کاربرد مدل‌های یادگیری ماشین در برآورد مکانی فسفر و پتاسیم خاک در بخشی از اراضی دشت آبیک

مدل سازی و نقشه برداری توزیع مکانی عناصر غذایی گیاه در خاک اهمیت ویژه ای در افزایش بهره وری بخش کشاورزی و نیل به توسعه پایدار دارد. این پژوهش باهدف تهیه نقشه های رقومی دو عنصر مغذی فسفر در دسترس (pav) و پتاسیم قابل‌تبادل (kex) خاک با استفاده از مدل های یادگیری ماشین (mlm) شامل جنگل تصادفی (rf)، کوبیست (cb)، رگرسیون بردار پشتیبان (svr) و k – نزدیک ترین همسایگی (knn) در دو عمق 150 و 30 15 سانتی متر در بخشی از اراضی دشت آبیک صورت پذیرفت. در راستای این هدف 278 خاک رخ مطالعاتی در منطقه مورد مطالعه حفر و پس از نمونه برداری از افق های مورد نظر، خاک ها برای انجام آزمایش های مورد نیاز به آزمایشگاه منتقل شد. ارزیابی کارایی mlm بر اساس روش اعتبارسنجی متقابل با 10گام صورت پذیرفت. نتایج مدل سازی حاکی از آن است که مدل rf نسبت به سه مدل دیگر در برآورد مکانی pav و kex در دو عمق موردمطالعه دارای بیشترین میزان صحت و حداقل مقدار خطا بود. در عمق 015 سانتی متر طبق آماره های ضریب همبستگی تطابق (ccc) برای pav مقادیر 0.84، 0.74، 0.48 و 0.35 و حداقل مقدار میانگین ریشه مربعات خطا نرمال شده (nrmse) 0.38، 0.54، 0.70 و 0.80 به ترتیب توسط مدل های rf، cb، knn، svr و برای kex در همین عمق مقادیر ccc برابر 0.82، 0.72، 70/، 0.47 و nrmse 0.25، 0.34، 0.36 و 0.45 به ترتیب توسط مدل های rf، cb، svr، knn مشاهده گردید. نتایج مشابهی برای لایه 3015 سانتی متر به دست آمد. اهمیت نسبی متغیرهای محیطی موید نقش موثرتر ویژگی های خاک نسبت به سایر متغیرهای محیطی در برآورد pav و kex بود. با توجه به نقشه های پهنه بندی دو عنصر مغذی و غالب بودن کاربری زراعی در اراضی موردمطالعه، بخش های عمده ای از منطقه بر اساس مقادیر استاندارد pav دارای کمبود بود. بنا بر این، به منظور افزایش بهره وری و بهبود مدیریت حاصل خیزی خاک استفاده از کودهای فسفاتِ با نظارت کارشناسان خاک توصیه می شود.

Application of Machine Learning Models in Spatial Estimation of Soil Phosphorus and Potassium in SomeParts of Abyek Plain

Modeling and mapping of plants nutrient elements in soil has importance in increasing the productivity of agriculture and achieving sustainable development. The aim of this research was to prepare digital maps of two nutrients, namely, available phosphorus (Pav) and exchangeable potassium (Kex) using machine learning models (MLM) i.e., random forest (RF), cubist (CB), support vector regression (SVR) and knearest neighborhood (kNN) at two depths of 1530 and 015 cm in a part of Abyek Plain. In this regard, 278 soil profiles were dug, sampled from the desired horizons, and samples were analyzed. MLM performance was implemented by 10fold crossvaluation. The modeling results demonstrated that the RF model had the highest accuracy and minimum error compared to the other three models in spatial estimation of available Pav and Kex at the two studied depths. According to the results, for Pav at a depth of 015 cm, CCC statistics values of 0.84, 0.74, 0.48 and 0.35 and NRMSE values of 0.38, 0.54, 0.70, and 0.80 belonged to RF, CB, kNN, and SVR, respectively. For Kex at the same depth, CCC values were 0.82, 0.72, 0. 70, 0.47 and NRMSE 0.25, 0.34, 0.36 and 0.45, by RF, CB, SVR, and kNN models, respectively. Similar results were obtained for 1530 cm layer. The relative importance of environmental variables showed that soil covariates had a more effective role in the spatial estimation of Pav and Kex than other environmental variables. According to the estimated maps of the two elements and the predominance of agricultural land uses, major parts of the area are Pav deficient based on standard amounts. Therefore, to increase productivity and improve management of soil fertility, use of phosphate fertilizers is recommended under the supervision of soil experts.