کارایی سه مدل kNN، RF و SVM و مدل به دست آمده از ترکیب آنها به روش GR برای مدل سازی بافت خاک

بافت خاک یکی از مهمترین ویژگی هایی است که رفتار فیزیکی، شیمیایی و بیولوژکی خاک را کنترل می کند. روش های مختلفی برای مدل سازی بافت خاک استفاده می شوند. یکی از راهکارهای سود بردن از مزایای این مدل ها ترکیب تخمین آنها است. با توجه به این که بافت خاک یک داده مرکب است، وقتی اجزاء آن جداگانه تخمین زده می شوند تضمینی برای اینکه جمع سه جزء برابر 100 شود وجود ندارد، هرچند می توان از تبدیل های نسبت لگاریتمی (log-ratio) استفاده کرد. اطلاعات کمی در خصوص کارآیی مدل های ترکیبی در مدل سازی داده های تبدیل شده و نشده بافت خاک وجود دارد و به نظر می رسد بر اساس این رویکرد تا کنون مطالعه ای روی بافت خاک انجام نشده است. در این بررسی، تعداد 200 نمونه خاک های سطحی از  منطقه کوهدشت برداشت شد. سه مدل جنگل تصادفی (RF)، k نزدیکترین همسایه (kNN) و ماشین های بردار پشتیبان (SVM) و مدل حاصل از ترکیب آن ها به روش Granger-Ramanathan (GR) برای مدل سازی، روش های نسبت لگاریتمی جمع پذیر (alr)، نسبت لگاریتمی مرکزی  (clr) و نسبت لگاریتمی ایزومتریک (ilr) برای تبدیل داده ها و داده های حاصل از مدل رقومی ارتفاع (DEM) و تصاویر لندست 8 و سنتینل 2 به عنوان ورودی مدل ها استفاده شد. نتایج نشان داد که متغیرهای استخراج شده از DEM اهمیت بیشتری در پیش بینی بافت خاک داشت. به طور کلی، هر چهار مدل با استفاده از تبدیل alr منجر به تخمین های بهتری نسبت به تبدیل های clr و ilr و داده های تبدیل نشده (UT) گردید. مدل ترکیبی (GR) با مقادیر RMSE برابر با 5/07، 4/21، 5/81 و 6/09 درصد برای رس، مقادیر 7/11، 5/15، 9/04 و 6/70 درصد برای سیلت و 9/20، 7/76، 11/69 و 8/74 درصد برای شن به ترتیب برای داده های UT و تبدیل های alr، clr و ilr منجر به بهبود تخمین ها نگردید. به طور کلی، کارآیی مدل SVM با داده های تبدیل شده به روش نسبت لگاریتمی جمع پذیر کمی بیشتر از سایر مدل ها بود. نتایج نشان داد که ترکیب چند مدل یادگیری ماشین الزاما باعث بهبود تخمین ها نمی گردد و می توان از یک مدل مناسب برای برآورد بافت خاک استفاده کرد.