محمود رستمی نیا

مطالعات کیفیت خاک در شناسایی اثرات مدیریت‌های مختلف در عرصه‌های کشاورزی و منابع طبیعی نقش مؤثری دارند و یکی از ابزارهای مفید برای بررسی وضعیت پایداری خاک‌های کشاورزی با کاربری آبی و دیم می‌باشد از طرفی شاخص کیفیت خاک از طریق اندازه‌گیری یک سری خصوصیات خاک محاسبه می‌شود که اندازه‌گیری این خصوصیات گران و زمان‌بر می‌باشد. بنابراین یکی از راه‌های کاهش هزینه و زمان در سالیان اخیر استفاده از تکنیک نقشه‌برداری رقومی خاک است که می‌تواند خصوصیات خاک مؤثر در محاسبه کیفیت آن را با استفاده از متغیرهای محیطی و مدل‌های داده‌کاوی به صورت رقومی پیش-بینی نماید. بنابراین پژوهش حاضر با هدف ارزیابی رقومی شاخص‌های کیفیت خاک با استفاده از الگوریتم‌های یادگیری ماشین و درون‌یابی مکانی در محدوده‌ای از اراضی تحت توسعه کشاورزی با مساحت1840هکتار در شهرک ولیعصر شهرستان بدره انجام شد. در این مطالعه، تعداد 76 خاکرخ مشاهداتی طی عملیات میدانی، حفر، تشریح و از افق‌های سطحی (عمق 20-0 سانتی متری) نمونه‌برداری گردید. موقعیت نقاط نمونه‌برداری بر اساس روش ابر مکعب لاتین مشروط در محیط نرم افزار R و بسته تخصصیcLHS تعیین گردید. پس از اتمام عملیات نمونه‌برداری و مشاهدات میدانی، نمونه‌های خاک تهیه شده بر اساس روش‌های استاندارد اندازه-گیری گردید. طی این تحقیق، در مجموع 10ویژگی فیزیکوشیمیایی خاک اندازه‌گیری و محاسبه گردید. سپس از مجموع 10 ویژگی خاک به‌عنوان مجموعه TDS، پنج ویژگی با استفاده از روش تجزیه مؤلفه‌های اصلی (PCA) به‌عنوان حداقل ویژگی‌های مؤثر بر کیفیت خاک (MDS) انتخاب گردید. همچنین از دو مدل شاخص کیفیت خاک تجمعی (IQI) و شاخص نمرو (NQI) هر کدام بر اساس دو معیار TDS و MDS با دو روش امتیازدهی خطی و غیرخطی جهت ارزیابی کیفیت خاک بهره گرفته شد. به‌منظور مدل‌سازی مکانی و پیش‌بینی شاخص‌های کیفیت خاک از دو مدل زمین آماری کریجینگ معمولی (OK) و وزن‌دهی معکوس فاصله (IDW) و دو مدل یادگیری ماشین جنگل تصادفی (RF) و نزدیکترین همسایه (K-NN) استفاده گردید. مدل‌های یادگیری ماشین با 80 درصد داده‌ها (61 نمونه) تحت واسنجی یا آموزش و با 20 درصد داده‌ها (15 نمونه) اعتبارسنجی گردید. در این مطالعه، از میان 54 متغیر محیطی تهیه شده مدل رقومی ارتفاع با قدرت تفکیک مکانی 5/12متر در محیط نرم افزار SAGA GIS، 14متغیر کمکی بهینه به‌عنوان‌ مناسب‌ترین پیش‌بینی کننده‌های محیطی جهت مدلسازی مکانی شاخص‌های کیفیت خاک با استفاده از روش PCA انتخاب گردید. نتایج بررسی شاخص‌های مذکور در هر دو روش خطی و غیرخطی نشان داد که مقدار عددی شاخص IQITDS در مقایسه با شاخص NQITDS