تهیه نقشه رقومی خاک با استفاده از مدل جنگل‌های تصادفی در منطقه آبیک، استان قزوین

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشگاه تهران

2 استاد گروه علوم و مهندسی خاک، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران

3 استادیار گروه علوم و مهندسی خاک، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران

چکیده

نیاز روز افزون به داشتن اطلاعات دقیق از خاک و همچنین لزوم به روز رسانی آسان این اطلاعات در جهت تعیین روابط بین خاک و زمین­نما به یکی از مباحث مهم در علوم خاک تبدیل شده است. تکنیک­های نقشه برداری رقومی خاک به دلیل توانایی در بدست آوردن اطلاعات دقیق در مورد انواع خاک­ها در مناطق وسیع و همچنین مقرون به صرفه بودن، به عنوان یک راه حل قابل طرح است. هدف از مطالعه حاضر، تهیه نقشه رقومی خاک در منطقه آبیک استان قزوین با استفاده از مدل جنگل­های تصادفی است. بدین منظور، با استفاده از روش مکعب لاتین مشروط از منطقه نمونه‌برداری شد و پس از انجام آنالیزهای آزمایشگاهی، با استفاده از مدل جنگل­های تصادفی و متغیرهای کمکی مستخرج از مدل رقومی ارتفاع با قدرت تفکیک مکانی 30 متر و تصاویر ماهواره لندست 8، نقشه خاک منطقه با مدل‌سازی تهیه شد. از مجموع 7261 هکتار اراضی مطالعه شده، بیشترین وسعت مربوط به فامیل Loamy-skeletal, mixed, superactive, thermic Typic Calcixerepts بود. نتایج حاصل نشان داد که مدل‌سازی خاک با استفاده از الگوریتم جنگل های تصادفی توانست کلاس‌های خاک منطقه را با دقت بالایی (ضریب کاپای 83/0 ) پیش­بینی کند. 

کلیدواژه‌ها


عنوان مقاله [English]

Digital Soil Mapping Using Random Forests Model in Abyek, Qazvin Province

نویسندگان [English]

  • S. E. Khamoshi 1
  • F. Sarmadian 2
  • A. Keshavarzi 3
1 Ph.D Student, University of Tehran
2 Professor, Dept. of Soil Science, Faculty of Agricultural Engineering and Technology, University of Tehran
3 Assistant Professor, Dept. of Soil Science, Faculty of Agricultural Engineering and Technology, University of Tehran
چکیده [English]

Today, there is great demand for accurate soil information to determine the relationship between soil and landscape, and easy updating of soil maps has increasingly gained importance. Digital soil mapping techniques can be cost-effective solutions to obtain information dealing with the soil types over large areas. The objective of this study was to provide a digital soil map in the Abyek region of Qazvin province using random forest model for management purposes and sustainable land use planning. To this end, soil samples were collected based on cLHS. After the laboratory analysis, using random forest model and auxiliary variables derived from a digital elevation model with a spatial resolution of 30 m and Landsat 8 imagery, the modeling and preparation of regional soil maps were performed. Out of 7261 ha, the dominant soil was classified as Loamy-skeletal, mixed, superactive, thermic Typic Calcixerepts. The results showed that soil modeling using random forest algorithm could accurately predict (Kappa coefficient ~ 0.83) soil classes in the region. 

کلیدواژه‌ها [English]

