فهرست نشریات علمی دسترسی آزاد ایران

پژوهش حاضر باهدف مدل‌سازی رقومی ضخامت خاک سطحی با استفاده از مدل‌های یادگیری ماشین جنگل تصادفی (RF) و شبکه عصبی مصنوعی (ANN) در حدود 60000 هکتار از اراضی دشت قزوین ( حد واسط آبیک و نظرآباد) با تراکم مشاهداتی 278 پروفیل در بازه زمانی 1395-1399 و تعداد 17 متغیر محیطی مستخرج از تصاویر ماهواره لندست8، مشتقات اولیه و ثانویه مدل رقومی ارتفاع، داده‌های اقلیمی، نقشه کاربری اراضی و زمین‌شناسی اجرا گردید. برای انتخاب متغیرهای کمکی از الگوریتم نظارت‌شده باروتا (Boruta) به همراه نظر کارشناس استفاده شد. از دو تابع "nnet" و "random forest" و بسته "caret" در محیط نرم‌افزار R برای مدل‌سازی بر اساس 80 درصد داده‌ها در مرحله واسنجی و 20 درصد برای اعتبارسنجی استفاده شد و عدم قطعیت نقشه‌های نهایی با دو روش بوتسراپت (bootstrapping) و کا-مرتبه (k-fold) کمی سازی گردید. نتایج بیانگر انتخاب 10 متغیر کمکی از میان 17 متغیر بود و متغیرهای شاخص سبزینگی، تأثیر باد، تابش پخشیده و شاخص همواری دره باقدرت تفکیک بالا(Mrvbf) به‌عنوان مهم‌ترین متغیرهای کمکی مشخص گردیدند. نتایج اعتبارسنجی مدل RF بیانگر ضریب تبیین (R2) 8/0 و ریشه میانگین مربعات خطای (RMSE) کمتر از 3 سانتی‌متر و اریبی (Bias) 63/0 سانتی‌متر است. در مدل شبکه عصبی مقادیرR2 ، RMSE  و Bias به ترتیب برابر43/0، 05/0 سانتی‌متر و 004/0 سانتی‌متر حاصل گردید، همچنین ضریب همبستگی توافق (CCC) برای مدل RF در مقایسه با ANN به میزان 50 درصد افزایش نشان می‌دهد، عدم قطعیت برآورد شده توسط روش bootstrapping در مقایسه با k-fold به در مناطق با ضخامت 10 تا15 سانتی به میزان 7 سانتی متر بیشتر است و در بخش زیادی از منطقه میزان پایین و دارای الگوی مکانی یکسانی می‌باشند. مدل جنگل تصادفی به همراه متغیرهای محیطی انتخاب‌شده و عدم قطعیت‌های کمی شده نقشه‌های خروجی می‌توانند برای مدل‌سازی ضخامت خاک سطحی در نواحی مشابه با این پژوهش در مطالعات آتی استفاده گردد.