فهرست نشریات علمی دسترسی آزاد ایران

نقشه­برداری رقومی از روش­های نوینی است که از الگوریتم­های یادگیری ماشین و متغیرهای محیطی پیروی کرده و به دلیل صرفه­جویی در زمان و هزینه انجام مطالعه برای پهنه‌بندی خصوصیات و کلاس‌های خاک در سطوح مختلف طبقه بندی کاربرد گسترده­ای در سطح جهانی دارد. این پژوهش باهدف مقایسه کارایی مدل‌های یادگیری ماشین در پیش‌بینی مکانی زیرگروه­های خاک در بخشی از اراضی استان زنجان انجام شد. برای این منظور، بر اساس الگوی طبقه‌بندی تصادفی با میانگین فاصله 500 متر، 148 خاک­رخ حفر و تشریح گردید و مطابق با سامانه جامع رده­بندی خاک به روش آمریکایی طبقه­بندی شد. خاک­ها در سطح زیرگروه در پنج کلاس­ تیپیک کلسی­زرپتز، تیپیک هاپلوزرپتز، جیپسیک هاپلوزرپتز، تیپیک زراورتنتز و لیتیک زراورتنتز طبقه‌بندی شد. متغیرهای محیطی شامل نقشه­های ژئومورفولوژی، زمین­شناسی، توپوگرافی و داده­های حاصل از تصاویر سنجش‌ازدور بود. 57 متغیر محیطی به‌عنوان نمایندگان عوامل خاک­سازی استخراج گردید و با استفاده از روش تحلیل مؤلفه اصلی و نظر کارشناسان، مؤثرترین متغیرهای محیطی انتخاب شد. مدل‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌سازی خاک - زمین­نما با استفاده از الگوریتم­های جنگل تصادفی، درخت تصمیم توسعه‌یافته و رگرسیون لجستیک چندجمله‌ای در محیط نرم­افزار Rstudio انجام شد.  صحت کلی و ضریب کاپا برای ارزیابی کلاس­های خاک در سطح زیرگروه به ترتیب در مدل رگرسیون لجستیک چندجمله­ای 65% و 0/41%، در مدل جنگل تصادفی 65% و 0/32 و در مدل درخت تصمیم توسعه‌یافته 60% و 0/35 به دست آمد. صحت کاربر و صحت تولیدکننده نشان داد که مدل رگرسیون لجستیک چندجمله­ای برآورد قابل قبولی در پیش‌بینی مکانی زیرگروه­های خاک ارائه می­دهد. متغیرهای عمق دره، فاصله تا شبکه آبراهه، شاخص همواری بالای پشته با درجه تفکیک بالا و شاخص طول در جهت شیب دارای بیش‌ترین اهمیت در مدل رگرسیون لجستیک چندجمله­ای بود. کلاس­های خاک با فراوانی بیشتر صحت بالاتری داشت. که نشان می­دهد رابطه مستقیمی بین فراوانی کلاس­های خاک در داده­های آموزشی با صحت نتایج پیش­بینی کلاس­های خاک برقرار است.