بازشناخت الگوي پراكنش كلاس هاي خاك در يك زمين نماي نيمه خشك در ايران باختري با كاربرد نگرش دانش بنياد فازي

Pattern recognition of soil classes across a semi-arid landscape of western Iran using knowledge-based fuzzy approach

سابقه و هدف: مدل كردن تغييرپذيري خاك در كاربري پايدار اين منبع طبيعي اهميت بنيادين دارد. مدل هاي ناپيوسته كه از ديرباز به كار رفته اند تغييرات خاك را به اندازه نياز در كشاورزي نوين تشريح نكرده و منجر به بروز كاستي هاي بنيادين در توان پيش بيني مكاني نقشه هاي خاك مي شوند. كاربرد فزاينده الگوريتم هاي آماري كه ابزار «رايان آموختي» ناميده مي شوند در توليد و بهبود نقشه هاي خاك به شكل رقومي از راه هاي رويارويي با اين مشكل است. مدل SoLIM از جمله اين روش هاست كه نگرش دانش بنياد فازي را براي درك روابط خاك-سرزمين و پيش بيني پراكنش خاك به طور پيوسته به كار مي گيرد. در اين پژوهش توان مدل SoLIM در پيش بيني الگوي پراكنش خاك در بخشي از دشت ميان دربند استان كرمانشاه به مساحت 2300 هكتار آزموده شد. مواد و روش ها: نقشه هاي تندي و راستاي شيب، خميدگي نيمرخي و تراز، و نمايه خيسي از مدل رقومي ارتفاع با دقت 10متر محاسبه و به همراه نقشه مواد مادري خاك ها به عنوان موثرترين متغيرهاي محيطي همراه (متغيرهاي همراه) موثر در تمايز خاك هاي منطقه در مدل به كار رفت. بر پايه تحليل زمين ريخت شناختي، 26 پدان جايابي، تشريح و بر اساس (Soil Taxonomy (ST و WRB به ترتيب در هفت زيرگروه و شانزده گروه مرجع خاك رده بندي شد. براي آموزش الگوريتم در بازشناخت روابط ميان متغيرهاي همراه و خاك هاي رده بندي شده در هر يك از دو سيستم، قواعد لازم در محيط SoLIM تعريف شد. پس از استنتاج، براي هر يك از زيرگروه ها و RGS ها يك نقشه فازي ساخته شد و با آميختن خروجي هاي فازي، نقشه نافازي الگوي پراكنش خاك منطقه براي هر يك از دو سيستم رده بندي توليد گرديد. يافته ها: نتايج نشان از توان خوب ياد گيري الگوريتم داشت، اما خروجي ها براي دو سيستم رده بندي متفاوت بود. براي زيرگروه هاي ST نقشه يكپارچه تري از WRB به دست آمد كه بازتابي از ساختار درختي آن بود. يكپارچگي كمتر نقشه WRB نشاني از توان پيش بيني مكاني بهتر تفسير شد كه پي آمد ساختار دو سطحي و منعطف تر آن بود. براي ارزيابي عملكرد مدل، نتايج 26 پدان در آرايشي متشكل از چهار ترانسكت و 5 نقطه با پراكنش هدفمند و به گونه اي كه بر پايه دانش به دست آمده، بيشترين تغييرپذيري خاك را در منطقه دربر مي گرفت با پيش بيني هاي الگوريتم فازي مقايسه گرديد. بر پايه دو معيار «صحت عمومي نقشه» و «نمايه سازگاري كاپا» پيش بيني SoLIM در سطح زيرگروه هاي ST به ترتيب تا 78 و 64 درست بود. همين معيارها براي گروه هاي مرجع WRB 67 و 62 درصد محاسبه گرديد. ميزان درستي پيش بيني ها در الگوي ترانسكت براي ST و WRB به ترتيب 78/3 و 65/2، اما براي نقاط تصادفي تصادفي در هر دو سيستم رده بندي خاك 75درصد بود. بر پايه نتايج، توانايي SoLIM در برآورد الگوي پراكنش خاك ها در منطقه، پذيرفتني بود. در سطوح پايين رده بندي به ويژه ST با ساختار درختي، مدل از توان مناسبي براي جداسازي خاك هاي مختلف برخوردار نبود به طوري كه استنتاج در سطح خانواده به نتايج ضعيفي به دست داد. نتيجه گيري: بي گمان افزايش شمار مشاهدات در هر دو گروه روش هاي سنتي و نوين مهم ترين عامل در افزايش توانايي پيش بيني نقشه است. اما چنين راهكاري با ديدگاه اقتصادي نقشه برداري رقومي هماهنگي ندارد. به نظر مي رسد با كاربست راهبردهاي ديگري چون بازشناخت دقيق تر موثرترين متغيرهاي همراه، افزايش حساسيت الگوريتم ها، و طراحي نمونه گيري بهتر براي دستيابي به شمار و پراكنش بهينه مشاهدات در منطقه، بتوان به نتايج بهتري رسيد.

Background and objectives: Modeling soil variation plays an essential role in sustainable management of the resource. However، discontinuous models used for decades، do not describe soil variation enough as that required in modern agriculture، since lead to basic shortcomings in spatial predictability value of maps. To conquer the problem، new statistical algorithms known as “machine learning” tools are increasingly used to construct and improve soil maps، digitally. As a means of machine learning، SoLIM employs knowledge-based fuzzy approach to realize soil-landscape relations and predict soil pattern in a continuous way. In this work، SoLIM used to predict soil distribution pattern in a 2300 ha area of Miandarband region of Kermanshah province. Materials and methods: Maps of slope gradient and aspect، planform and profile curvature، and wetness index derived from a 10m-resolution digital elevation model (DEM)، and along with geological map used in the study as most effective environmental covariates of soil diversity over the area. Based on physiographic analysis، 26 pedons were described and classified in 7 subgroups of Soil Taxonomy (ST) and 16 RSGs of WRB at second-level، respectively. To train the algorithm to recognize relations between covariates and classified soils in both systems، required fuzzy rules defined in SoLIM environment. Following inference، a fuzzy distribution map for each subgroup and RSG constructed. After combining the fuzzy outputs، a non-fuzzy map of predicted soil distribution pattern over the study area obtained for each classification system. Results: Though results confirmed good learning ability of the algorithm، outputs where different for two the classification systems. As a reflection of its hierarchical structure، map of ST great groups was more contiguous than that of WRB. However، patchy appearance of WRB map interpreted as a sign of better spatial predictability، because of its more flexible two-leveled structure. Thus، probably WRB-based inference leads to more realistic predictions. This indicates how the results are affected by logical structure of soil classification system. To evaluate model performance، results of 25 more pedons aligned in 4 transects and 5 purposive points so that capture most soil variability over the study area، compared to SoLIM predictions. Based on overall map accuracy (OA) and Kappa agreement index (K)، SoLIM predictions at ST subgroup level، were correct by 78 and 64 percent، respectively. Same values for WRB were 67 and 62. Inference at family level led to poor results. However، considering transects، correct predictions were 78.3 and 65.2 percent for ST and WRB، but for the random points was 75 for both. Results confirmed good predictions by SoLIM in the study area. At lower categories of ST with hierarchical structure، the model showed a poor ability to identify various soils. Conclusion: No doubt، increasing sample points is the most effective factor on improving predictability of maps either in traditional or modern soil mapping techniques. However، such viewpoint seems unfeasible and not conforms to economic considerations of DSM. Probably، adopting some other strategies such as identifying most effective environmental covariates، increasing algorithms sensitivity، and better sampling designs to obtain optimal number and distribution of observations over the study area.