كاربرد مدل هاي رگرسيوني در پيش بيني كلاس خاك در بخشي از مناطق ايران مركزي (منطقه زرند كرمان)

Application of Regression Models for Prediction of Soil Classes in Some Regions of Central Iran (Zarand district, Kerman Province)

شناسايي رقومي خاك ها بهعنوان ابزاري براي ايجاد اطلاعات مكاني خاك، راه حل هايي براي نياز رو به افزايش نقشه هاي خاك با تفكيك مكاني بالا را تامين مي كند. بنابراين، بايد روش هاي جديد بهمنظور بهدست آوردن اطلاعات مكاني خاك با تفكيك مكاني بالا توسعه پيدا كند. به همين منظور مطالعه اي جهت پيش بيني كلاس هاي خاك با استفاده از مدل هاي رگرسيوني در منطقه زرند كرمان طراحي گرديد. در اين مطالعه، مدل هاي رگرسيوني شامل رگرسيون لاجيستيك چندجمله اي و رگرسيون درختي توسعه يافته چندكلاسه براي پيش بيني گروه بزرگ خاك به كمك داده هاي سنجش از دور، پارامترهاي سرزمين و نقشه ژيومرفولوژي استفاده گرديد. كيفيت پيش بيني مدل ها با شاخص هاي حاصل از آرايه خطا بررسي گرديد. نتايج نشان داد در پيش بيني همه گروه هاي بزرگ خاك، سطوح ژيومرفيك بهعنوان يك پيش بيني كننده موثر محسوب مي شود. بعد از سطوح ژيومرفيك، پارامترهاي سرزمين و شاخص هاي سنجش از دور در پيش بيني وارد شدند. در هر دو مدل خلوص نقشه براي همه گروه هاي بزرگ خاك در موقعيت هاي اعتبارسنجي و واسنجي بيشتر از 6/0 بود. نتايج نشان داد عملكرد پيش بيني براي گروه هاي بزرگ هاپلوجيپسيد و هاپلوساليد بهتر از گروه هاي بزرگ كلسي جيپسيد و هاپلوكمبيد بود. در بين گروه هاي بزرگ خاك، مقادير بالاي دقت كاربر و قابليت اطمينان توليدكننده براي گروه بزرگ هاپلوساليد بهدست آمد. خاك هاي با قابليت اطمينان بهتر خاك هايي هستند كه به شدت تحت تاثير مشخصات توپوگرافي و ژيومرفولوژي قرار گرفتند (گروه هاي بزرگ هاپلوساليد، تري سامنت و هاپلوجيپسيد) و خاك هاي با قابليت اطمينان و دقت پيش بيني كمتر خاك هايي هستند كه به سختي تحت تاثير مشخصات توپوگرافي و ژيومرفولوژي (گروه هاي بزرگ هاپلوكمبيد و كلسي جيپسيد) قرار گرفتند.

Soil digital survey as tool for soil spatial information provides pathways for producing of high resolution soil maps. Therefore, it should be developed strategic methods for making high resolution soil spatial information. Subsequently, this study was designed for prediction of soil classes by regression models in Zarand region of Kerman. Regression models includes of multinomial logistic regression and multiclass boosted regression tree were used for prediction of soil great groups by relating those with predictors such as remote sensing indices, terrain attributes and geomorphology map. A confusion matrix was used to calculate aspects of map accuracy. The geomorphology map at the fourth level (geomorphic surface) was a powerful predictor unlike the other levels (landscape, landform and lithology). Terrain attributes and finally remote sensing indices after geomorphic surface were imported as predictors in the prediction. The map purity over all soil great groups was above 0.60 in both calibration and validation locations. Poorer performance was observed for Calcigypsids and Haplocambids. Both methods provided good predictions for Haplosalids that shown by high values for users’ accuracy and producers’ reliability The results showed soils with better reliability are those highly influenced by topographic and geomorphic characteristics at least in this study area (e.g. Haplosalids, Haplogypsids and Torripsamments) and soils with very low reliability and accuracy of prediction are hardly influenced by the topographic and geomorphic characteristics (e.g. Haplocambids and Calcigypsids).