پيش‌بيني توزيع منطقه‌اي اجزاء بافت خاک دشت سيلابي سيستان با استفاده از روش جنگل تصادفي

الموضوعات :

محمد شهریاری ¹ , معصومه دلبری ² , پیمان افراسیاب ³ , محمدرضا پهلوان راد ⁴

1 - محقق بخش تحقيقات فني و مهندسي، مرکز تحقيقات و آموزش کشاورزي و منابع طبيعي سيستان. سازمان تحقيقات، آموزش و ترويج کشاورزي. زابل.
2 - دانشیارگروه مهندسی آب، دانشکده آب و خاک دانشگاه زابل
3 - دانشیارگروه مهندسی آب، دانشکده آب و خاک دانشگاه زابل.
4 - دانشيار بخش تحقيقات خاک و آب، مرکز تحقيقات و آموزش کشاورزي و منابع طبيعي گلستان. سازمان تحقيقات، آموزش و ترويج کشاورزي. گرگان.

تاريخ الإرسال : 08 الجمعة , ربيع الثاني, 1446 تاريخ التأكيد : 07 الأحد , جمادى الثانية, 1446 تاريخ الإصدار : 16 السبت , شعبان, 1446

الکلمات المفتاحية: بافت خاک, تغييرات مکاني, سنجش‌از‌دور, جنگل تصادفي, متغير محيطي,

ملخص المقالة :

زمينه و هدف: خصوصيات خاک در دشت‌هاي سيلابي داراي تغييرات مکاني زيادي هستند بافت خاک يکي از خصوصيات مهم خاک است که تأثير زيادي بر بسياري از فعاليت‌هاي کشاورزي و مديريت خاک دارد به‌طوري‌که مقدار نگهداري آب و عناصر غذايي، نفوذپذيري، زهکشي، تخلخل و بسياري از خواص مکانيکي‌ و هيدروليکي خاک تحت‌تأثير آن است؛ لذا داشتن آگاهي از توزيع مکاني آن به‌ويژه در دشت‌هاي سيلابي که تغييرات آن زياد است، ضرورتي مضاعف دارد. مطالعات صحرايي تغييرات مکاني خصوصيات خاک به علت برداشت تعداد زياد نمونه به‌ويژه در مقياس بزرگ پرهزينه و زمان‌بر است. روش‌ نقشه‌برداري رقومي خاک در تلفيق با داده‌هاي سنجش‌ازدور به‌عنوان راهکاري سودمند براي توليد نقشه رقومي خصوصيات خاک با دقت بالا و صرف هزينه و زمان کمتر است.

روش پژوهش: در اين پژوهش پيش‌بيني تغييرات مکاني اجزاء بافت خاک در دشت سيلابي سيستان در مقياس بزرگ (مساحت 1300 کيلومتر مربع) انجام شده است. براي اين منظور بر اساس روش تصادفي طبقه‌بندي شده در سري‌هاي مختلف خاک اراضي کشاورزي دشت سيستان تعداد 160 نقطه انتخاب گرديد و سپس نمونه‌برداري‌ها  از لايه سطحي خاک ( cm0-30) انجام گرديد. همچنين از داده‌هاي سنجش از دور تصوير ماهواره لندست 8 شامل تصاوير باندهاي يک تا هشت، نسبت تصاوير باند چهارم به هشتم، باند چهارم به باند سوم و شاخص پوشش گياهي، شاخص روشنايي، شاخص رس و شاخص اندازه ذرات خاک به عنوان متغيرهاي کمکي براي ميان‌يابي اجزاء بافت خاک کمک گرفته شد. براي يافتن ارتباط بين متغيرهاي کمکي و اجزاء بافت خاک از روش‌ جنگل تصادفي استفاده شد. اين تکنيک، مدل توسعه يافته‌اي از روش طبقه‌بندي و رگرسيون درختي مي‌باشد که در آن به جاي رشد يک درخت صدها يا هزارن درخت طبقه‌بندي توليد مي شود. 80 درصد داده‌ها به داده‌هاي آموزش و 20 درصد به داده‌هاي آزمون اختصاص يافتند. مدل‌سازي بر روي داده‌هاي آموزش و ارزيابي‌ها بر اساس داده‌هاي آزمون انجام گرديد. از معيارهاي RMSE, MBA MAE, و nRMSE  و همچنين شاخص توافق ويلموت (dr) و ضريب کارايي (EF) براي ارزيابي و کارايي مدل استفاده شد.

