ﮐﺎرﺑﺮد روش درﺧﺘﺎن ﺗﺼﻤﯿﻢ ﮔﯿﺮي ﺗﺼﺎدﻓﯽ در ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻼس ﻫﺎي ﺧﺎك در اراﺿﯽ ﺑﺎ ﭘﺴﺘﯽ و ﺑﻠﻨﺪي ﮐﻢ ( ﻣﻄﺎﻟﻌﻪ ﻣﻮردي :ﺷﻬﺮﺳﺘﺎن ﻫﯿﺮﻣﻨﺪ)

(Application of random forest method for predicting soil classes in low relief lands (Case study: Hirmand county

سابقه و هدف: شناسايي و نقشه برداري خاك، به عنوان روشي براي تعيين الگوي پراكنش خاك، توصيف و نمايش آن به شكل قابل فهم و تفسير براي كاربران مختلف، پايه و اساس اطلاعات خاك براي مدل سازي هاي محيطي مي باشد. نقشه‌برداري رقومي خاك شامل ايجاد ارتباط بين كلاس‌ها يا خصوصيات خاك با فاكتورها‌ي محيطي دخيل در تشكيل و تكامل خاك با استفاده از مدل‌ها‌ي رياضي است كه مي‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌تواند نقشه‌ها‌‌‌ي خاك دقيق‌تر و يكدست‌تر در زمان كمتر با ارائه ميزان دقت و صحت ايجاد نمايد و باعث كاهش هزينه‌هاي پروژه‌هاي شناسايي و تهيه نقشه‌هاي خاك گردد. اين پژوهش جهت تهيه نقشه كلاس‌‌ها‌‌‌ي گروه‌هاي بزرگ و زيرگروه‌هاي خاك با استفاده از تكنيك درختان تصميم گيري تصادفي در اراضي شهرستان هيرمند در دشت سيستان انجام گرفت. مواد و روش‌ها: در اين مطالعه 108 پروفيل خاك در سطحي حدود 60000 هكتار از اراضي شهرستان هيرمند حفر گرديد. 16متغير محيطي شامل خصوصيات زمين، شاخص شوري و شاخص پوشش گياهي به عنوان تخمين‌گر براي تهيه نقشه خاك، مورد استفاده قرار گرفته شدند. پس از تعيين گروه‌هاي بزرگ و زيرگروه‌هاي خاك، نقشه كلاس‌‌ها‌‌‌ي خاك با استفاده از روش درختان تصميم گيري تصادفي (RF) تهيه شد. شايان ذكر است كه 80 درصد داده در آموزش مدل و 20 درصد براي اعتبارسنجي مستقل استفاده شدند يافته‌ها: نتايج مطالعات خاكشناسي نشان داده كه خاك‌هاي تشكيل شده در دشت سيستان تكامل زيادي نداشتند و عمدتا در رده‌هاي انتي‌سول و اريدي‌سول قرار دارند. بيش‌ترين تعداد خاكرخ در گروه‌هاي بزرگ مربوط به Torrifluvents، و بيش‌ترين تعداد خاكرخ در زيرگروه‌هاي بزرگ مربوط به Typic Torrifluvents بود. همچنين نتايج روش RF نشان داد كه كمترين مقدار خطاي تخمين نمونه‌هاي خارج از سبد در گروه‌هاي بزرگ و زيرگروه‌هاي خاك به ترتيب53/43 و 59/50 بود. نتايج اعتبار سنجي مستقل نشان داد كه بهترين دقت بدست آمده براي گروه‌هاي بزرگ و زيرگروه‌هاي بزرگ خاك به ترتيب 48 و 53 درصد بود. بين متغيرهاي مختلف محيطي عمق شيارها، شاخص همگرايي، شبكه كانال‌ها و شوري در گروه‌هاي بزرگ خاك و عمق شيارها، ارتفاع و سطح حوزه در زيرگروه‌هاي خاك داراي بيشترين اهميت در تخمين كلاس‌هاي خاك بودند. نتيجه‌گيري: نتايج نشان داد كه در مناطق خشك با پستي و بلندي كم خاك‌ها عمدتا جوان هستند و همچنين در اين مناطق تنوع خاك كم است. در چنين مناطقي روش نقشه‌برداري رقومي و تكنيك درختان تصميم گيري تصادفي مي‌تواند براي پيش‌بيني كلاس‌هاي خاك و تهيه نقشه‌هاي خاك بسيار مفيد بوده و مورد استفاده قرار گيرد.

Background and Objectives: Soil survey and mapping are base of soil information for environmental modeling as a way to determine soil distribution patterns, describe and display it to understood and interpreted for different users. Digital soil mapping creates link between classes or soil characteristics and environmental factors affected soil formation and development by using mathematical models which can provide more precise and accurate soil maps and reducing costs of soil survey and mapping projects. This study was done to mapping soil great groups and subgroups by using Random Forest technique in the Hirmand county lands in Sistan plain. Materials and Methods: In this study 108 soil profiles were dug on about 60.000 hectares of Hirmand county lands. Sixteen environmental variables were used as estimators for soil mapping including land properties, salinity and vegetation index. After classification of soil profiles to great groups and subgroups, soil classes map produced by using random forest (RF) method. It should be mentioned 80 percent of data was used for model training and 20 percent for independent validation. Results: Pedological studies showed soils of Sistan plain haven’t high development and most of them are Entisols and Aridisols. Most soil profiles classified as Torrifluvents on great groups level and Typic Torrifluvents as a subgroup. Also the result of RF showed the lowest out of bag error (OOB) samples in soil great groups and subgroups were 43.53 and 50.59 respectively. Independent validation results showed the best accuracy obtained for soil great groups and subgroups were 48 and 53 percent respectively. Valley depth, convergence index, channel network between and salinity in soil great groups and valley depth, elevation and catchment area in soil subgroups were the most important environmental variables to estimate soil classes. Conclusion: The results showed most soils are young in the low relief lands in arid regions and these regions have also low soil diversity. Soil digital mapping and random forest technique could be useful for soil classes prediction and soil mapping in this kind of regions.