نقشه‌برداری رقومی کلاس‌های خاک با استفاده از انواع روش های داده کاوی در منطقه ی اردکان استان یزد

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان، یزد، ایران

2 استاد گروه خاکشناسی، دانشکده مهندسی و فناوری کشارزی، دانشگاه تهران، کرج، البرز، ایران

3 استاد گروه ماشین‌های کشاورزی، دانشکده مهندسی و فناوری کشارزی، دانشگاه تهران، کرج، البرز، ایران

4 استادیار مرکز تحقیقات کشاورزی اصفهان، اصفهان، ایران

5 استادیار مرکز ملی شوری، یزد، ایران

6 مربی مرکز ملی شوری یزد

چکیده

در طی سال‎های گذشته پیشرفت‎های گسترده‎ای در زمینه علم نقشه­برداری رقومی خاک شده است؛ به­طوری­که منجر به تولید نقشه­های رقومی خاک در سطح ملی و قاره­ای گردیده است؛ اما به ­رغم مطالعات بسیار زیادی که در سطح دنیا انجام گرفته است و یا در حال انجام شدن می­باشد، تعداد اندکی از خاک­شناسان ایرانی به علم نقشه­برداری رقومی خاک علاقه نشان داده­اند؛ لذا در تحقیق حاضر، سعی شده تا از انواع روش­های داده­کاوی  برای پیش­بینی مکانی گروه­های بزرگ خاک در اراضی به وسعت 72000 هکتار در منطقه­ی اردکان بهره گرفته شود. در این منطقه بر اساس روش مربع لاتین مکان جغرافیایی 187 پروفیل خاک مشخص شده و سپس تشریح، نمونه­برداری و بر اساس سیستم آمریکایی به شش گروه بزرگ و هشت زیرگروه طبقه­بندی شدند. متغیرهای محیطی یا نمایندگان فاکتورهای خاک­سازی که در این پژوهش استفاده شدند، شامل ویژگی های توپوگرافی  داده­های تصویر ETM+ ماهواره لندست 2002 و نقشه­های پلیگونی از جمله سطوح ژئومورفولوژی، زمین­شناسی و کاربری اراضی است. نتایج نشان داد که مدل درخت تصمیم نسبت به سایر مدل­ها دارای برتری نسبی می­باشد؛ بهطوریکه توانسته است دقت پیش­بینی گروه­های بزرگ خاک را نسبت به روش آنالیز تشخیصی (ضعیف­ترین مدل) 44% افزایش دهد. در کل نتایج تحقیق، دقت مدل­های درخت تصمیم، شبکه عصبی مصنوعی، ترکیب شبکه عصبی مصنوعی - الگوریتم ژنتیک، رگرسیون لاجیستیک چندجمله­ای و آنالیز تشخیصی را جهت پیش­بینی گروه­های بزرگ خاک با دقت کلی 70%، 65%، 65%، 55% و 47%، به ترتیب، تایید کرد. همچنین درخت تصمیم، کلاس­های زیرگروه خاک را با دقت 2/84% پیش­بینی نموده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Digital mapping of soil classes using different data mining techniques in Ardakan region, Yazd province

نویسندگان [English]

  • R. Taghizadeh-Mehrjardi 1
  • F. Sarmadian 2
  • M. Omid 3
  • N. Toomanian 4
  • M.J. Rousta 5
  • M.H. Rahimian 6
1 Assistant Professor, Faculty of Agriculture and Natural Resources, University of Ardakan, Yazd, Iran
2 Professor, Department of Soil Science, Faculty of Agricultural Engineering and Technology, University of Tehran, Karaj, Iran
3 Professor, Department of Agricultural Machinery, Faculty of Agricultural Engineering and Technology, University of Tehran, Karaj, Iran.
4 Assistant Professor, Agricultural Research Center, Isfahan, Iran
5 Assistant Professor, National Soil Salinity Center, Yazd, Yazd, Iran
6 Lecturer, National Soil Salinity Center, Yazd, Yazd, Iran
چکیده [English]

In recent years, there has been a great development in the digital soil mapping which has led to production of maps for countries and the continents. Although many studies have been conducted all over the world, few Iranian soil scientists have shown interests in digital mapping. Therefore, in the present research, different data mining techniques (i.e. regression logistic, artificial neural network, genetic algorithm, decision tree and discriminant analysis) were applied to spatial prediction of great group soils in the area covering of 72000 ha in Ardakan. In this area, by using the conditioned Latin hypercube sampling method, location of 187 soil profiles was selected, which was then described, sampled, analyzed and allocated in taxonomic classes according to soil taxonomy of America. Auxiliary data used in this study to represent predictive soil forming factors were terrain attributes, Landsat 7 ETM+ data and a geomorphologic surfaces map. Results showed that decision tree model had the highest accuracy while it could increase the accuracy of prediction up to 44% in comparison with discriminant analysis technique. Results also indicated using the taxonomic distances led to improving the overall accuracy of decision tree up to 3%. Results confirmed capability of decision tree, artificial neural networks, genetic algorithm, logistic regression, and discriminant analysis with 70%, 65%, 65%, 55%, and 47% accuracy, respectively. Moreover, results showed that decision tree model could predict soil classes in sub-great group with the overall accuracy of 84.2%.

کلیدواژه‌ها [English]

  • Decision tree
  • Discriminant Analysis
  • Logistic Regression
  • Artificial Neural Networks
  • Genetic Algorithm