فهرست نشریات علمی دسترسی آزاد ایران

بافت خاک یکی از مهمترین ویژگی­هایی است که رفتار فیزیکی، شیمیایی و بیولوژکی خاک را کنترل می­کند. روش­های مختلفی برای مدل­سازی بافت خاک استفاده می­شوند. یکی از راهکارهای سود بردن از مزایای این مدل­ها ترکیب تخمین آنها است. با توجه به این که بافت خاک یک داده مرکب است، وقتی اجزاء آن جداگانه تخمین زده می­شوند تضمینی برای اینکه جمع سه جزء برابر 100 شود وجود ندارد، هرچند می­توان از تبدیل­های نسبت لگاریتمی (log-ratio) استفاده کرد. اطلاعات کمی در خصوص کارآیی مدل­های ترکیبی در مدل­سازی داده­های تبدیل­شده و نشده بافت خاک وجود دارد و به نظر می­رسد بر اساس این رویکرد تا کنون مطالعه­ای روی بافت خاک انجام نشده است. در این بررسی، تعداد 200 نمونه خاک­های سطحی از  منطقه کوهدشت برداشت شد. سه مدل جنگل تصادفی (RF)، k نزدیکترین همسایه (kNN) و ماشین­های بردار پشتیبان (SVM) و مدل حاصل از ترکیب آن­ها به روش Granger-Ramanathan (GR) برای مدل­سازی، روش­های نسبت لگاریتمی جمع­پذیر (alr)، نسبت لگاریتمی مرکزی  (clr) و نسبت لگاریتمی ایزومتریک (ilr) برای تبدیل داده­ها و داده­های حاصل از مدل رقومی ارتفاع (DEM) و تصاویر لندست 8 و سنتینل 2 به عنوان ورودی مدل­ها استفاده شد. نتایج نشان داد که متغیرهای استخراج­شده از DEM اهمیت بیشتری در پیش­بینی بافت خاک داشت. به­طور کلی، هر چهار مدل با استفاده از تبدیل­ alr منجر به تخمین­های بهتری نسبت به تبدیل­های clr و ilr و داده­های تبدیل­نشده (UT) گردید. مدل ترکیبی(GR) با مقادیر RMSE برابر با 5/07، 4/21، 5/81 و 6/09 درصد برای رس، مقادیر 7/11، 5/15، 9/04 و 6/70 درصد برای سیلت و 9/20، 7/76، 11/69 و 8/74 درصد برای شن به ترتیب برای داده­های UT و تبدیل­های alr، clr و ilr منجر به بهبود تخمین­ها نگردید. به­طور کلی، کارآیی مدل SVM با داده­های تبدیل شده به روش نسبت لگاریتمی جمع­پذیر کمی­ بیشتر از سایر مدل­ها بود. نتایج نشان داد که ترکیب چند مدل یادگیری ماشین الزاما باعث بهبود تخمین­ها نمی­گردد و می­توان از یک مدل مناسب برای برآورد بافت خاک استفاده کرد.