پيش‌بيني مكاني برخي از ويژگي‌هاي خاك سطحي با استفاده از مدل‌هاي درون‌يابي و يادگيري ماشين

Spatial Prediction Some of the Surface Soil Properties Using Interpolation and Machine Learning Models

دست‌يابي به اطلاعات مكاني دقيق و با جزئيات بيشتر از پراكنش مكاني ويژگي‌هاي خاك بر روي سيماي اراضي براي پايش دقيق منابع اراضي، كاربردهاي هيدرولوژيكي، مديريت كاربري اراضي و ساير مدل‌سازي‌هاي محيطي ضروري است و نقش بنياديني را در فرآيندها اكوهيدرولوژي، اراضي مستعد كشاورزي و مديريت پايدار اراضي در مناطق نيمه‌خشك ايفا مي‌نمايد. پژوهش حاضر باهدف پيش‌بيني مكاني درصد كربن آلي خاك (SOC)، كربنات كلسيم معادل (CCE)، رس، لاي و ماسه در منطقه قروه-دهگلان كردستان صورت پذيرفت. مواد و روش‌ها: منطقه قروه دهگلان با ميانگين دماي ساليانه 12 درجه سلسيوس و ميانگين بارش ساليانه 348 ميلي‌متر (دوره آماري 20 ساله) به‌ترتيب داراي رژيم‌هاي رطوبتي و حرارتي زريك و ترميك است. حدود 145 نمونه خاك از عمق 30-0 سانتي‌متر بر اساس الگوي نمونه‌برداري تصادفي برداشت گرديد. سپس نمونه‌هاي خاك براي انجام آزمايش‌هاي فيزيكي و شيميايي لازم به آزمايشگاه منتقل گرديد. مدل جنگل تصادفي (RF) به‌عنوان نماينده روش‌هاي غيرپارامتريك و دو روش كريگينگ معمولي (OK) و وزن‌دهي عكس فاصله (IDW) براي مدل‌سازي تغييرات مكاني ويژگي‌هاي خاك و خودهمبستگي مكاني بين آنها استفاده گرديدند. تمامي مراحل مدل‌سازي روش RF در نرم‌افزار RStudio و روش‌هاي درون‌يابي (OK و IDW) در نرم‌افزارهاي ArcGIS و GS+ صورت پذيرفت. 30 متغير محيطي شامل مشتقات مدل رقومي ارتفاع (DEM) در نرم‌افزار SAGA GIS 7.3 و داده‌هاي باند انعكاسي ماهواره لندست 8 به‌عنوان متغيرهاي محيطي تهيه شدند. تمامي متغيرهاي محيطي مورداستفاده با تفكيك مكاني 30 متر بازنمونه‌گيري گرديدند. انتخاب متغيرهاي محيطي بهينه طبق شاخص تورم واريانس (VIF) انجام گرديد. مدل‌سازي ويژگي‌ها طبق دو دسته داده 80 و 20 درصد، به‌ترتيب براي واسنجي و اعتبارسنجي انجام گرديد و از دو آماره ميانگين ريشه مربعات خطا (RMSE) و ضريب تبيين (R2) براي تعيين دقت مدل‌ها استفاده شد. بر اساس شاخص تورم واريانس از مجموع 30 متغير محيطي تهيه‌شده در نهايت هفت متغير كمكي شامل،. چهار متغير سنجش از دور شاخص پوشش گياهي تعديل يافته‌خاك (SAVI)، سبزينگي شاخص گياهي تفاضلي نرمال‌شده (GNDVI)، شاخص پوشش گياهي نسبي (RVI) و شاخص پوشش گياهي بهبوديافته (EVI) و سه ويژگي ژئومورفومتري شامل مدل رقومي ارتفاع (DEM)، فاصله اقليدسي از شبكه آبراهه و شاخص موقعيت توپوگرافي (TPI) انتخاب گرديدند. نتايج مدل‌سازي نشان داد كه مدل RF براي متغير كربن آلي خاك (0/5=R2 و 0/4=RMSE%)، متغير كربنات كلسيم معادل (0/4=R2 و 61/11=RMSE%)، متغير رس (0/21=R2 و 5/65=RMSE%) و متغير لاي (0/15=R2 و 7/24= RMSE%)، مناسب‌ترين مدل و روش كريگينگ معمولي براي متغير ماسه با (0/14=R2 و 10/26=RMSE) نسبت به دو مدل RF و IDW داراي دقت بالاتري بودند. از ميان نيم‌تغييرنما‌هاي برازش داده‌شده مدل نمايي براي متغيرهاي كربن آلي خاك، رس، لاي و ماسه به‌جز كربنات كلسيم معادل داراي مناسب‌ترين برازش بود. نتايج خود همبستگي مكاني نشان داد كه دو متغير كربنات كلسيم معادل و ماسه داراي كلاس همبستگي مكاني قوي بود و مابقي داراي كلاس متوسط مي‌باشند. بالاترين مقادير سقف نيم‌تغييرنما مربوط به كربنات كلسيم معادل و رس و كمترين مقدار آن مربوط به كربن آلي خاك و ماسه بود. اين نتايج بيانگر وجود الگوي تصادفي يا ساختار مكاني ضعيف در نمونه‌هاي مورداستفاده براي محاسبه نيم‌تغييرنما است. از ميان متغيرهاي كمكي مورداستفاده براي مدل‌سازي مكاني سه ويژگي كربن آلي خاك، كربنات كلسيم معادل و رس، متغيرهاي ژئومورفومتري مدل رقومي ارتفاع، شاخص موقعيت توپوگرافي و فاصله اقليدسي از شبكه آبراهه داراي بيشترين اهميت و براي متغيرهاي ماسه و لاي پارامترهاي NDVI، SAVI و RVI داراي اهميت بيشتري بودند. نتيجه گيري: به طوركلي ويژگي هاي سطحي موردبررسي داراي كلاس خودهمبستگي مكاني متوسط تا قوي بودند، اما نتايج مدل سازي داراي دقت بالايي نبودند؛ بنابراين براي مطالعات آتي پيشنهاد مي گردد كه از ساير روش هاي نمونه برداري مانند ابر مكعب لاتين يا طبقه بندي تصادفي و نقشه هاي موضوعي مثل زمين شناسي، ژئومورفولوژي و نقشه خاك موجود منطقه به عنوان ورودي هاي مدل سازي مكاني به منظور ارتقاء نتايج مدل سازي استفاده گردد.

