بخشی از مقاله
چکیده
بررسی تغییرات مکانی خاک از نخستین اولویتهای مدیریت منابع طبیعی است. هدف از این مطالعه بررسی توانایی الگوریتم بهینه شده درخت تصمیمگیری - BDTA - 1 در آشکار ساختن الگوی پراکنش خاکها در سطح گروه بزرگ Soil Taxonomy - ST - در دشت میاندربند استان کرمانشاه بود. پس از طراحی یک الگوی سیستماتیک ساده، 78 نقطه مشاهداتی در سطح منطقه بررسی و 6 گروه بزرگ خاک شناسایی شد. 28 متغیر محیطی از مدل رقومی ارتفاع منطقه و نیز تصویر ماهوارهای OLI با تفکیک 30متر برگرفته شد . پس از آموزش الگوریتم درخت تصمیمگیری، مراحل پیشبینی و تهیه نقشه انجام گرفت.
راستی آزمایی عملکرد الگوریتم بر اساس دو سنجه صحت عمومی نقشه - OA - و نمایه سازگاری کاپا - K - به ترتیب برابر با 0/80 و 0/74 محاسبه گردید. موثرترین متغیرهای محیطی در پیدایش گروه بزرگهای خاک در منطقه عمدتا شامل ویژگیهای توپوگرافی و به مقدار کمتر مواد مادری بود. بر پایه نتایج BDTA از عملکرد چشمگیری برخوردار بود. این نتیجهگیری تنها بر پایه مقادیر OA و K نبوده و دلیل دیگر آن توپوگرافی هموار در بخش بزرگی از منطقه مطالعاتی بود که هر گونه استنتاج را بسیار دشوار میساخت. همچنین BDTA زیر اثر بیش برازش قرار نگرفت. به طور کلی نتایج نشان از توان بالای پیش بینی BDTA داشت که آن را به یک جایگزین نیرومند در کارهای آتی تبدیل میکند.
واژههای کلیدی: نقشه برداری رقومی خاک، درخت تصمیمگیری، دشت میاندربند، متغیرهای محیطی.
مقدمه
روی آوردن به روشهای جدید در راستای کاربرد بهینه خاک به گونهای که هم نیازهای آدمی برآورده شود و هم این منبع تجدید ناپذیر برای آیندگان حفظ شود ضروری است. نقشههای خاک از منابع پایه اطلاعات برای بسیاری مطالعات محیطی و از جمله مهمترین آنها در این رابطه ارزیابی و آمایش سرزمین است . - Daigle et al., 2005 - تغییرپذیری خاک پدیدهای تصادفی نیست و نتیجهی تغییر عوامل خاکسازی از نقطهای به نقطه دیگر است. به همین دلیل، این عوامل را میتوان در پیشبینی کلاس خاک و تهیه نقشه الگوی پراکنش خاکها به کار برد. نقشهی خاک وسعت و توزیع جغرافیایی خاکها و ویژگیهای آن را تا حدی که مقیاس نقشه اجازه دهد، ارائه میکند - علیخانی و همکاران، . - 1393 به دیگر سخن، نقشه خاک یک نمایش تصویری برای انتقال اطلاعات در مورد پراکنش مکانی ویژگیهای خاک است.
با توجه به محدودیتها و کمبودهای موجود در نقشههای سنتی، ایجاد نقشههای جدید که کاستیهای گذشته را نداشته و توانایی آشکار کردن پراکنش مکانی و تغییرات خاک را دارا باشد، ضروری است. بطور کلی نقشهبرداری خاکها به صورت نقشههای سنتی - چندگوشهای - 2 به علت ناتوانی نمایش تغییرپذیری خاک به صورت پیوسته - Burrough et al.,1989; McBratney et al., 2003; Ryan et al., 2000; Scull et al., 2003 - ، مستند نشدن بیشتر دانش درگیر در تولید این نقشهها و در نتیجه منتقل نشدن دانش به نسل آینده - Hudson, 1992 - ، عدم وجود اطلاعات مکانی در مورد دقت و صحت نقشه - Burrough et al., 1971 - ، وابستگی به مقیاس و حذف اطلاعات هنگام تلفیق واحدهای کوچکتر در واحدهای بزرگتر نقشه - بداغ آبادی، - 1391، و ماهیت ذهنی و کیفی مدلی که نقشه بر اساس آن تولید میشود، مورد انتقاد واقع شده است.
