نقشه‌برداری رقومی کلاس فامیل خاک با استفاده از رویکرد یادگیری ماشین (مطالعه موردی: اراضی نیمه‌خشک غرب ایران)

نقشه‌برداری رقومی خاک همگام با پیشرفت‌های زیرساخت‌ داده‌های مکانی، نقش مهمی را در جهت ارتقاء دانش مطالعات خاکشناسی ایفا می‌کند. لذا تحقیق حاضر با هدف تهیه نقشه رقومی کلاس‌ فامیل خاک با استفاده از مدل‌های جنگل تصادفی و رگرسیون درختی توسعه‌یافته در بخشی از اراضی نیمه‌خشک استان ایلام اجرا شد. متغیرهای محیطی از مدل رقومی ارتفاع با قدرت تفکیک مکانی 30 متر با استفاده از نرم‌افزار sagagis نسخه 7/3 استخراج شد. تعداد 46 خاکرخ حفر و ویژگی‌های فیزیکوشیمیایی نمونه‌های خاک اندازه‌گیری و بر اساس سامانه آمریکایی 2014 در سطح فامیل رده‌بندی شد. در محدوده مورد مطالعه سه رده مالی‌سولز، اینسپتی‌سولز و انتی‌سولز شناسایی شد. بر اساس نتایج داده‌کاوی متغیرهای محیطی با استفاده از آنالیز تورم واریانس (vif)، متغیرهای کمکی ارتفاع، ارتفاع استاندارد شده و شاخص زبری پستی و بلندی بیشترین میزان تغییرپذیری مکانی خاک‌ها را در منطقه مدل‌سازی می‌کند. بهترین پیش‌بینی مکانی کلا‌س‌های خاک مربوط به فامیل خاکfine, carbonatic, thermic, typic haploxerolls است. همچنین نتایج نشان می‌دهد که مدل‌های جنگل تصادفی و رگرسیون درختی توسعه‌یافته به‌ترتیب صحت عمومی 0/80 و 0/64 و شاخص کاپای 0/70 و 0/55 را ارائه می‌کند. بنابراین، روش جنگل تصادفی می‌تواند یک روش قابل اعتماد و با دقت مناسب باشد که حتی با تعداد نمونه کم تخمین قابل قبولی را ارائه کند.

digital mapping of soil family class using the machine learning approach (a case study: semi-arid lands in the west of iran)

digital soil mapping plays an important role in upgrading the knowledge of soil survey in line with the advances in the spatial data of infrastructure development. the main aim of this study was to provide a digital map of the soil family classes using the random forest (rf) models and boosting regression tree (brt) in a semiarid region of ilam province. environmental covariates were extracted from a digital elevation model with 30 m spatial resolution, using the sagagis7.3 software. in this study area, 46 soil profiles were dug and sampled; after physicochemical analysis, the soils were classified based on key to soil taxonomy (2014). in the studied area, three orders were recognized: mollisols, inceptisols, and entisols. based on the results of the environmental covariate data mining with variance inflation factor (vif), some parameters including dem, standard height and terrain ruggedness index were the most important variables. the best spatial prediction of soil classes belonged to fine, carbonatic, thermic, typic haploxerolls. also, the results showed that rf and brt models had an overall accuracy and of 0.80, 0.64 and kappa index 0.70, 0.55, respectively. therefore, the rf method could serve as a reliable and accurate method to provide a reasonable prediction with a low sampling density.