يافته‌ها: تجزيه و تحليل همبستگي پيرسون نشان داد که در بين کسرهاي بافت خاک، محتواي شن و ماسه با بيشترين متغيرهاي محيطي داراي بيشترين رابطه معني‌دار است. باند 8 بيشترين همبستگي را با ميزان شن، سيلت و رس داشت. يافته‌هاي پژوهش بيانگر اين است که استفاده از داده‌هاي سنجش‌ازدور موجب افزايش دقت پيش‌بيني‌ها شده‌اند. همچنين بااين‌حال که روش جنگل تصادفي مقادير کمتري براي RMSE در مقايسه با يک مدل ساده کريجينگ براي پيش‌بيني مکاني ذرات شن، سيلت و رس خاک ارائه داد؛ اما به علت تغييرات زياد خصوصيات خاک در دشت‌هاي سيلابي، مقادير RMSE نسبتاً بزرگ‌تر مقادير شن و سيلت نسبت به رس به دليل فراگيرتر بودن آنها در منطقه موردمطالعه است. مقدار RMSE در روش جنگل تصادفي براي پيش‌بيني شن، سيلت و رس در داده‌هاي اعتبارسنجي به ترتيب برابر 42/15، 56/12 و 97/8 درصد به دست آمد. اين در حالي است که RMSE براي مدل کريجينگ معمولي به ترتيب 2/18، 3/13 و 53/9 برآورد شد که نسبت به روش جنگل تصادفي به ترتيب 18، 9/5 و 2/11 درصد بيشتر است. مقادير نسبتاً زياد RMSE در اين مطالعه ناشي از تغييرات زياد خصوصيات خاک و شرايط تشکيل رسوبات در دشت‌هاي سيلابي است. مقادير nRMSE براي اجزاء شن، سيلت و رس خاک به ترتيب برابر 19/0، 13/0 و 21/0 براي داده‌هاي پيش‌بيني و برابر 39/0، 29/0 و 34/0 براي داده‌هاي اعتبارسنجي است. همچنين بين متغيرهاي کمکي، نتايج نشان داد که شاخص رس و شاخص اندازه دانه مهمترين متغيرهاي محيطي براي پيش‌بيني بافت خاک به روش جنگل تصادفي در منطقه مورد مطالعه بودند. نتايج مقادير ضريب توافق ويلموت (dr) نشان مي­دهد که مدل­سازي بادقت قابل‌قبولي انجام شده است. همچنين بررسي مقادير ضريب کارايي مدل (EF) نيز نشان مي­دهد که روش جنگل تصادفي به‌درستي نقشه‌هاي اجزاء بافت خاک را در محدوده موردمطالعه توليد کرده است. ساير متغيرهاي محيطي مانند نسبت باند 4 - باند 8، باند 1، باند 8 و باند 7 نيز بر پيش‌بيني کسر بافت خاک تأثير گذاشتند.

نتايج: نتايج نشان داد در بين اجزاء بافت خاک شن داراي بالاترين ضريب هم‌بستگي پيرسون با متغيرهاي محيطي بود و در بين متغيرهاي کمکي باند 8 بيشترين ضريب هم‌بستگي  را با اجزاء بافت خاک دارد. شاخص رس و شاخص اندازه ذرات خاک مهم‌ترين متغيرهاي محيطي در جريان مدل‌سازي با روش جنگل تصادفي بودند. همچنين متغيرهاي محيطي نسبت باند 4 به باند 8، باند 8، باند 7 و باند 2 ماهواره لندست 8 از ديگر متغيرهايي هستند که بر پيش‌بيني توزيع مکاني اجزاء بافت خاک تأثير داشتند. در مجموع به علت تغييرات زياد خصوصيات خاک در دشت‌هاي سيلابي مقادير معيارهاي ارزيابي نسبتاً زياد برآورد گرديد که اين به دليل تغييرپذيري زياد خصوصيات فيزيکي خاک در دشت سيستان است. دليل ديگر آن مي­تواند به تعداد نمونه‌هاي مورداستفاده ارتباط داشته باشد؛ بنابراين پيشنهاد مي­شود که براي به‌دست‌آوردن نقشه­هاي بادقت بهتر براي خصوصيات خاک به‌ويژه خصوصيات فيزيکي آن در دشت‌هاي آبرفتي، تعداد نمونه‌برداري‌هاي خاک افزايش يابد و همچنين تعداد نقاط بهينه در اين مناطق تعيين گردد. همچنين به دليل اينکه خصوصيات خاک در دشت‌هاي سيلابي تابع نحوه رسوب­گذاري است که خود تابع نحوه پراکنش مسيرهاي جريان آب منطقه است، پيشنهاد مي‌شود در مطالعات آتي از شاخص‌هاي که به نحوي به اين موضوع مرتبط است نظير فاصله تا رودخانه‌ها، شبکه انهار منطقه، نقشه کاربري اراضي به‌عنوان متغيرهاي کمکي استفاده شود.