چالش درک، دستهبندی و استفاده بهینه از این اطلاعات به ایجاد و گسترش ابزارهای نوینی مانند روشهای دادهکاوی1 و رایانآموختی2 انجامیده است. همزمان با آن، توسعهی سیستمهای اطلاعات جغرافیایی، سنجش از دور و مدلهای رقومی ارتفاع با درجه تفکیک مکانی بالا، بستر پیشرفت دانش نقشهبرداری رقومی خاک - DSM - را فراهم کرده است - McBratney et .al., 2003 - هدف اصلی از DSM استفاده از دادههای موجود برای مطالعه پراکنش مکانی خاکها به صورت واقعیتر، مؤثرتر، ارزانتر و سریعتر است . - Elnaggar, 2007 - اساس DSM برگرفته از مدل 5 عاملی ینی است که در قالب مدل اسکورپن روزآمد شده و امکان توصیف کمی روابط خاک و متغیرهای محیطی را فراهم میکند.
DSM با در نظر گرفتن خطای کمی مدل، پیشبینی مکانی واقعی ایجاد میکند . - Lagacherie, 2008 - در سالهای اخیر خاکشناسان برای تولید پایگاه دادههای مکانی خاک و تکمیل نقشه رقومی خاکها در سطح جهانی تحقیقات جامعی را آغاز کردهاند. از آن میان میتوان به مقایسه روشهای رایان آموختی برای هدفهای طبقهبندی در نقشهبرداری رقومی خاک - Heung et al, 2016; Brungard et al., 2014 - ، پیشبینی نقشه خاک با استفاده از شبکه عصبی مصنوعی و درخت تصمیمگیری - Moonjun et al., 2010 - ، نقشهبرداری رقومی خاک با استفاده از پدانهای مشاهده شده در یک مطالعه خاکشناسی سنتی با کاربرد الگوریتم ژنتیک - GARP - 3 و درخت تصمیمگیری . - Nelson and odeh, 2009 - اشاره نمود.
در ایران، شمار پژوهشهای مرتبط با DSM بسیار کم بوده که تنها در سالهای اخیر انجام شدهاند. از آن میان میتوان کاربرد مدلهای رگرسیون لاجیستیک دودویی 4 و رگرسیون درختی - 5 جعفری و همکاران، - 1391، پیشبینی کلاسهای خاک با کاربرد درخت تصمیمگیری تصادفی - پهلوان راد و همکاران، - 1394، تهیه نقشه رقومی بافت خاک با درخت تصمیمگیری و شبکه عصبی مصنوعی - مهرجردی و همکاران ، - 1393 و همچنین تهیه نقشه رقومی کلاسهای خاک در استان یزد با استفاده از الگوریتم درخت تصمیمگیری - Taghizadeh-Mehrjardi et al., 2014 - را برشمرد. برای مدیریت بهینه سرزمین به منظور دست یافتن به سطح قابل قبولی از تولید محصولات و در کنار آن حفظ منابع خاک در ایران به ویژه در مناطق خشک و نیمه خشک، به مطالعات بیشتر و به کارگیری روشهای جدید نقشهبرداری نیاز است.
هدف از پژوهش حاضر بررسی توان BDTA در پیشبینی پراکنش خاک در سطح گروه بزرگ ST در دشت میاندربند استان کرمانشاه بود. مواد و روشها منطقه مطالعاتی منطقه مورد مطالعه دشت میاندربند واقع در استان کرمانشاه با مساحت حدود 50/000 هکتار است - شکل . - 1 این منطقه در دامنه طول جغرافیایی 46° 45´ تا 47° 05´ و عرض جغرافیایی 34° 23´ تا 34° 35´ واقع شده است. این دشت با ارتفاع متوسط 1357/7 متر از سطح دریا دارای آب و هوای معتدل با زمستانهای سرد است. میانگین سالیانهی دما 14°C، میزان تبخیر 1377/3 میلیمتر در سال و میانگین سالیانه بارندگی 462/6 میلیمتر است. رژیم رطوبتی و دمایی خاک منطقه به ترتیب زریک و ترمیک است . - Banaii, 1977 -
طرح نمونهبرداری به منظور تعیین مکان نقاط نمونه برداری خاک و استخراج متغیرهای محیطی با استفاده از روش نمونه برداری سیستماتیک در محیط نرم افزار - R Core Team, 2014 - R یک شبکه منظم به ابعاد 2×2 کیلومتر - شکل - 1 طراحی شده و بر اساس آن، مکان هر نقطه توسط GPS دستی با دقت ±3 متر پیمایش شد. با توجه به محدودیتهای موجود در منطقه 5 نقطه از طرح نمونه برداری حذف گردید. تعداد 78 نقطه مشاهداتی در پهنه خاکی و 37 نقطه در کوهستان قرار گرفت. به جز نقاطی که سنگ بستر یا عوامل محدود کننده مانع شد، در محل هر نقطه یک گودال بررسی تا عمق حداقل 120 سانتیمتر برای مطالعه پدان حفر شد.
