نقشه‌برداری رقومی ضخامت خاک سطحی و عدم قطعیت وابسته به آن با استفاده از رویکرد یادگیری ماشین در بخشی از اراضی خشک و نیمه‌ خشک دشت قزوین

پژوهش حاضر با هدف مدل‌سازی رقومی ضخامت خاک سطحی با استفاده از مدل‌های یادگیری ماشین جنگل تصادفی (rf) و شبکه عصبی مصنوعی (ann) در حدود 60000 هکتار از اراضی دشت قزوین ( حد واسط آبیک و نظرآباد) با تراکم مشاهداتی 278 پروفیل در بازه زمانی 1395 - 1399 و تعداد 17 متغیر محیطی مستخرج از تصاویر ماهواره لندست8، مشتقات اولیه و ثانویه مدل رقومی ارتفاع، داده‌های اقلیمی، نقشه کاربری اراضی و زمین‌شناسی اجرا گردید. برای انتخاب متغیرهای کمکی از الگوریتم نظارت‌شده باروتا (boruta) به همراه نظر کارشناس استفاده شد. از دو تابع nnet و random forest و بسته caret در محیط نرم‌افزار r برای مدل‌ سازی بر اساس 80 درصد داده‌ها در مرحله واسنجی و 20 درصد برای اعتبارسنجی استفاده شد و عدم قطعیت نقشه‌های نهایی با دو روش بوتسراپت (bootstrapping) و کامرتبه (k - fold) کمی سازی گردید. نتایج بیانگر انتخاب 10 متغیر کمکی از میان 17 متغیر بود و متغیرهای شاخص سبزینگی، تاثیر باد، تابش پخشیده و شاخص همواری دره با قدرت تفکیک بالا(mrvbf) به‌عنوان مهم‌ترین متغیرهای کمکی مشخص گردیدند. نتایج اعتبارسنجی مدل rf بیانگر ضریب تبیین (r^2) 0/8 و ریشه میانگین مربعات خطای (rmse) کمتر از 3 سانتی‌متر و اریبی (bias) 0/63 سانتی‌متر است. در مدل شبکه عصبی مقادیرr^2 ، rmse  و bias به ترتیب برابر0/43، 0/05 سانتی‌متر و 0/004 سانتی‌متر حاصل گردید، همچنین ضریب همبستگی توافق (ccc) برای مدل rf در مقایسه با ann به میزان 50 درصد افزایش نشان می‌دهد، عدم قطعیت برآورد شده توسط روش bootstrapping در مقایسه با k - fold به در مناطق با ضخامت 10 تا 15 سانتی به میزان 7 سانتی متر بیشتر است و در بخش زیادی از منطقه میزان پایین و دارای الگوی مکانی یکسانی می‌باشند. مدل جنگل تصادفی به همراه متغیرهای محیطی انتخاب‌شده و عدم قطعیت‌های کمی شده نقشه‌های خروجی می‌توانند برای مدل‌ سازی ضخامت خاک سطحی در نواحی مشابه با این پژوهش در مطالعات آتی استفاده گردد.

Digital Mapping of Top - soil Thickness and Associated Uncertainty Using Machine Learning Approach in Some Part of Arid and Semiarid Lands of Qazvin Plain

The present study was carried out to model topsoil thickness using machine learning models (MLM) including random forest (RF) and artificial neural network (ANN) in around 60,000 hectares of Qazvin plain lands (intermediate of Abyek and Nazarabad) with an observational density of 278 profiles during 2016 until 2020, and 17 environmental covariates extracted from Landsat 8 satellite images, primary and secondary derivatives from Digital elevation model, climate data, land use and geology maps. Boruta supervised algorithm and expert knowledge were used to select the best relevant environmental covariates. Two functions include nnet and random forest (RF) by caret package in the R software were used. Modeling of topsoil thickness carried out based on 80% of the data in the calibration subset and 20% of the data was used for model validation. The uncertainty of the output maps was quantified using two methods of “bootstrapping and kfold”. A number of 10 environmental covariates selected among 17 variables, and the relative importance introduced the greenness index, wind effect, diffused radiation, and Mrvbf as the most important covariates, respectively. The validation results indicate that the RF model with R2 of 0.8 and RMSE less than 3 cm and the bias is 0.63 cm in compare to the ANN, With R2, RMSE, and Bias 0.43, 0.05, and.004, respectively was outperform. Also, the CCC for the RF model increased by 50% compared to the ANN. The uncertainty estimated by the bootstrapping method was 7 cm lower compared to kfold in the regions with 1015 cm thickness and both of two methods show the same spatial pattern in other parts. The RF model along with selected covariates environmental variables and quantified uncertainties of output maps can be used to model the topsoil thickness and management decision making in areas similar to this study in future studies.