بررسی خطا و عدم‌قطعیت در تهیة نقشه‌های موضوعی با استفاده از شبکة عصبی مصنوعی و داده‌های محیطی مطالعة موردی: نقشة رقومی خاک دشت شهرکرد

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری علوم و مهندسی خاک، دانشکدة کشاورزی، دانشگاه ولی‌عصر رفسنجان، رفسنجان، ایران

2 دانشیار گروه علوم و مهندسی خاک، دانشکدة کشاورزی، دانشگاه ولی‌عصر رفسنجان، رفسنجان، ایران

3 استادیار بخش خاک و آب، مرکز تحقیقات کشاورزی و منابع طبیعی کرج، کرج، ایران

4 استاد گروه علوم و مهندسی خاک، دانشکدة کشاورزی، دانشگاه ولی‌عصر رفسنجان، رفسنجان، ایران

5 استاد گروه علوم خاک، دانشکدة کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران

چکیده

نقشه‌های خاک به‌منزلة یکی از نقشه‌های پایه در بسیاری از مطالعات مرتبط با محیط و منابع طبیعی اهمیت زیادی دارند. نقشه‌های رقومی خاک بر پایة ارتباط بین ویژگی‌های محیطی و خاک پایه‌ریزی شده‌اند. هدف از انجام پژوهش حاضر، بررسی خطا و عدم‌قطعیت کلاس‌های رقومی خاک پیش‌بینی‌شده در سطوح مختلف سامانة رده‌بندی آمریکایی با استفاده از مدل شبکة عصبی مصنوعی است. تعداد 120 خاک‌رخ برمبنای یک الگوی شبکه‌ای منظم در دشت شهرکرد حفر، تشریح و نمونه‌برداری شد. برای تخمین کلاس‌های خاک، دو گروه ویژگی‌های خاکی (کمّی و کیفی) و داده‌های کمکی (شامل نقشة زمین‌شناسی، نقشة شکل اراضی، نقشة فاز شکل اراضی، نقشة خاک سنتی منطقه، شاخص تفاضل نرمال‌شدة پوشش گیاهی و بعضی مشتقات مدل ارتفاع رقومی) مدنظر قرار گرفت. پس از تهیة نقشه‌های ویژگی‌های خاک و اطمینان از صحت و دقت آنها، این نقشه‌ها به‌ همراه داده‌های کمکی برای تخمین کلاس‌های خاک با مدل شبکة عصبی مصنوعی در محیط نرم‌افزار R استفاده شدند و درنهایت دقت و عدم‌قطعیت مدل مزبور به‌ترتیب با صحت عمومی و شاخص درهمی ارزیابی شد. نتایج نشان داد ورود جزئیات بیشتر در رده‌بندی خاک‌ها در سطوح پایین طبقه‌بندی، ضمن افزایش تعداد کلاس‌ها، کاهش صحت عمومی و افزایش عدم‌قطعیت را به همراه داشته است. با توجه به حد پذیرفتة صحت عمومی (75درصد)، مدل شبکة عصبی مصنوعی از صحت لازم تا سطح گروه بزرگ برخوردار بوده است؛ اما عدم‌قطعیت زیادی را داشته‌ است؛ بنابراین صرف توجه به صحت مدل در انتخاب آن برای مدل‌سازی مؤثر نیست؛ بلکه در کنار خطای مدل، توجه به عدم‌قطعیت آن نیز بسیار مهم است. بر این اساس، به‌کارگیری روش‌های دیگری از محاسبات نرم برای مدل‌سازی در مناطق دشت یا مناطق با ناهمواری‌های کم پیشنهاد می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

Error and Uncertainty Analysis in the Preparation of Thematic Maps using Artificial Neural Network and Environmental Data (A Case Study: Digital Soil Map of Shahrekord Plain)

نویسندگان [English]