مطالعات صحرائی و تجزیههای آزمایشگاهی تشریح ریختشناختی پدانها بر اساس راهنمای شناسایی خاک در صحرا - شونبرگر و همکاران، - 2012 انجام شد. نمونههای تمام افقها برای انجام تجزیههای فیزیکی و شیمیایی از الک 2 میلیمتری عبور داده شد. ویژگیهای خاک شامل واکنش، بافت، کربن آلی و کربنات کلسیم معادل به روشهای استاندارد - Klut et al., 1996; Page et al., 1996 - اندازه گیری شد. سپس بر اساس نتایج ریختشناختی و تجزیههای آزمایشگاهی هر یک از پدانها مطابق با - Soil survey staff, 2014 - ST در سطح گروهبزرگ ردهبندی شد. استخراج متغیرهای محیطی به منظور تعیین متغیرهای پیشبین، 19 ویژگی زمین - توپوگرافیک و آبشناختی - به عنوان متداولترین متغیرهای محیطی و 11 نمایه پوشش گیاهی و مواد مادری به ترتیب از فایل DEM و تصویر ماهواره Landsat 8 OLI/TIRS - هر دو با وضوح 30 متر - در محیط نرم افزار SAGA 3.0.0 محاسبه شد. تولید نقشههای رقومی و ارزیابی مدل در این مطالعه به منظور پیشبینی گروه بزرگ خاک از الگوریتم نظارتی درخت تصمیمگیری به نام C5.0 که به کمک روش بوستینگ تقویت شده در استنتاج اطلاعات به کاررفت. برای ارزیابی صحت پیشبینیها از نمایه سازگاری کاپا - Cohen, 1960 - 1 و صحت عمومی - Jensen, 1996 - 2 بهره برده شد.
نتایج و بحث
مطالعه صحرایی ساختاری پیچیده و درهم از گروهبزرگهای شناسایی شده را آشکار ساخت. الگوی پراکنش خاک چنان بود که پیشبینی فراوانی و گسترش هر خاک به روش سنتی و با صحتی پذیرفتنی، تقریبا غیرممکن مینمود. گروه بزرگهایشناسایی شده شامل Calcixererts با 10، Calcixerolls با 4، Calcixerepts با 37، Haploxererts با 8، Calcixererts با 10 و Haploxerepts با 10 مشاهده بود. نقشه پیشبینانه پراکنش گروه بزرگ خاکها در منطقه مطالعاتی با کاربرد BDTA در شکل 3 دیده میشود. در دید کلی، نقشه با تجارب و مشاهدات صحرایی، هماهنگی بالایی دارد. به ویژه توان استنتاج الگوریتم در بخش تقریبا هموار و بزرگی از دشت که متغیرهای توپوگرافیک کمک چندانی نمیکردند - منطقه زیر پوشش Calcixerepts به رنگ قهواهای - ، جالب توجه بود. جدول 2 نتایج راستی آزمایی پیشبینی مدل را پس از بارها اجرای الگوریتم روی مجموعه دادهها با صحت عمومی 0/80 نشان میدهد. نمایه سازگاری کاپا نیز 0/74 محاسبه شد. پیشبینی پراکنش 5 گروه بزرگ خشنودکننده بود اما مدل در پیشبینی گروه بزرگ Haploxerepts موفق نبود. کمینه دقت تولید کننده در گروه بزرگ Calcixererts برابر با 60 درصد و بیشینه آن در گروه بزرگ Calcixerolls و Calcixerepts برابر با 100 درصد بود. همچنین کمینه دقت کاربر در گروه بزرگ Haploxererts برابر با 50 درصد و بیشینه آن در گروه بزرگ Calcixererts و Calcixerolls بود. میزان اثر برخی از متغیرهای محیطی در شکل 4 خلاصه شده است. متغیرهای تابشی، آبشناختی، توپوگرافیک و پس از آن نمایههای آهن، گچ و رس در گوناگونی خاکها در منطقه نقش چشمگیری داشتند. به طور کلی میتوان گفت که عامل
