مقایسه روش‌های k نزدیک‌ترین همسایگی و شبکه عصبی مصنوعی برای پهنه‌بندی رقومی شوری خاک در منطقه چاه ‌افضل اردکان

استفاده از داده های کمکی رقومی و ارتباط آنها با داده های مشاهداتی صحرایی از طریق روش های کامپیوتری که اصطلاحاً نقشه برداری رقومی خاک خوانده می شود، نسبت به روش های سنتی نقشه برداری خاک قابل اعتمادتر و کم هزینه تر است. بنابراین در مطالعه حاضر، از مدل های شبکه عصبی مصنوعی و k نزدیک ترین همسایگی جهت پیش بینی مکانی شوری خاک در منطقه ای خشک به وسعت 700 کیلومتر مربع در شمال شهرستان اردکان استفاده گردید. در این منطقه براساس روش شبکه بندی منظم 180 نمونه خاک مشخص شده و سپس نمونه برداری و خصوصیات فیزیکی شیمیایی خاک اندازه گیری شدند. متغیرهای محیطی استفاده شده در این مطالعه شامل پارامترهای استخراج شده از مدل رقومی ارتفاع، داده های تصویر etm+ ماهواره لندست و هدایت الکتریکی ظاهری (اندازه گیری شده توسط دستگاه هدایت گر الکترومغناطیس) بودند. نتایج این تحقیق نشان داد که مدل k نزدیک ترین همسایگی دارای دقت بیشتری نسبت به شبکه عصبی مصنوعی به منظور پیش بینی شوری خاک است. به طوری که این مدل به خوبی توانسته ارتباط قوی بین داده های شوری خاک و اطلاعات محیطی برقرار کند. مجموع ریشه مربعات خطا و ضریب تبیین مدل k نزدیک ترین همسایگی به ترتیب 73/18 و 92/0 است. نتایج نشان داد که برای پیش بینی شوری خاک، هدایت الکتریکی ظاهری، شاخص های سنجش از دور و شاخص خیسی مهم ترین پارامترها بودند.

The Comparison of k-NN and ANN for Digital Mapping of Salinity in Chahafzal, Ardekan

Digital soil mapping techniques which incorporate the digital auxiliary environmental data to field observation data using software are more reliable and efficient compared to conventional surveys. Therefore, this study has been conducted to use k Nearest Neighbors (kNN) and artificial neural network (ANN) to predict spatial variability of soil salinity in Ardekan district in an area of 700 km2, in Yazd province. In this study, 180 soil samples were collected in a grid sampling manner and then soil chemical and physical properties were measured in laboratory. Environmental auxiliary variables were included topographic attributes, remote sensing data (ETM+) and apparent electrical conductivity (ECa). The result of the study showed that the Kmean nearest neighborhood had higher accuracy than ANN models for predicting soil electrical conductivity (ECe). Overall, kNN models could provide significant relationships between soil salinity data and environmental auxiliary variables. The kNN model had the root mean square and coefficient of determination of 12.10 and 0.92, respectively, between predicted and observed ECe data. Also, apparent EC, and remotely sensed indices and wetness index were identified as the most important factors for predicating the soil salinity in the studied area.