پيش‌بيني كلاس تناسب اراضي يونجه، سيب زميني و گندم آبي با استفاده از ماشين يادگيري جنگل تصادفي و داده‌هاي كمكي

Prediction of land suitability class of alfalfa, potato and irrigated wheat using random forest learning machine and auxiliary data

سابقه و هدف: استفاده بي‌رويه از منابع اراضي به دليل افزايش نياز به غذا توسط انسان منجر به تخريب و كاهش سطح اراضي قابل كشت شده است. يكي از راه‌هاي افزايش توليد در واحد سطح، ارزيابي تناسب اراضي مي‌باشد. ارزيابي تناسب اراضي عبارتست از تطابق يك تيپ از اراضي براي استفاده تعريف شده. بررسي تغييرات مكاني كلاس‌هاي تناسب اراضي، جهت افزايش توليد و جلوگيري از تخريب اراضي ضروري مي‌باشد. تعيين كلاس تناسب اراضي مستلزم اندازه‌گيري ويژگي‌هاي خاك، توپوگرافي، رطوبتي و اقليم مي-باشد كه اندازه‌گيري اين ويژگي‌ها پرهزينه و زمان‌بر مي‌باشد. يكي از راه‌هاي حل اين مشكل، استفاده از ماشين‌هاي يادگيري و داده‌هاي كمكي مي‌باشد. ماشين‌هاي يادگيري براي قراري ارتباط ويژگي‌هاي مختلف با متغيرهاي كمكي جهت بررسي تغييرات مكاني و زماني آنها به كاربرده مي‌شوند. ماشين يادگيري جنگل تصادفي يكي از معمول‌ترين و پركاربردترين ماشين‌هاي يادگيري است. هدف از اين پژوهش ارزيابي تناسب اراضي بر اساس چهارچوب تناسب اراضي فائو و روش پارامتريك براي سه محصول مهم آبي منطقه شامل يونجه، سيب زميني و گندم آبي و پيش‌بيني كلاس‌هاي تناسب آنها با استفاده از ماشين يادگيري جنگل تصادفي و داده‌هاي كمكي مي-باشد. مواد و روش‌ها: 122 پروفيل خاك در منطقه قروه استان كردستان (با وسعت 6500 هكتار) حفر، تشريح و نمونه‌برداري برداشت شد. در كليه نمونه‌ها ي خاك خصوصيات بافت، اسيديته، كربن آلي، آهك، گچ، ESP، هدايت الكتريكي و سنگريزه اندازه‌گيري شد. علاوه-بر‌اين داده‌هاي اقليم و توپوگرافي هم ثبت شد. با استفاده از خصوصيات اقليم، خاك و توپوگرافي و بر اساس چهارچوب تناسب اراضي فائو و روش پارامتريك كلاس‌هاي تناسب اراضي تعيين گرديد. متغيرهاي محيطي استفاده شده در اين پژوهش پارامترهاي سرزمين، نقشه اجزاء واحد اراضي و داده‌هاي تصوير +ETM بودند. جهت ارتباط بين كلاس تناسب اراضي و متغيرهاي كمكي از ماشين يادگيري جنگل تصادفي استفاده شد و با استفاده از روش اعتبارسنجي تقاطعي و شاخصه‌هاي آماري صحت كلي و شاخص كاپا مورد ارزيابي قرار گرفت. يافته‌ها: ن: نتايج نشان داد كه كه كلاس تناسب منطقه مورد مطالعه براي گندم آبي، يونجه و سيب زميني به ترتيب داراي 31، 47 و 57 درصد كلاس N2، 21، 34 و 27 درصد كلاس N1 و 48، 19 و 16 درصد كلاس S3 مي‌باشد. محدوديت‌هاي اصلي منطقه براي كشت اين محصولات شامل شيب زياد، خاك كم عمق، سنگريزه و اسيديته مي‌باشدبراي پيش‌بيني كلاس تناسب اراضي يونجه، سيب زميني و گندم آبي متغيرهاي كمكي شامل شاخص بالاي پشته با درجه تفكيك بالا، شاخص همواري‌دره با درجه تفكيك بالا، فاكتورLS، ارتفاع، شاخص خيسي و نقشه اجزاء واحد اراضي مهم‌ترين بودند. نتايج اين پژوهش نشان داد كه ماشين يادگيري جنگل تصادفي جهت پيش‌بيني كلاس تناسب اراضي گندم آبي با 0/78 و 0/71، يونجه با 0/75 و 0/70 و سيب زميني با 0/79 و 0/72 به ترتيب براي صحت كلي و شاخص كاپا داراي دقت مناسب براي پيش‌بيني كلاس تناسب اراضي مي‌باشد. نتيجه‌گيري: پستي و بلندي مهمترين فاكتورهاي خاك‌سازي بوده و در توزيع مكاني كلاس تناسب اراضي موثر مي‌باشد. منطقه مورد مطالعه به علت محدوديت‌‌هاي خاك و توپوگرافي داراي تناسب كم تا نامناسب براي كشت اين محصولات مي‌باشد و عمليات اصلاح اراضي مناسب جهت افزايش توليد و مديريت پايدار اراضي توصيه مي‌شود. ماشين يادگيري جنگل تصادفي دقت مناسيب جهت برآورد كلاس تناسب اراضي داشت. لذا پيشنهاد مي‌گردد جهت نقشه‌برداري كلاس تناسب اراضي تكنيك‌هاي ماشين يادگيري (همچون جنگل تصادفي) و داده‌هاي كمكي از قبيل پارامترهاي سرزمين، تصاوير ماهواره‌اي و نقشه اجزاء اراضي استفاده شود.