بیشتر بود، در حالی که مقدار عددی شاخص IQIMDS نسبت به شاخص NQIMDS کمتر بود. همچنین مجموعه TDS نسبت به مجموعه MDS صحت بیشتری جهت ارزیابی کیفیت خاک نشان داد. با توجه به نتایج حاصل از این تحقیق، خاک‌های این منطقه به‌دلیل کمبود کربن‌آلی، کمبود فسفر، بالا بودن چگالی ظاهری، پایین بودن درصد شن و بالا بودن pH دارای درجه کیفیت ضعیف (IV) با محدودیت زیاد بودند. در روش‌خطی، بین شاخص کیفیت خاک تجمعی و نمرو به‌صورت مجزا هر کدام در دو مجموعه کل داده و حداقل مجموع داده (IQITDS-MDS _ NQITDS-MDS) نسبت به روش غیرخطی میزان همبستگی نسبتاً بالاتری (به ترتیب 64/0 و 45/0 درصد) نشان داده شد. این مقادیر نشان‌دهنده این بود که برای محاسبه شاخص‌های کیفیت خاک IQI و NQI می‌توان با اطمینان نسبتاً قابل قبولی از مجموعه MDSبه‌جای TDS استفاده نمود که این کار موجب کاهش هزینه و صرفه‌جویی در زمان برای انجام مطالعات می‌شود. نتایج مدل‌سازی مکانی بر اساس مدل‌های زمین آماری مؤید آن بود که در رویکرد خطی، مدل کریجینگ معمولی (OK) نسبت به مدل وزن‌دهی معکوس فاصله (IDW) در پیش‌بینی شاخص‌های کیفیت خاک ‌از‌ دقت بالاتری برخوردار است اما در رویکرد غیرخطی هر دو مدل تقریباً نتایج مشابهی را ارائه نمودند. نتایج مدل‌سازی مکانی بر اساس مدل‌های یادگیری ماشین نیز حاکی از آن بود که در رویکرد خطی مدل جنگل تصادفی (RF) نسبت به مدل نزدیک‌ترین همسایه (K-NN) برای پیش‌بینی شاخص‌های IQIMDS، IQITDS و NQIMDS به‌دلیل مقادیر R2 بالاتر و مقادیر RMSE نسبتاً یکسان دارای عملکرد مناسبی می‌باشد. همچنین مدل K-NN برای پیش‌بینی شاخص NQITDS با توجه به مقدار R2 بالاتر و مقدار RMSE پایین‌تر، صحت پیش‌بینی بیشتری را نشان داد. نتایج اعتبارسنجی مدل‌های یاد شده با رویکرد غیرخطی نیز نشان داد که دو مدلRF و K-NNبر اساس سه آماره ارزیابی برای پیش‌بینی شاخص‌های IQIMDS، IQITDS و NQIMDS دارای عملکرد نسبتاً یکسان، در حالی که برای پیش‌بینی شاخص NQITDS، مدل RF با مقدار R2 بالاتر (32/0) دارای دقت بیشتر بود. به طور‌کلی مقایسه نتایج حاصل از اعتبارسنجی مدل‌سازی مکانی نشان داد که مدل کریجینگ معمولی به‌دلیل داشتن مقادیر R2 بالاتر (83/0، 84/0، 32/0، 52/0) می‌تواند برای پیش‌بینی شاخص-های کیفیت خاک بالاترین عملکرد را ارائه نماید. در نهایت، برای پیش‌بینی شاخص‌های کیفیت خاک جهت مدلسازی مکانی از میان 14‌متغیر محیطی منتخب، هفت متغیر شامل موقعیت توپوگرافی، فاصله تا شبکه آبراهه، مساحت حوزه زهکشی اصلاح شده، جهت شیب، تراز توده رسوب، اثر باد و تجزیه و تحلیل سایه‌اندازی تپه‌ها بالاترین درجه اهمیت را در فرآیند مدلسازی نشان دادند.