Background and objectives: Accurate and detailed spatial soil information over the landscape is essential for the precision monitoring of land resources, hydrological applications, land use management. The present study aimed to predict the spatial prediction of SOC, CCE, Clay, Silt, and Sand in the Qorve-Dehgolan region, Kurdestan province. Qorve-Dehgolan region, with mean annual temperature and precipitation of 12 C° and 348 mm (20-year statistical period), has soil moisture and temperature regimes xeric and thermic, respectively. A total of 145 samples were collected from the topsoil (0-30 cm) based on a random sampling pattern. Then, all of the soil samples were transferred to a soil laboratory for physicochemical analysis. Random forest (RF) as a nonparametric model and Ordinary kriging (OK) and inverse distance weighting (IDW) as an interpolation method were used for modeling the soil properties and their spatial autocorrelation. All steps of modeling for RF and interpolation methods (OK and IDW) were performed in RStudio, ArcGIS and, GS+ software, respectively. A total of 30 environmental covariates, including the Digital Elevation Model (DEM) derivatives in the SAGA GIS 7.3 software and Landsat 8 satellite reflective band data in the ERDAS IMAGINE software, were developed as environmental variables. All of the environmental covariates were resampled at resolution-30 m. The most appropriate covariates were selected according to the variance inflation factor (VIF). Modeling of soil properties was performed according to 80% and 20% of data sets, respectively for calibration and validation, and two statistics of root mean square error (RMSE) and determination coefficient (R2) was used to determine the accuracy of the models. Results: Seven variables including SAVI, EVI1, GNDVI, RVI1, DEM, Channel Network, and TPI were selected from the 30 variables prepared as the most appropriate auxiliary variables based on the variance inflation index. Four remote sensing variables include the adjusted soil vegetation index (SAVI), the greenness of the normalized differential vegetative index (GNDVI), the relative vegetation index (RVI) and the Enhanced vegetation index (EVI), and three geomorphometric attributes including, digital elevation model (DEM), Vertical distance to channel network and the topographic position index (TPI) were the most important parameters. The results of modeling showed that RF model for soil organic carbon variable (R2 = 0.5 and %RMSE= 0.4), calcium carbonate equivalent (R2 = 0.4 and %RMSE = 11.61), clay variable (R2= 0.21 and %RMSE=5.65), the Silt variable (R2 = 0.15 and %RMSE= 7.24) and, Ordinary kriging methods for sand variables with (R2 = 0.14 and %RMSE = 10.26) was the most accurate than RF and IDW models. Among the semi-variogram models, the exponential model had the best performance for soil organic carbon, clay, silt, and sand percentage, with the exception of CCE which follows the spherical model. The results of spatial autocorrelation showed that for both variables CCE and Sand had a strong class and, the rest had a moderate class. The highest values of the semi-variogram sill were related to the calcium carbonate equivalent and clay, and the lowest values were related to the soil organic carbon and sand contents. These results indicate that, the existence of a random pattern or weak spatial structure in the samples that used to calculate the experimental semi-variogram. Among the seven environmental covariates were used for spatial modeling of top-soil organic carbon, calcium equivalent carbonate, and clay, the geomorphometric attributes such as digital height model, topographic position index and vertical distance to channel network are of the most important and NDVI, SAVI and RVI covariates were more important in predicting of sand and silt properties.