نقشه برداری رقومی کلاس‌های خاک با استفاده از رویکردهای یادگیری ماشین در بخشی از اراضی پایاب سد آزاد (مطالعه موردی: استان کردستان)

نقشه‌برداری رقومی خاک با برقراری روابط کمی میان متغیرهای محیطی و کلاس‌ها یا ویژگی‌های خاک قادر به پیش‌بینی مکانی ویژگی موردنظر است. در این پژوهش از الگوریتم‌های شبکه عصبی مصنوعی، درخت تصمیم، رگرسیون لاجستیک چند جمله‌ای و جنگل تصادفی برای پیش‌بینی نقشه خاک اراضی پایاب سد آزاد شهر سنندج با وسعت حدود 2178.3 هکتار استفاده شد. در سال 1396 تعداد 84 خاک‌رخ با الگوی تصادفی در منطقه مطالعاتی حفر، تشریح و نمونه‌برداری گردید. بر اساس ویژگی‌های ریخت‌شناختی و داده‌های آزمایشگاهی هر یک از خاکرخ‌ها تا سطح خانواده رده‌بندی شدند. بر اساس سیستم رده‌بندی جامع آمریکایی، دو رده اینسپتی‌سول و انتی‌سول، دو زیر رده، سه گروه بزرگ و پنج زیرگروه و خانواده مشاهده شد. برای محاسبه متغیرهای پیش‌بینی کننده، از مدل رقومی ارتفاع با قدرت تفکیک 10 متر و تصویر ماهواره سنتیل 2-b استفاده شد. برای بررسی صحت پیش‌بینی مدل‌ها از صحت عمومی نقشه، شاخص کاپا و درجه برابر استفاده شد که بهترین نتایج (به ترتیب 0.65، 0.53 و 0.16) برای الگوریتم شبکه عصبی مصنوعی به دست آمد. ضعیف‌ترین پیش‌بینی مربوط به مدل درخت تصمیم با صحت عمومی 0.38، شاخص کاپای 0.22 و درجه برابر 0.87 بود.

hine learning approaches in downstream lands of azad dam (case study: kurdistan province)

digital soil mapping (dsm) encompasses a variety of methodologies that can yield precise spatial information about soil by establishing quantitative relationships between environmental covariates (predictors) and soil classes or properties. in this study, artificial neural networks (anns), decision tree (dt), multinomial logistic regression (mlr), and random forest (rf) algorithms were used to predict the soil map of downstream lands of azad dam with an area of approximately 178.3 ha in the northwest of sanandaj city in kurdistan province. a random soil sampling method was used to determine the location and distribution of the 84 soil profiles in the study area. after recording soil morphological attributes, sampling of all horizons was conducted for required laboratory analysis. afterward, the soil profiles were classified up to the family taxonomic level based on us classification system. based on the soil taxonomy classification system, inceptisols and entisols order were observed by frequency, two suborder, three great groups, five subgroups, and family. to calculate the predictor variables, a digital elevation model (dem) with a 10 m spatial resolution and sentinel 2-b satellite images were used in the study area. to check the prediction accuracy of the models the overall accuracy (oa), kappa index (k), and brier score (bs) were used. the best result was obtained by the ann model (oa=0.65, k=0.53, and bs=0.16, respectively). the weakest predictions were found by dt model with oa, k, and bs of 0.38, 0.22, and 0.87, respectively.