Background and objectives: Improper use of land resources due to increased human food needs has led to the destruction and reduction of arable land. One way to increase production per unit area is to land suitability assessment. Land suitability assessment is the fitness of a type of land for defined use. Assessing spatial variability of land suitability class is necessary to increase production and prevent land degradation. Determining the land suitability class requires measuring soil, topography, moisture and climate properties, which are costly and time consuming. One solution to this problem is to use learning machines and auxiliary data. Learning machines are used to relate various properties with auxiliary variables to assess their spatial and temporal variability. Random forest learning machine is one of the most common and widely used learning machines. The aim of this study is to assess land suitability based on FAO land suitability framework and parametric method for three important irrigated crops of the region, including alfalfa, potato and irrigated wheat, and to predict their land suitability classes using random forest learning machine and auxiliary data. Materials and Methods: 122 soil profiles were dug, described and sampled in the Ghorveh area of Kurdistan Province (covers 6500 ha). Soil texture, acidity, organic carbon, CaCO3, gypsum, ESP, electrical conductivity and gravel were measured in all soil samples. Moreover, topography and climate data were also recorded. Environmental variables in this research were terrain attributes, land unit components map, and data of ETM+ image. To make a relationship between land suitability class and auxiliary data, random forest (RF) learning machine were applied and using cross validation method and statistic indices including overall accuracy and kappa index was validated. Results and Discussion: The results showed that suitability class of the study area has 37, 41 and 57% N2 class, 21, 34 and 27% N1 class and 48, 19 and 16% S3 class for irrigated wheat, alfalfa and potato, respectively. The major limitations of the study area to plant the crops are included high slope, shallow soil depth, high pH and gravel.To predict land suitability class of alfalfa, potato and irrigated wheat, auxiliary variables including MRRTF index, MRVBF index, wetness index, LS factor, elevation and land unit components map were the most important. The results of this study showed that the random forest learning machine for prediction of land suitability class of irrigated wheat with 0.78, and 0.71, alfalfa with 0.75 and 0.70 and potato with 0.79 and 0.72 for overall accuracy and kappa index, respectively, had a suitable accuracy. Conclusion: Topography is the most important soil forming factor and is effective in distribution of land suitability class. The study area, because of limitation of soil and topography has low to non-suitable suitability to plant these crops and it is suggested proper land improvement operations to increase production and land sustainability management. Random forest learning machine had suitable accuracy for predicting land suitability class. Therefore, it is suggested to map land suitability class learning machine techniques (such as randomized forest) and auxiliary data such as terrain attributes, land unit components map and satellite images were applied.