  • Mojtaba Shahini Shamsabadi 1
  • ISA ESFANDIARPOUR-BOROUJENI 2
  • Zohreh Mosleh 3
  • Hossein Shirani 4
  • Mohammad Hassan Salehi 5
1 PhD student of Soil Science Department, Faculty of Agriculture, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran
2 Associate prof. of Soil Science Department, Faculty of Agriculture, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran
3 Assistant prof., Member of Scientific Board in Research, Education and Extension Organization, Karaj Agricultural and Natural Resources Research Center, Soil and Water Research Division,
4 Professor of Soil Science Department, Faculty of Agriculture, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran
5 Professor of Soil Science Department, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran
چکیده [English]

Soil maps have considerable significance as basic maps in many environmental and natural resources studies. Digital soil maps are based on the relationship between environmental variables and soil properties. The main purpose of this research was to analyze error and uncertainty of digital soil classes predicted at different taxonomic levels of Soil Taxonomy system using an artificial neural network. One hundred and twenty soil profiles were described and sampled based on a regular grid scheme in Shahrekord plain. Two groups of soil properties (qualitative and quantitative) and auxiliary parameters (including geologic map, landform map, landform-phase map, traditional soil map, normalized difference vegetation index, and some derivatives of digital elevation model) were used to estimate soil classes. After preparing the soil properties maps and checking their accuracy, these maps were used along with auxiliary parameters for estimating soil classes using an artificial neural network model in the R software. Finally, the accuracy and uncertainty of the model were evaluated by overall accuracy and confusion index, respectively. Results showed that the entry of more details in the soils classification at the lower levels of the Soil Taxonomy system, while increasing the number of classes, leads to decreasing the overall accuracy and increasing uncertainty. It is noticeable that the artificial neural network model has a good accuracy up to the great group level through the acceptable level of overall accuracy (i.e., 75 %), hence it has a high degree of uncertainty. Therefore, the accuracy of the model could not be effective in its selection trough the modeling process; however, paying attention to its uncertainty is also very important along with the model error. Accordingly, we suggest using the other methods of soft computing for modeling in plain areas or in low relief regions.  

کلیدواژه‌ها [English]

  • Error Matrix
  • Modeling
  • Soil Map
  • Soil Taxonomy System

مقدمه

مطالعات محیطی و جغرافیایی نقش بسیار مهمی در استفادة درست و پایدار از سرزمین و نقشه‌های خاک به‌منزلة یکی از نقشه‌های پایه اهمیت زیادی در بسیاری از مطالعات مرتبط با محیط و منابع طبیعی دارند. درواقع نقشه‌های خاک، نمایش ساده‌ای از پراکنش خاک‌ها در طبیعت‌اند. امروزه نقشه‌برداری رقومی خاک به‌ دلیل صرفه‌جویی در وقت و هزینه، کاربرد گسترده‌ای در برآورد کلاس‌های خاک پیدا کرده است (Padarian et al, 2019: 18). به‌منظور بررسی آثار متقابل متغیرهای محیطی و تأثیر آنها در تشکیل خاک، مدل‌سازی مکانی عوارض زمین، راهکار مناسب و ثابت‌شده‌ای در این زمینه است (Behrens et al, 2018: 136). یکی از اجزای اصلی نقشه‌برداری رقومی خاک، تابع یا مدل ارتباط‌دهنده بین متغیرهای محیطی و خاک است. یکی از مدل‌های استفاده‌شده در نقشه‌برداری رقومی خاک، مدل شبکة عصبی مصنوعی است. شبکه‌های عصبی مصنوعی، گروهی از مدل‌های داده‌محور غیرخطی و عمومی پایدار دربرابر تغییرات ناگهانی‌اند و توانایی آموزش و تعمیم را در محیط‌هایی دارند که از نظر داده غنی هستند (Oscar and Melin, 2002: 1396). این شبکه‌ها را برای نخستین‌‌بار در سال 1943 وارن مک‌کولوچ و والتر پیتس[1] معرفی کردند. به‌طور کلی شبکه‌های عصبی مصنوعی برمبنای ایجاد سامانه‌ای به ‌وجود آمده‌اند که توانایی شبیه‌سازی محاسبات مغز را دارد. این شبکه‌ها این پتانسیل را دارند که در فرایند مدل‌سازی جایگزین روش‌های سنتی شوند (Bekat et al, 2012: 883).

