پهنه بندي رقومي واحدهاي خاك با استفاده از مدل درختان تصميم گيري تصادفي در استان گلستان

Digital soil mapping using Random Forest model in Golestan province

نقشه هاي خاك از منابع عمده اطلاعات براي مديريت اراضي، منابع طبيعي و محيط زيست هستند . استفاده از روش هاي نقشه برداري رقومي باعث كاهش هزينه و صرفه جويي در زمان در مطالعات براي تعيين (cLHS) شناسايي خاك مي گردد. در اين مطالعه روش نمونه برداري مكعب لاتين مشروط براي تخمين نقشه زير گروه هاي (RF) محل نقاط نمونه برداري و تكنيك درختان تصميم گيري تصادفي خاك در سطحي حدود 85000 هكتار از اراضي استان گلستان ارزيابي شدند. 12 متغير محيطي شامل خصوصيات زمين، واحدهاي ژيومورفولوژي و شاخص پوشش گياهي به عنوان تخمين گر مورد استفاده قرار گرفته شدند . نتايج نشان داد كه تعداد كلاس هاي خاك موجود در سطح زيرگروه هاي بزرگ خاك در مح دوده مورد مطالعه 11 كلاس بودند . كم ترين مقدار خطاي تخمين نمونه هاي اعتبارسنجي در 52 به دست آمد. نتايج نشان داد كه كلاس هايي كه نمونه بيش تري داشتند خطاي كم تري / مدل سازي 53 داشتند. كلاس هاي جيپسيك آكويي ساليدز با 22 ، آكوييك كلسي زرپتز با 9 و تيپيك هاپلوزرپ تز با 22 25 و 37 درصد بودند. كلاس هاي جيپسيك هاپلوزرپتز با ، نقطه مشاهداتي به ترتيب داراي خطاي 22 6، تيپيك آكويي ساليدز با 5، تيپيك كلسي زرپتز و تيپيك كلسي زرولز با 4 و تيپيك هالوآكويپتز با نقطه مشاهداتي داراي خطاي 100 درصد بودند . بين متغيرهاي مختلف شاخص پوشش گياهي ، ژيومورفولوژي، ارتفاع و جهت شيب به ترتيب داراي بيش ترين اهميت در تخمين كلاس بودند . نتايج مي تواند يك روش قابل اعتماد و با دقت مناسب باشد كه با تعداد نمونه كم RF نشان داد كه روش تخمين قابل قبول ارايه مي دهد.

Soil maps are the major sources for management of lands, natural resources and environmental aspects. Digital soil mapping methods can decrease the cost of mapping and are not time-consuming. Conditioned Latin Hypercube Sampling for determining the sites of sampling and Random Forest to predict soil sub group classes were evaluated at an area of 85000 ha in Golestan province. 12 environmental variables including terrain attribute, geomorphology units and vegetation cover index were used as predictor parameters. There were 11 sub group classes in the soils of study area. The results revealed that the lowest OOB estimate error rate in modeling was 52.53%. The soil classes with higher frequency had lower OOB error. Gypsic Aquisalids with 22 samples and Aquic Calcixerepts with 9 and Typic Haploxerepts with 22 samples had the OOB error rates 22, 25 and 37%, respectively. Gypsic Haploxerepts (6 samples), Typic Aquisalids (5 samples), Typic Calcixerepts (4 samples), Typic Calcixerolls (4 samples) and Typic Halaquepts (3 samples) had OOB error rate of 100%. SAVI, geomorphology, elevation and aspect were the most importance parameters in prediction of soil map and increasing model accuracy. Results indicate that RF technique can be a reliable and appropriate method to give satisfactory results with small samples.