تهيه نقشه رقومي خاك با استفاده از مدل جنگل هاي تصادفي در منطقه آبيك، استان قزوين

Digital Soil Mapping Using Random Forests Model in Abyek, Qazvin Province

نياز روز افزون به داشتن اطلاعات دقيق از خاك و همچنين لزوم به روز رساني آسان اين اطلاعات در جهت تعيين روابط بين خاك و زمين ­نما به يكي از مباحث مهم در علوم خاك تبديل شده است. تكنيك­ هاي نقشه برداري رقومي خاك به دليل توانايي در بدست آوردن اطلاعات دقيق در مورد انواع خاك­ها در مناطق وسيع و همچنين مقرون به صرفه بودن، به عنوان يك راه حل قابل طرح است. هدف از مطالعه حاضر، تهيه نقشه رقومي خاك در منطقه آبيك استان قزوين با استفاده از مدل جنگل­ هاي تصادفي است. بدين منظور، با استفاده از روش مكعب لاتين مشروط از منطقه نمونه‌برداري شد و پس از انجام آناليزهاي آزمايشگاهي، با استفاده از مدل جنگل­ هاي تصادفي و متغيرهاي كمكي مستخرج از مدل رقومي ارتفاع با قدرت تفكيك مكاني 30 متر و تصاوير ماهواره لندست 8، نقشه خاك منطقه با مدل‌سازي تهيه شد. از مجموع 7261 هكتار اراضي مطالعه شده، بيشترين وسعت مربوط به فاميل Loamy-skeletal, mixed, superactive, thermic Typic Calcixerepts بود. نتايج حاصل نشان داد كه مدل‌سازي خاك با استفاده از الگوريتم جنگل هاي تصادفي توانست كلاس‌هاي خاك منطقه را با دقت بالايي (ضريب كاپاي 0/83 ) پيش­بيني كند.

Today, there is great demand for accurate soil information to determine the relationship between soil and landscape, and easy updating of soil maps has increasingly gained importance. Digital soil mapping techniques can be costeffective solutions to obtain information dealing with the soil types over large areas. The objective of this study was to provide a digital soil map in the Abyek region of Qazvin province using random forest model for management purposes and sustainable land use planning. To this end, soil samples were collected based on cLHS. After the laboratory analysis, using random forest model and auxiliary variables derived from a digital elevation model with a spatial resolution of 30 m and Landsat 8 imagery, the modeling and preparation of regional soil maps were performed. Out of 7261 ha, the dominant soil was classified as Loamy-skeletal, mixed, superactive, thermic Typic Calcixerepts. The results showed that soil modeling using random forest algorithm could accurately predict (Kappa coefficient ~ 0.83) soil classes in the region.