در نقشه‌برداری رقومی خاک همواره تخمین‌های حاصل کمی خطا دارند و درنتیجه برآوردهای انجام‌شده با عدم‌قطعیت همراه هستند. عدم‌قطعیت نتیجة نبود اطمینان از واقعیت است (Heuvelink, 2014: 335). عدم‌قطعیت نقشه‌های رقومی خاک معمولاً با استفاده از مجموعه‌ای از مشاهدات مستقل خاک و بعضی شاخص‌ها (مانند شاخص درهمی[2]) ارزیابی می‌شود.

پژوهش لاگاچری و همکاران (2019) نشان داد با کاهش تعداد نقاط مشاهداتی، مقدار شاخص‌های عدم‌قطعیت بیشتر شده است (Lagacherie et al, 2019: 1320).

شادمان ‌رودپشتی و همکاران (2019) با استفاده از روش آنتروپی عدم‌قطعیت دو مدل شبکة عصبی عمیق[3] و جنگل تصادفی عمومی[4] را در رابطه با طبقه‌بندی تصویر ابرطیفی[5] بررسی و نتیجه‌گیری کردند الگوریتم شبکة عصبی عمیق دقت بیشتری برای تخمین طبقه‌بندی داشته، اما مقدار عدم‌قطعیت آن بیشتر از روش جنگل تصادفی عمومی بوده است (Shadman Roodposhti et al, 2019: 78).

پاداریان و همکاران (2019) با استفاده از مدل شبکة عصبی حلقوی[6]، نقشه‌های رقومی خاک را تهیه و نتیجه‌گیری کردند این مدل در مقایسه با روش‌های سنتی، خطا را به میزان 30درصد کاهش داده است. آنها همچنین عدم‌قطعیت این نقشه‌ها را به روش 90درصد فاصلة تخمین به‌ دست آوردند و اظهار داشتند این مدل در مقایسه با روش‌های سنتی عدم‌قطعیت تخمین کمتر و توانایی بیشتری در پیش‌بینی کربن لایه‌های عمقی خاک دارد (Padarian et al, 2019: 89).

تاکنون بیشتر مطالعات انجام‌شده دربارة تهیة نقشة عدم‌قطعیت ویژگی‌های خاک بوده (Kempen et al, 2014: 85-90، 79-89 Padarian et al, 2019:، Heuvelink et al, 2016: 201-215، Lagacherie et al, 2019: 1320-1328 و Szatmari and Pasztor, 2019: 1329-1340) و کمتر برای تهیة نقشة عدم‌قطعیت کلاس خاک تلاش شده است؛ بنابراین در این مطالعه سعی شده است نخست نقشه‌های رقومی کلاس‌های خاک دشت شهرکرد با شبکة عصبی مصنوعی برای سلسله‌مراتب مختلف موجود در سامانة رده‌بندی آمریکایی (2014) و سپس نقشه‌های پیوستة عدم قطعیت این نقشه‌های رقومی با استفاده از شاخص درهمی (CI) تهیه و مقایسه شوند.

 

روش‌شناسی پژوهش

تهیة نقشه‌های ویژگی‌ها و کلاس‌های خاک

در پژوهش حاضر از دو گروه مختلف اطلاعات شامل ویژگی‌های خاکی (مستخرج از اطلاعات 120 خاک‌رخ حفرشده در دشت شهرکرد) و داده‌های کمکی برای تخمین کلاس‌های خاک استفاده شد؛ همچنین بعضی افق‌های مشخص شامل افق تجمع رس (آرجیلیک)، افق تجمع کربنات‌ها (کلسیک) و افق تجمع کربنات‌های سخت‌شده (پتروکلسیک)، ویژگی‌های اصلی تفکیک‌کنندة خاک‌های مطالعاتی در هر سطح از سطوح سلسله‌مراتبی سامانة رده‌بندی آمریکایی (2014)، به‌مثابة ویژگی‌های خاکی مدنظر قرار گرفتند و پس از بررسی وجود یا نبود آنها، به ‌همراه داده‌های کمکی در فرایند مدل‌سازی استفاده شدند. در ادامه براساس داده‌های محیطی به‌دست‌آمده از مدل رقومی ارتفاع و نقشه‌های کمکی، وجود یا نبود افق‌های مزبور با استفاده از شبکة عصبی مصنوعی در کل منطقه پیش‌بینی و برای تخمین درصد رس، درصد ذرات درشت، درصد کربنات کلسیم معادل، کرومای کوچک‌تر یا مساوی 2 و ظرفیت تبادل کاتیونی نیز از شبکة عصبی مصنوعی استفاده شد. پس از تهیة نقشه‌های ویژگی‌های خاک یادشده و اطمینان از صحت نقشه‌های به‌دست‌آمده، این نقشه‌ها به‌ همراه داده‌های کمکی برای تخمین کلاس‌های خاک به کار رفتند.

