پیش بینی شوری خاک با استفاده از رگرسیون درختی و شبکه عصبی مصنوعی در منطقه قروه استان کردستان

شوری خاک یکی از مشکلات عمده در مناطق خشک و نیمه خشک می باشد. در این شرایط، نمک های م شوری خاک یکی از مشکلات عمده در مناطق خشک و نیمه خشک است. در این شرایط، نمک های محلول در سطح خاک تجمع یافته و باعث کاهش عملکرد و حاصلخیزی خاک می شوند. شناسایی و نقشه برداری خاک های مبتلا به نمک می تواند به بهبود مدیریت این خاک ها کمک کند. بررسی تغییرات شوری خاک به شیوه های مرسوم گران و زمان بر است . بنابراین یکی از راه های چاره جهت حل این چالش استفاده از نقشه برداری رقومی خاک است که خصوصیات خاک با استفاده از داده های کمکی نقشه برداری می شوند. هدف از این تحقیق استفاده از مدل های رگرسیون درختی و شبکه عصبی مصنوعی و داده های کمکی برای تهیه نقشه شوری خاک می باشد.
با استفاده از روش نمونه برداری هایپرکیوب تعداد 150 نمونه خاک از عمق 30-0 سانتی متری خاک های منطقه قروه استان کردستان (با وسعت 30000 هکتار) برداشت شده و هدایت الکتریکی خاک اندازه گیری شد. متغیرهای محیطی در این پژوهش اجزاء سرزمین و داده های تصویر +ETM ماهواره لندست 8 بودند. پارامترهای سرزمین ( شامل 15 پارامتر) و شاخص شوری (SI) و شاخص گیاهی نرمال شده (NDVI) به ترتیب با استفاده از نرم افزار SAGA و ArcGIS محاسبه و استخراج گردید. جهت ایجاد ارتباط بین شوری خاک و متغیرهای کمکی از مدل رگرسیون درختی و شبکه عصبی بهره گرفته شد و با استفاده از روش اعتبارسنجی مورد ارزیابی قرار گرفت. در نهایت نقشه شوری خاک با استفاده از مدل بهتر تهیه شد.
برای پیش بینی شوری خاک، متغیرهای کمکی شامل شاخص شوری، شاخص خیسی، شاخص همواری دره، شاخص NDVI، باند3 و باند 7 مهم ترین بودند. نتایج این تحقیق نشان داد که مدل شبکه عصبی مصنوعی (با 70/0، 036/0 و 190/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا) دارای دقت بیشتری نسبت به رگرسیون درختی برای پیش بینی شوری خاک می باشد. شوری خاک در محدوده بین 93/6 -23/0 دسی زیمنس بر متر قرار داشت و بیش ترین مقادیر شوری خاک در مناطق مرکزی (اراضی پست و بایر) قرار داشت. در این مناطق مرکزی، داده های کمکی شامل شاخص شوری، شاخص همواری دره، شاخص خیسی، باند 7 و باند 3 بیشترین مقدار و شاخص NDVI کمترین مقدار را داشتند.
مهمترین متغیر کمکی در پیش بینی شوری خاک در منطقه شاخص شوری می باشد و وجود ارتباط قوی بین داده خاک و داده های کمکی می تواند برروی دقت مدل اثرگذار باشد. به طور کلی نتایج نشان داد که تکنیک های پدومتری می تواند در گستره ای وسیع جهت نقشه برداری رقومی خصوصیات خاک ها به کار گرفته شود. پیشنهاد می گردد که جهت تهیه نقشه خصوصیات خاک از مدل شبکه عصبی مصنوعی، و داده های کمکی همچون اجزاء سرزمین و تصاویر ماهواره ای در مطالعات آینده استفاده شود.