مدل‌سازی و پیش‌بینی مکانی کلاس خاک با استفاده از الگوریتم یادگیری رگرسیون درختی توسعه‌یافته و جنگل-های تصادفی در بخشی از اراضی دشت قزوین

انتخاب متغیرهای کمکی مناسب در روش­های یادگیرنده ماشینی جهت نقشه‌برداری رقومی خاک از اهمیت ویژه­ای برخوردار است. طی سال­های اخیر در ایران استفاده از الگوریتم­های یادگیرنده در نقشه­برداری رقومی و بهنگام سازی نقشه­های قدیمی توسعه یافته است. پژوهش حاضر در بخشی از اراضی دشت قزوین با هدف مقایسه جنگل­های تصادفی (RF) و رگرسیون درختی توسعه‌یافته (BRT) در پیش­بینی مکانی کلاس­های زیرگروه و فامیل خاک بهمراه انتخاب متغیرهای کمکی با استفاده از شاخص تورم واریانس انجام شده است. 61 خاکرخ به روش نمونه­برداری تصادفی طبقه‌بندی‌شده حفر، تشریح و با تجزیه‌وتحلیل آزمایشگاهی تا سطح فامیل رده­بندی گردید. مناسب‌ترین متغیر­های محیطی از میان 15 متغیر ژئومورفومتری و شاخص­های سنجش از دور با استفاده از فاکتور تورم واریانس انتخاب گردیدند. مدل­سازی رابطه خاک – زمین‌نما در دو سطح زیرگروه و فامیل خاک با استفاده از دو الگوریتم یادگیرنده RF و BRT در نرم‌افزار RStudio بر اساس دو بسته "Randomforest" و "C5.0" اجرا گردید. نتایج انتخاب متغیر­های محیطی نشان داد که شش متغیر CHA،DEM ، STH، NDVI، SI و DVI به­عنوان متغیر ورودی انتخاب گردیدند. شاخص­های ارزیابی مدل­ها شامل صحت کلی و شاخص کاپا به ترتیب برای الگوریتم BRT، 35، 26 درصد و برای الگوریتم RF،70، 60 درصد در سطح فامیل خاک حاصل گردید. آنالیز حساسیت برمبنای شاخص میانگین حداقل صحت نشان داد که متغیر محیطی مساحت حوزه آبخیز اصلاح‌شده دارای بیشترین اهمیت نسبی در میان متغیرهای انتخاب شده است. به‌طورکلی با استفاده از رویکردهای نوین انتخاب متغیر و الگوریتم‌های یادگیرنده مؤثر می­توان نقشه­ی پراکنش مکانی خاک­ها را حتی در نواحی با پستی‌وبلندی کم با صحت قابل‌قبول تهیه نمود.