داده‌های کمکی استفاده‌شده در پژوهش حاضر شامل نقشة زمین‌شناسی، نقشة شکل اراضی، نقشة فاز شکل اراضی، نقشة خاک سنتی منطقه، شاخص تفاضل نرمال‌شدة پوشش گیاهی (NDVI)[7] (Rouse et al, 1974: 55) و بعضی مشتقات مدل ارتفاع رقومی شامل انحنای طولی[8]، انحنای مقطعی[9]، جهت شیب[10]، ارتفاع[11]، مقدار شیب[12]، تحلیل سایه‌اندازی تپه‌ها[13]، شاخص همگرایی[14]، حوضچه‌های بسته[15]، منطقة آبگیر[16]، شاخص خیسی ناهمواری[17]، عامل [18]LS، سطح پایة شبکة کانال[19]، فاصلة عمودی تا شبکة کانال[20]، عمق دره[21] و موقعیت شیب نسبی[22] بود. برای تهیة این مشتقات، نخست مدل ارتفاع رقومی منطقه با قدرت تفکیک 30×30 متر از سازمان نقشه‌برداری کشور ایران و سپس با استفاده از نرم‌افزارهای Arc-GIS (نسخة 3/10) و SAGA (نسخة 2.1.4) (Olaya, 2004: 1-208)، مشتقات مدل ارتفاع رقومی تهیه شد. نقشه‌های ژئوفرم منطقه (شامل نقشة شکل اراضی و نقشة فاز شکل اراضی) نیز با بهره‌گیری از عکس‌های هوایی 1:40000 (تهیه‌شده در سال 1381) و براساس سلسله‌مراتب ارائه‌شده با زینک (Zinck, 1989: 39-45) تهیه شدند؛ همچنین نقشة زمین‌شناسی منطقه با مقیاس 1:25000 و نقشة خاک منطقه با مقیاس 1:50000 (محمدی، 1365: 1-239) بود. شاخص NDVI (Rouse et al, 1974: 55) نیز براساس اطلاعات حاصل از تصاویر به‌دست‌آمده از ماهوارة لندست 8 در ژوئن 2017 محاسبه شد.

 

 

 

شکل 1. محل 120 نقطة نمونه‌برداری‌شده در دشت شهرکرد

 

مدل‌های استفاده‌شده برای پیش‌بینی کلاس‌های رقومی خاک

برای پیش‌بینی کلاس‌های خاک در هریک از سطوح رده‌بندی آمریکایی (2014) از شبکة عصبی مصنوعی استفاده و این مدل در نرم‌افزار رایگان
R 3.1.1 (https://cran.r-project.org/bin/windows/ base/old/3.1.1/) اجرا شد. در این نرم‌افزار برای اجرای مدل شبکة عصبی مصنوعی، بسته‌های caret و nnet به کار رفت.

