تركيب فاصله تاكسونوميكي خاك ها و درخت تصميم براي پيش بيني مكاني كلاس هاي خاك در اردكان

Incorporating soil taxonomic distance and decision tree for spatial prediction of soil classes in Ardakan, Yazd

نقشه برداري رقومي با مطالعه پروفيل هاي خاك و طبقه بندي كردن آن ها شروع مي شود. مسيله اصلي در اين روش ارتباط دادن كلاس-هاي خاك با تعدادي متغيرهاي كمكي است. روش هاي كنوني نقشه برداري، كلاس هاي خاك را تنها به عنوان هايي مستقل در نظر گرفته و در نهايت سعي در حداقل كردن خطاي طبقه بندي دارند. اين در حالي است كه خاك در سطوح تاكسونوميكي داراي روابطي است. با استفاده از درخت تصميم مي توانيم الگوريتمي را تعريف كنيم كه فواصل تاكسونوميكي را به جاي خطاي طبقه بندي حداقل كند. اين پژوهش، براي پيش بيني مكاني كلاس خاك در منطقه اي به وسعت 720 كيلومتر مربع در اردكان از درخت تصميم استفاده شد. نخست، بر اساس روش مربع لاتين، مكان جغرافيايي 187 پروفيل خاك مشخص، تشريح، و نمونه برداري گرديد و بر اساس سيستم آمريكايي طبقه بندي شد. متغيرهاي محيطي يا نمايندگان عوامل خاك سازي كه در اين پژوهش استفاده شد شامل اجزا سرزمين، داده هاي تصوير ETM+ ماهواره لندست و نقشه سطوح ژيومورفولوژي است. براي محاسبه فواصل تاكسونوميكي از آناليز تشخيصي استفاده شد. نتايج نشان داد كه استفاده از فواصل تاكسونوميكي منجر به دقت كلي مدل به ميزان 70% شده است. همچنين، نتايج نشان داد كه براي پيش بيني كلاس خاك متغيرهاي شاخص خيسي، سطوح ژيومورفولوژي و شاخص صافي قسمت مياني دره با درجه تفكيك بالا با اهميت ترين هستند. در كل نتايج نشان داد كه مدل هاي درختي به همراه فواصل تاكسونوميكي داراي دقت قابل قبولي است. بنابراين پيشنهاد مي شود در مطالعات آينده جهت تهيه نقشه رقومي خاك از مدل هاي درختي به همراه فواصل تاكسونوميك استفاده شود.

Mapping soil classes digitally generally starts with soil profile description with observed soil classes at a taxonomic level in a particular classification system. At each soil observation location there is a set of co-located environmental variables and a challenge is to correlate soil classes with environmental variables. The current methodology treats soil classes as ‘labels’ and their prediction only considers the minimization of the misclassification error. Soil classes at any taxonomic level have taxonomic relationships between each others. Using classification trees, we can specify an algorithm that minimises the taxonomic distance rather than misclassification error. Therefore, in this research, we have attempted to develop decision tree model for spatial prediction of soil taxonomic classes in an area covering 720 km2 located in arid region of central Iran. In this area, using the conditioned Latin hypercube sampling method, location of 187 soil profiles were selected, which then described, sampled, analyzed and allocated in taxonomic classes according to soil taxonomy of America. Auxiliary data used in this study to represent predictive soil forming factors were terrain attributes, Landsat 7 ETM+ data and a geomorphologic surfaces map. Discriminant analysis was applied to calculate taxonomic distances. Results showed using the taxonomic distances led to achieve overall accuracy up to 70%. Results also showed some auxiliary variables had more influence on predictive soil class model which included: wetness index, geomorphology map and multi-resolution index of valley bottom flatness. General results showed that incorporating taxonomic distance into decision tree model had reliable accuracy. Therefore, it is suggested using of decision tree model with taxonomic distance for spatial prediction of soil classes in the future studies.