فریده عباس زاده افشار

نقشه توزیع مکانی کلاس‎های خاک برای استفاده مناسب از خاک و تصمیم‎گیری‏های مدیریتی مهم است. نقشه‏برداری رقومی خاک می‏‎تواند توزیع مکانی کلاس‎های خاک را به صورت کمّی پیش‎بینی ‎کند. ماشین یادگیری یک اصطلاح کلی برای مجموعه گسترده‎ای از مدل ها برای کشف الگوهای موجود در داده‎ها و پیش بینی متغیرهای مورد مطالعه است. این مطالعه با هدف مقایسه سه مدل رگرسیون لجستیک چندجمله‎ای (MLR)، رگرسیون درختی توسعه‎یافته (BRT)، درخت تصمیم (DT) و کارایی آن‏ها در پیش‎بینی گروه بزرگ‎های خاک در منطقه بم استان کرمان طراحی گردید. یک الگوی نمونه‎برداری طبقه‎بندی شده تصادفی در منطقه‎ای به مساحت صد هزار هکتار تعریف شد و در نهایت، 126 خاکرخ حفر و بر اساس سیستم رده بندی آمریکایی (2010) تشریح و طبقه‏بندی گردید. نتایج حاصل از مدلسازی نشان داد که نقشه سطوح ژئومرفولوژی، یک ابزار مهم در روش های نقشه‎برداری رقومی خاک است که به افزایش دقت پیش بینی کمک می کند. پس از سطوح ژئومرفیک، اجزای سرزمین و شاخص های سنجش از دور به‏عنوان پارامترهای کمکی مؤثر شناخته شدند. شاخص‏های ارزیابی مدل ها ازجمله صحت کلی، شاخص کاپا و درجه برایر به ترتیب برای مدل MLR، 71/0، 65/0، 57/0، مدل BRT، 85/0، 81/0، 45/0 و مدل DT، 86/0، 84/0 و 48/0 محاسبه شد. نتایج مقایسه دقت ارزیابی مدل‏ها نشان داد که بهترین پیش‎بینی مربوط به مدل درخت تصمیم بود. این نتایج نشان می‎دهد که ساختار درختی ایجاد شده بین متغیر هدف و متغیرهای انتخاب ‎شده در مدل باعث افزایش دقت این مدل‏ نسبت به مدل‏های رگرسیونی شده است. نتایج کلی نشان داد که نقشه برداری رقومی خاک، می‎تواند به عنوان یک روش ارزیابی منابع خاک استفاده شود. علاوه بر این، قابلیت اطمینان نقشه‎های برآوردشده می‎تواند شروع یک بحث جدید بین متخصصان منابع زمین و خاکشناسان باشد. این اطلاعات همچنین می‎تواند برای تکمیل مجموعه داده‎های موجود در کشور نیز استفاده شوند.