 

ارزیابی صحت مدل‌ها

داده‌های استفاده‌شده در پژوهش حاضر به‌طور تصادفی به داده‌های آموزشی (80درصد) و اعتبارسنجی (20درصد) تقسیم و مدل‌های مختلف با داده‌های آموزشی برازش داده شدند؛ سپس پیش‌بینی براساس داده‌های اعتبارسنجی انجام شد. ارزیابی صحت مدل‌ها در پیش‌بینی ویژگی‌های کیفی و کلاس‌های خاک با مقایسة ویژگی‌ها و کلاس‌های خاک دیده و پیش‌بینی‌شده با استفاده از شاخص صحت عمومی (OA)[23] به‌صورت زیر انجام شد (Byrt et al, 1993: 425):

(1)

 

در این رابطه  تعداد سطرها یا ستون‌های ماتریس خطا،  کلاس‌هایی که به‌درستی پیش‌بینی شده‌اند و  تعداد کل مشاهدات است.

دربارة ارزیابی صحت ویژگی‌های کمّی مدنظر، شاخص RMSE در نظر گرفته شد. RMSE نشان‌دهندة خطاهای مطلق تخمین است و با استفاده از رابطة زیر محاسبه می‌شود (Farifteh et al, 2007: 70):

(2)

 

در این رابطه، Piو Oi به‌ترتیب مقادیر پیش‌بینی‌شده و واقعی ویژگی مدنظرند و n، تعداد کل مشاهدات است.

به ‌دلیل حساسیت بیشتر RMSE به داده‌های پَرت (Farifteh et al, 2007: 73)، آمارة جذر میانگین مربع خطای نسبی (RMSE%) با رابطة زیر محاسبه شد:

(3)

 

در این رابطه ، میانگین مقادیر واقعی مشاهدات است.

بدون بعدبودن آمارة اخیر، امکان مقایسة صحت برای ویژگی‌های مختلف با دامنة تغییرپذیری متفاوت را فراهم می‌کند (Park and Vlek, 2002: 128). هنگل و همکاران (2004) اظهار داشتند مقادیر RMSE% کمتر از 40، حاکی از تخمین درست و مقادیر بیش از 71 به معنای آن است که پیش‌بینی مدنظر عدم قطعیت بسیاری دارد (Hengl et al, 2004: 90).

 

تعیین عدم‌قطعیت مدل‌ها

پس از مدل‌سازی کلاس‌های خاک، عدم قطعیت در هریک از سطوح رده‌بندی سامانة رده‌بندی آمریکایی (2014) با استفاده از شاخص درهمی (CI) تعیین شد (Odgers et al, 2011: 41; Brungard et al, 2015: 75). برای این منظور میزان احتمال حضور هریک از کلاس‌های خاک در هر پیکسل تعیین و درنهایت با تجمیع تمامی این لایه‌ها، شاخص CI براساس رابطة زیر محاسبه شد:

(4)

 

در این رابطه ، مقدار بیشینة احتمال در هر پیکسل و ، مقدار دومین احتمال در همان پیکسل است. مقادیر شاخص CI از صفر تا یک متغیر و مقادیر بیش از آن نشان‌دهندة عدم قطعیت بیشتر است.

 

معرفی محدودة پژوهش

منطقة پژوهش بخشی از دشت شهرکرد واقع در استان چهارمحال و بختیاری است که بین طول‌های جغرافیایی 50 درجه و 45 دقیقه تا 50 درجه و
59 دقیقة شرقی و عرض‌های جغرافیایی 32 درجه و 12 دقیقه تا 32 درجه و 23 دقیقة شمالی قرار گرفته است. مساحت تقریبی منطقة پژوهش 10000 هکتار است که از این مساحت، 4800 هکتار آن شامل اراضی قابل کشت است (شکل 1). میانگین بارندگی و دمای سالیانة منطقه در یک دورة آماری 50ساله (سال‌های 1967 تا 2017) به ترتیب 326 میلیمتر و 2/12 درجة سلسیوس و میانگین ارتفاع منطقه از سطح دریا، 2060 متر است. رژیم‌های رطوبتی و حرارتی خاک‌های منطقة مطالعاتی به‌ ترتیب زریک[24] و مزیک[25] هستند. فیزیوگرافی اصلی این منطقه، دشت آبرفتی و مواد مادری آن به‌طور عمده شامل سنگ‌های آهکی است. بخش اعظم دشت شهرکرد به‌واسطة زمین‌های حاصلخیز زیر کشت قرار دارد و کاربری عمدة اراضی موجود در این منطقه شامل کشت آبی گندم، یونجه، سیب‌زمینی و ذرت علوفه‌ای است.

