نقشه‌برداري رقومي اجزاي بافت خاك با استفاده از رويكردهاي يادگيري ماشين و متغيرهاي محيطي

بافت به عنوان يكي از ويژگي هاي موثر بر وضعيت هيدرولوژيكي و مكانيكي خاك از اهميت ويژه اي براي رشد گياهان برخوردار است. بنابراين، مطالعه حاضر با هدف مدل سازي مكاني ذرات خاك شامل شن، سيلت و رس با استفاده از مدل هاي يادگيري ماشين جنگل تصادفي (RF)، رگرسيون بردار پشتيبان (SVR) و مدل زمين اماري كوكريگينگ (Co-Kriging) و نقشه مدل رقومي ارتفاع و تصاوير ماهواره اي با وضوح مكاني بالا در دشت مرودشت استان فارس انجام گرفت. مطالعات ميداني شامل حفر 200 پروفيل مشاهداتي براساس روش نمونه‌برداري ابر مكعب لاتين (cLHS) و نمونه‌برداري از دو عمق، سطحي (30 سانتي‌متر) و زيرسطحي (60-30 سانتي متر) بود. طيف وسيعي از متغيرهاي كمكي با دسترسي آسان شامل پارامترهاي توپوگرافي و شاخص هاي سنجش از دور به‌عنوان پيش بيني كننده هاي محيطي با وضوح مكاني 30 متر تهيه گرديد. مناسب ترين متغيرهاي كمكي با استفاده از آزمون هم‌خطي توسط شاخص تورم واريانس (VIF) و سپس رويكرد انتخاب متغير باروتا انتخاب شد. نتايج نشان داد كه مدل RF نسبت به مدل هاي SVR و Co-Kriging داراي عملكرد بهتر و دقت بيشتر براي پيش بيني هر سه ذره شن، سيلت و رس است. ضريب تبيين (R2) پيش بيني شده براي رس در عمق سطحي و زير سطحي به‌ترتيب 0.52 و 0.49، براي سيلت 0.48 و 0.64 و براي شن 0.54 و 0.36 درصد محاسبه شد. همچنين متغير عمق دره مهمترين متغير در پيش بيني توزيع مكاني شن، سيلت و رس شناسائي شد. تهيه نقشه توزيع مكاني اندازه ذرات خاك حاصل مي‌تواند منبع مهمي از اطلاعات براي مديريت كارآمد منابع زمين و نظارت بر محيط‌زيست باشد. به طور كلي رويكرد مورد استفاده در اين تحقيق به‌دليل استفاده از منابع اطلاعاتي با دسترسي آسان و ارزان مي تواند به عنوان راهنمايي براي تهيه ي نقشه هاي مديريت پذير خاك در دشت هاي كشاورزي كشور با قابليت به روز رساني در حداقل زمان ممكن مورد استفاده قرار گيرد.