مقايسه روش‌هاي شبكه عصبي مصنوعي و درخت تصميم در تهيه نقشه رقومي خاك در منطقه اردكان

Comparison of Artificial Neural Network and Decision Tree Methods for Mapping Soil Units in Ardakan Region

در پاسخ به تقاضاي اطلاعات مكاني خاك، به‌كاربردن داده‌هاي كمكي رقومي و ارتباط آن‌ها با داده‌هاي مشاهداتي صحرايي در حال افزايش است. استفاده از اطلاعات رقومي از طريق روش‌هاي كامپيوتري، كه اصطلاحاً نقشه‌برداري رقومي خاك خوانده مي‌شود، قابل اعتمادتر و كم‌هزينه‌تر از روش‌هاي سنّتي نقشه‌برداري خاك است. بنابراين، در پژوهش حاضر از مدل‌هاي درخت تصميم و شبكه عصبي مصنوعي براي پيش‌بيني مكاني كلاس‌هاي تاكسونوميك خاك در منطقه‌اي خشك، به وسعت 720 كيلومتر مربع در اردكان، استفاده شد. عمليات نقشه‌برداري در آنجا بسيار سخت است. در اين منطقه بر اساس روش مربع لاتين مكان جغرافيايي 187 پروفيل خاك مشخص و سپس تشريح و نمونه‌برداري شدند و طبقه‌بندي بر اساس سيستم امريكايي انجام گرفت. متغيرهاي محيطي يا نمايندگان فاكتورهاي خاك‌سازي، كه در اين پژوهش استفاده شد، شامل اجزاي سرزمين، داده‌هاي تصوير ETM+ ماهواره لندست، و نقشه سطوح ژيومورفولوژي است. نتايج اين تحقيق نشان داد، براي پيش‌بيني كلاس خاك، مدل درخت تصميم نسبت به شبكه عصبي مصنوعي حدود هفت درصد دقيق‌تر است. مدل درختي و شبكه عصبي مصنوعي به‌ترتيب دقت كلي و ضريب تبيين و ضريب كاپاي 48 درصد، 52 درصد، 34/0 و 46/0 و 13/0 و 25/0 دارند. نتايج نشان داد براي پيش‌بيني كلاس خاكْ شاخص خيسي، سطوح ژيومورفولوژي، و شاخص همواري دره با درجه تفكيك بالا مهم‌ترين‌ پارامترها هستند. مدل‌هاي درختي نسبت به روش شبكه عصبي مصنوعي دقت بالاتري دارند و همچنين تفسير نتايج مدل درختي بسيار راحت‌تر است. لذا پيشنهاد مي‌شود در مطالعات آينده براي تهيه نقشه رقومي خاك از مدل‌هاي درختي استفاده شود.

In response to the demand for soil spatial information, the acquisition of digital auxiliary data and their matching with field soil observations is on the increase. With the harmonization of these data sets, through computer based methods, the so-called Digital soil Maps are increasingly being found to be as reliable as the traditional soil mapping practices, and with no prohibitive costs. Therefore, in the present research, it has been attempted to Develop Decision Tree (DTA) and Artificial Neural Network (ANN) models for spatial prediction of soil taxonomic classes in an area covering about 720 km2 located in an arid region of central Iran where traditional soil survey methods are very difficult to undertake. Within this using the conditioned Latin hypercube sampling method, location of 187 soil profiles were spotted and 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. Results revealed that DTA benefited from a the higher accuracy than ANN for about 7% as regarded the prediction of soil classes. A determination of coefficient (R2), overall accuracy and, Kappa coefficient calculated for the two models were recorded as 0.34, 0.46, 48%, 52%, and 0.13 vs. 0.25, respectively. The results revealed some auxiliary variables as having more influence on the predictive soil class model. Wetness index, geomorphology map and multi-resolution index of valley bottom flatness could be named as some of these variables. In general, results showed that decision tree models benefited from a higher accuracy than ANN ones, with results as more convenient for interpretation. Therefore, use of decision tree models for spatial prediction of soil properties (category and continuous soil data) is recommended in the future studies.