فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: نقشه‌برداری رقومی خاک با استفاده از روش‌های نوین یادگیری ماشین به‌طور گسترده‌ای برای پیش‌بینی پراکندگی مکانی و ویژگی‌های مختلف خاک به کار گرفته می‌شود، بااین‌وجود یکی از محدودیت‌های استفاده از روش‌های نقشه‌برداری رقومی خاک در مطالعات خاکشناسی، عدم تعادل کلاس‌های خاک است که تأثیر منفی بر عملکرد الگوریتم‌های یادگیری ماشین دارد؛ بنابراین این پژوهش برای رفع این چالش و بهبود طبقه‌بندی کلاس‌های نامتعادل خاک با دو رویکرد نمونه‌گیری مجدد و یادگیری حساس به هزینه و استفاده از مدل پیش‌بینی جنگل تصادفی در استان زنجان انجام‌گرفته است.مواد و روش‌ها: تعداد 148 خاک‌رخ مشاهداتی بر اساس الگوی طبقه‌بندی تصادفی با فاصله 500 متر حفر و پس از انتقال به آزمایشگاه تجزیه‌های مختلف فیزیکی و شیمیایی مطابق با روش‌های استاندارد بر روی آن‌ها انجام گرفت. متغیرهای محیطی شامل اطلاعات نقشه-های ژئومورفولوژی و زمین‌شناسی، مدل رقومی ارتفاع و داده‌های حاصل از تصاویر ماهواره‌ای لندست 8 بودند که بر اساس نظر کارشناسی و رویکرد تحلیل مؤلفه اصلی تعدادی از متغیرهای محیطی شامل اطلاعات نقشه‌های ژئومورفولوژی، اطلاعات زمین‌شناسی و ویژگی‌های مستخرج از مدل رقومی ارتفاع به‌عنوان مؤثرترین متغیرهای محیطی برای پیش‌بینی کلاس‌های خاک و به‌عنوان ورودی مدل انتخاب شدند. سایه‌اندازی تپه‌ها (AHS)، طلوع خورشید، عمق دره، شاخص طول در جهت شیب، فاصله تا شبکه آبراهه (CND)، شاخص رطوبتی توپوگرافی (TWI) و شاخص همواری بالای پشته با درجه تفکیک بالا (MRRTF) به‌عنوان مؤثرترین متغیرهای محیطی انتخاب شدند و بیشترین میزان تغییرپذیری مکانی خاک‌ها در منطقه را مدل‌سازی کردند. مدل‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌سازی رابطه خاک - زمین‌نما با استفاده از الگوریتم جنگل تصادفی و اصلاح داده‌های نامتعادل توسط رویکرد نمونه‌گیری مجدد با استفاده از توابع ubOver و ubUnder و همچنین رویکرد یادگیری حساس به هزینه با استفاده از تابع rf در بسته Random Forest در محیط برنامه‌نویسی Rstudio انجام شد.نتایج و بحث: نتایج این پژوهش حاکی از این بود که خاک‌های منطقه در سطح زیرگروه در پنج کلاس با توزیع نامتعادل شامل تیپیک کلسی‌زرپتز، تیپیک هاپلوزرپتز، جیپسیک هاپلوزرپتز، تیپیک زراورتنتز و لیتیک زراورتنتز طبقه‌بندی شدند. بر این اساس مقادیر آماره‌های صحت کلی و ضریب کاپا برای ارزیابی نقشه خاک با داده‌های نامتعادل به ترتیب برابر 65 درصد و 32/0 بوده و پس از متعادل‌سازی داده‌ها در رویکرد نمونه‌گیری مجدد به ترتیب برابر 71 درصد و 54/0 و در رویکرد یادگیری حساس به هزینه به ترتیب برابر 86 درصد و 77/0 به دست آمد. زیرگروه‌های جیپسیک هاپلوزرپتز و لیتیک زراورتنز که جزء کلاس‌های اقلیت محسوب می‌شدند، هنگام استفاده از کلاس‌های نامتعادل پیش‌بینی‌نشده و حذف‌شده بودند اما پس از بهبود داده‌‌ها و بیش‌افزایی با دو رویکرد نمونه‌گیری مجدد و یادگیری حساس به هزینه به تعداد این دو کلاس اقلیت، پیش‌بینی این زیرگروه‌ها با صحت قابل قبولی افزایش نشان داد.نتیجه‌گیری: نتایج ارزیابی مدل‌ها نشان داد که در مدل‌سازی با استفاده از توزیع نامتعادل کلاس‌های خاک، به دلیل از دست رفتن کلاس‌های با تعداد مشاهده کم، نقشه‌های نامطمئن با دقت نسبتاً ضعیفی ایجاد می‌شود که پس از اعمال متعادل‌سازی داده‌ها، دقت مدل‌های مبتنی بر روابط خاک - زمین‌نما در مطالعات نقشه‌برداری رقومی خاک ارتقا می‌یابد. نتایج نشان داد که رویکرد یادگیری حساس به هزینه با تمرکز بر روی کلاس‌های با تکرار کم، می‌تواند به‌عنوان یک مدل برتر در مناطق دیگر نیز مورداستفاده قرار گیرد. با توجه به اینکه تحقیقات درزمینه داده‌های نامتعادل در خاک محدود است، این مطالعه می‌تواند یک راه‌حل مؤثر برای مقابله با داده‌های نامتعادل در کلاس‌های خاک و تولید نقشه‌های رقومی خاک با دقت بالا باشد.