مقايسه روش هاي زمين آمار و درختان تصميم گيري تصادفي در پهنه بندي شوري خاك در زهك دشت سيستان

Comparison of Geostatistical and Random Forest Methods in Mapping Soil Salinity in the Lands of Zahak County of Sistan Plain

نقشه­ هاي خاك از منابع عمده اطلاعات براي مديريت اراضي، منابع طبيعي و محيط زيست هستند. شوري خاك يكي از عوامل مهم محدود كننده توليد در اراضي دشت سيستان مي­باشد. در اين تحقيق روش­ هاي زمين آمار و درختان تصميم ­گيري تصادفي جهت توليد نقشه­هاي شوري خاك مقايسه شدند. تعداد 460 نمونه خاك از عمق 30-0 سانتيمتر با فواصل 750 متري در سطح 41000 هكتار از اراضي زهك دشت سيستان به روش مركب برداشت شد و هدايت الكتريكي عصاره اشباع خاك اندازه­گيري گرديد. 361 نمونه براي آموزش و 99 نمونه براي اعتبارسنجي مستقل استفاده شدند. در روش زمين آمار انواع مختلف نيم ­تغييرنماهاي دايره­اي، كروي، نمايي و قوسي و روش­هاي مختلف ميانيابي معكوس فاصله، كريجبينگ ساده، كريجينگ معمولي، كريجينگ عام و كوكريجينگ برازش و بهترين­ مدل­ها انتخاب شدند. در مدل درختان تصميم ­گيري تصادفي از روش نقشه­ برداري رقومي خاك استفاده شد و خصوصيات مختلف اراضي با استفاده از مدل رقومي ارتفاع و تصاوير ماهواره­اي استخراج شدند. نتايج روش زمين­آمار نشان داد كه همبستگي مكاني شوري خاك در منطقه مورد مطالعه متوسط است و بهترين مدل نيم­ تغيير­نما و ميانيابي به ترتيب كروي و كريجينگ معمولي بودند. در روش درختان تصميم ­گيري تصادفي شاخص پوشش گياهي، جهت شيب و شاخص شوري داراي بيشترين اهميت در پيش­بيني شوري خاك بودند. نتايج مقادير ريشه ميانگين مربعات خطا و خطاي ميانگين براي داده­ هاي آموزش و تست نشان داد كه روش درختان تصميم­ گيري تصادفي نسبت به روش زمين ­آمار اندكي برتري داشت. استفاده از ساير متغيرهاي كمكي مانند نقشه ­هاي كاربري اراضي و سري خاك مي­تواند دقت نقشه توليدي با روش درختان تصميم­ گيري تصادفي را بهبود بخشد.

Soil maps are the major source of information for land management, natural resources, and environment. Soil salinity is one of the most important factors limiting crop production in Sistan plain. In this research, geostatistical and random forest methods were compared to produce soil salinity maps. Preparation of accurate maps for soil salinity conditions is of great help in proper management of lands in this area. For this purpose, 460 composite soil samples were collected from 0-30 cm depth in 41000 ha of Zahak region of Sistan plain, using 750 m grid network. Then, the electrical conductivity of saturation paste was measured. Afterwards, 361 samples were used for training and 99 for testing. In the geostatistical model, different semi -variogram including circular, spherical, exponential, and Gaussian and different interpolation methods including inverse distance weighting, ordinary kriging, simple kriging, universal kriging and co-kriging were fitted and the best models were selected. In random forest model, digital soil mapping technique was used and environmental covariates were derived from digital elevation model (DEM) map and A Landsat 8 ETM+ image. The results of geostatistical method showed that soil salinity had a medium spatial correlation in the study area and the best semi-variogram and interpolation model were spherical and ordinary kriging, respectively. In random forest model, aspect, NDVI, and NDSI were the most important covariate in predicting soil salinity. The results Root Mean Square Error and Mean Error for the training and testing data showed that random forest method was slightly better than geostatistics. The use of other covariates such as land use and soil series maps can increase accuracy of the maps based on random forest methods, thereby improving decision-making. Using other environmental covariates that were not used in this study such as land unit and soil series map can also improve the accuracy of the map.