, and MAE statics of RF model for prediction of sand, silt and clay were (15.6, 0.35, 12.62), (11.49, 0.33, and 9.34), and (8.42, 0.28, and 5.9), respectively. These results indicated that the most accurate model for the prediction of particlesize fractions was the RF model. Also, the results showed that the most important environmental covariates for predicting particlesize fractions were band 10 (B10), band 5 (B5), and the gypsum index (GI). This indicated that the variables containing the nearinfrared and infrared thermal waves had a major contribution to explaining the spatial patterns of particlesize fractions.