المصادر:

Akpa, S.I.C., Odeh, I.O.A., Bishop, T.F.A., Hartemink, A.E., 2014. Digital mapping of soil particle size fractions for Nigeria. Soil Sci. Soc. Am. J. 78, 1953–1966.
Boettinger, J.L., Ramsey, R.D., Bodily, J.M., Cole, N.J., Kienast_Brown, S., Nield, S.J., Saundes,A.M., Stum, A.K., 2008. Landsat spectral data for digital soil mapping. In: Hartemink, A.E., McBratney, A.B., Mendonca Santos, M.L. (Eds.) , Digital Soil MappingWith Limited Data. Springer science, Australia, pp. 193–203
Bui, E. N., Ballabio, C., & Panagos, P., 2020. Soil texture mapping over Europe: Machine learning and its potential for sustainable soil management. European Journal of Soil Science, 71(1), 13-28.
Carvalho Junior, W., Chagas, C. D. S., Pereira, G. T. 2020. Regional-scale digital soil mapping in tropical areas using machine learning: A case study in Brazil. Geoderma, 363, 114151.
Carvalho Junior, W., Lagacherie, P., Chagas, C.S., Calderano Filho, B., Bhering, S.B., 2014. A regional-scale assessment of digital mapping of soil attributes in a tropical hillslope environment. Geoderma 232, 479–486.
Chagas, C.S., Junior, W.C., Bhering, S.B and Filho, B.C. 2016. Spatial prediction of soil surface texture in a semiarid region using random forest and multiple linear regressions. Catena, 139: 232–240
Chen, J.C., Chang, N.B., and Shieh, W.K. (2003). Assessing wastewater reclamation potential by neural network model. Journal of Engineering Application of Artificial Intelligence, 16:149-157.
Demattê, J.A.M., Fiorio, P.R., Ben-Dor, E., 2009. Estimation of soil properties by orbital and laboratory reflectance means and its relation with soil classification. Open Remote Sens. J. 2, 12–23.
Gambill, D.R., Wall, W.A., Fulton, A.J. and Howard, H.R. 2016. Predicting USCS soil classification from soil property variables using Random Forest. Journal of Terramechanics, 65:85–92
Heung, B., Bulmer, C. E., Schmidt, M. G., 2016. Predictive soil parent material mapping at a regional-scale: A random forest approach. Geoderma, 279, 68-80.
Jafari A., Finke P.A., de Wauw J.V., Ayoubi S., and Khademi H. 2012. Spatial prediction of USDA- great soil groups in the arid Zarand region, Iran: comparing logistic regression approaches to predict diagnostic horizons and soil types. E. J. Soil Sci, 63: 284–298.
Islam, K., Singh, B., McBratney, A., 2003. Simultaneous estimation of several soil properties by ultra-violet, visible, and near infrared reflectance spectroscopy. Aust. J. Soil Res. 41, 1101–1114.
Liao, K., Xu, S.,Wu, J., Zhu, Q., 2013. Spatial estimation of surface soil texture using remote sensing data. Soil Sci. Plant Nutr. 59, 488–500.
Liaw, A. and Wiener, M. 2002. Classification and regression by random Forest. R news The newsletter of the R project, 2(3): 18-22.
Ließ, M., Glaser, B., and Huwe, B. 2012. Uncertainty in the spatial prediction of soil texture comparison of regression tree and random forest models. Groderma, 170: 70-79.
Mirzaee, S.; Ghorbani-Dashtaki, S.; Mohammadi, J.; Asadi, H.; Asadzadeh, F. Spatial variability of soil organic matter using remote sensing data. Catena 2016, 145, 118–127.
Pahlavan-Rad, M.R., K.H. Dahmardeh, M. Hadizadeh, G. Keykha, N. Mohammadnia, M. Gangali, M. Keikha, N. Davatgar, C. Brungard. 2020. Prediction of soil water infitration using multiple linear regression and random forest in a dry flod plain, eastern Iran. Catena, 194(2020) 104715.
Poggio, L., de Sousa, L. M., Kempen, B., Heuvelink, G. B. M., Brus, D. J. 2021. Soil property mapping using machine learning models: A review and challenges. Earth-Science Reviews, 223, 103786.
Pringle, M.J., Romano, N., Minasny, B., Chirico, G.B., and Lark, R.M. 2007. Spatial evaluation of pedotransfer functions using wavelet analysis. Hydrology, 333: 182-198.
R Development Core Team, 2007. R: A Language and Environment for Statistical Computing.
Zhao, W., Zhang, G. L., Zhao, Y. G., & Pan, W., 2018. Predicting soil properties using remote sensing data and machine learning models. Geoderma, 322, 1-10.
Shahriari, M., Delbari, M., Afrasiab, P., & Pahlavan-Rad, M. R. 2019. Predicting regional spatial distribution of soil texture in floodplains using remote sensing data: A case of southeastern Iran. Catena, 182, 104149.
Taghizadeh-Mehrjardi, R., Schmidt, K., Mahmoodi, S., Omid, M. 2020. Spatial prediction of soil properties using machine learning techniques: A case study from Iran. Soil Systems, 4(4), 63.
Vaysse, K., Lagacherie, P., 2015. Evaluating Digital Soil Mapping approaches for mapping Global Soil Map soil properties from legacy data in Languedoc-Roussillon (France).Geoderma Reg. 4, 20–30.
Willmott, C.J., Robeson, S.M., Matsuura, K. (2011). A refined index of model performance. International Journal of Climatology, 32(13): 2088-2094.
Xiao, J., Shen, Y., Tateishi, R., Bayaer, W., 2006. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. Int. J. Remote Sens. 12, 2411–2422.