  • Spatial prediction
  • modeling
  • Conditioned Latin Hypercube Sampling
  • Auxiliary Variable
  • Soil Family
  1. Breiman, L.  2001. "Random forests" Machine learning. 45:5-32.
  2. Camera, C., Z. Zomeni., J.S. Noller., A.M. Zissimos., I.C. Christoforou., and A. Bruggeman. 2017. A high resolution map of soil types and physical properties for Cyprus: A digital soil mapping optimization. Geoderma 285:35-49.
  3. Gee, G.W., and J.W. Bauder. 1986. Particle size analisis. p. 383-411. In Methods of Soil Analysis. Part l. Soil Science Society of America. Madison, WI.
  4. Hengl, T., D.G. Rossiter., and A. Stein. 2003. Soil sampling strategies for spatial prediction by correlation with auxiliary maps. Soil Research. 41:1403-1422.
  5. Hengl, T., G.B. Heuvelink., B. Kempen., J.G. Leenaars., M.G. Walsh., K.D. Shepherd., K. D., and J.E. Tondoh. 2015. Mapping soil properties of Africa at 250 m resolution: Random forests significantly improve current predictions. PloS one. 10:125-814.
  6. Heung, B., C.E. Bulmer., and M.G. Schmidt. 2014. Predictive soil parent material mapping at a regional-scale: a random forest approach. Geoderma. 214:141-154.
  7. Heung, B., H.C. Ho., J. Zhang., A. Knudby., C.E. Bulmer., and M.G. Schmidt. 2016. An overview and comparison of machine-learning techniques for classification purposes in digital soil mapping. Geoderma. 265:62-77.
  8. Jenny, H. 1941. Factors of soil formation: A system of quantitative pedology. Courier Corporation.
  9. Lagacherie, P., A.B. McBratney., M. Voltz. 2007. Digital soil mapping: an introductory perspective. Elsevier.
  10. Landis, J. R., and G.G. Koch. 1977. The measurement of observer agreement for categorical data. Biometrics. 159-174.
  11. McBratney, A.B., M.L. Mendonça Santos., and B. Minasny. 2003. On digital soil mapping. Geoderma. 117:3-52.
  12. McKay, M.D., R.J. Beckman., and W.J. Conover. 1979. Comparison of three methods for selecting values of input variables in the analysis of output from a computer code. Technometrics. 21:239-245.
  13. Minasny, B., and A.B. McBratney., 2006. A conditioned Latin hypercube method for sampling in the presence of ancillary information. Computers & Geosciences. 32:1378-1388.
  14. Moore, I. D., R.B. Grayson., and A.R. Ladson. 1991. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological processes. 5:3-30.
  15. Pahlavan-Rad, M. R., F. Khormali., N. Toomanian., C.W. Brungard., F. Kiani., C.B. Komaki., and P. Bogaert. 2016. Legacy soil maps as a covariate in digital soil mapping: A case study from Northern Iran. Geoderma. 279:141-148.
  16. Pahlavan-Rad, M. R., N. Toomanian., F. Khormali., C.W. Brungard., C.B. Komaki., and P. Bogaert. 2014. Updating soil survey maps using random forest and conditioned Latin hypercube sampling in the loess derived soils of northern Iran. Geoderma. 232:97-106.
  17. Palm, C., P. Sanchez., S. Ahamed., and A. Awiti. 2007. Soils: A contemporary perspective. Annu. Rev. Environ. Resour. 32:99-129.
  18. Sanchez, P. A., S. Ahamed., F. Carré., A.E. Hartemink., J. Hempel., J. Huising., ... and B. Minasny. 2009. Digital soil map of the world. Science. 325:680-681.
  19. Sparks, D. L., and J.M. Bartels. 1996. Chemical methods (No. 5-3). Madison: Soil Science Society of America.
  20. Sreenivas, K., V.K. Dadhwal., S. Kumar., G.S. Harsha., T. Mitran., G. Sujatha., ... and T. Ravisankar. 2016. Digital mapping of soil organic and inorganic carbon status in India. Geoderma. 269:160-173.
  21. Stum, A. K., J.L. Boettinger., M.A. White., and R.D. Ramsey. 2010. Random forests applied as a soil spatial predictive model in arid Utah. In Digital Soil Mapping. Springer, Netherlands.
  22. Taghizadeh-Mehrjardi, R., B. Minasny., F. Sarmadian., and B.P. Malone. B. 2014. Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma. 213:15-28.
  23. Walkley, A., and I.A. Black. 1934. An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method. Soil science. 37:29-38.
  24. Were, K., D.T. Bui., Q.B. Dick., and B.R. Singh. 2015. A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an Afromontane landscape. Ecological Indicators. 52:394-403.‏