 

یافته‌های پژوهش

خاک‌های شناسایی‌شده در منطقه برمبنای سامانة رده‌بندی آمریکایی (2014)

در شکل (2) نحوة توزیع فامیل‌های خاک و جدول (1) شرح فامیل‌های خاک موجود نشان داده شده است. تعداد کلاس‌های خاک در سطوح رده، زیررده، گروه بزرگ، زیرگروه و فامیل خاک، به‌ ترتیب 2، 3، 6، 10 و 51 (کل فامیل‌ها نشان داده نشده‌اند) است و فامیل Fine, mixed, semiactive, mesic Typic Calcixerepts با فراوانی 10درصد، غالب‌ترین خاک در منطقه محسوب می‌شود. از آنجا که بعضی مشاهدات فقط یک نمونه دارند، با یکدیگر با نام «دیگر فامیل‌های خاک» ادغام شدند (Pahlavan Rad et al, 2014: 104) که در شکل (2) و جدول (1) با حرف «A» نشان داده شده است.

 

 

شکل 2. توزیع فامیل‌های مختلف خاک در منطقة مطالعاتی

 

 

جدول 1. راهنمای فامیل‌های خاک موجود در شکل 2

علامت

فامیل خاک

درصد فراوانی

A

Other soil families

21.7

B

Fine, Mixed, Semiactive, Mesic Typic Calcixerepts

10

C

Fine-silty, Mixed, Semiactive, Mesic Typic Calcixerepts

8

D

Fine-silty, Carbonatic, Mesic Typic Calcixerepts

6.7

E

Fine-silty, Mixed, Active, Mesic Typic Calcixerepts

6.7

F

Fine-silty, Mixed, Active, Calcareous, Mesic Typic Haploxerepts

5

G

Fine, Carbonatic, Mesic Typic Haploxerepts

3.3

H

Fine, Mixed, Semiactive, Calcareous, Mesic Typic Haploxerepts

3.3

I

Fine-silty, Mixed, Semiactive, Calcareous, Mesic Typic Haploxerepts

3.3

J

Coarse-silty, Carbonatic, Mesic Typic Haploxerepts

2.5

K

Fine, Carbonatic, Mesic Typic Calcixerepts

2.5

L

Fine, Mixed, Semiactive, Mesic Petrocalcic Calcixerepts

2.5

M

Fine-silty, Carbonatic, Mesic Petrocalcic Calcixerepts

2.5

N

Fine-silty, Mixed, Semiactive, Calcareous, Mesic Aquic Haploxerepts

2.5

O

Loamy-skeletal, Carbonatic, Mesic Typic Calcixerepts

2.5

P

Clayey, Carbonatic, Mesic, Shallow Petrocalcic Calcixerepts

1.7

Q

Coarse-loamy, Carbonatic, Mesic Typic Calcixerepts

1.7

R

Fine, Carbonatic, Mesic Aquic Haploxerepts

1.7

S

Fine, Mixed, Semiactive, Mesic Calcic Haploxeralfs

1.7

T

Fine, Mixed, Semiactive, Mesic Petrocalcic Palexeralfs

1.7

V

Fine-loamy, Mixed, Active, Mesic Typic Calcixerepts

1.7

W

Fine-silty, Carbonatic, Mesic Aquic Haploxerepts

1.7

X

Fine-silty, Carbonatic, Mesic Typic Haploxerepts

1.7

Y

Fine-silty, Carbonatic, Mesic, Shallow Petrocalcic Calcixerepts

1.7

Z

Fine-silty, Mixed, Active, Mesic, Shallow Petrocalcic Calcixerepts

1.7

 


ویژگی‌های خاکی پیش‌بینی‌شده

جدول (2) نشان‌دهندة مقادیر صحت عمومی (OA) محاسبه‌شده برای ویژگی‌های کیفی خاک پیش‌بینی‌شده در پژوهش حاضر است. همچنین در جدول (3) نتایج ارزیابی حاصل از پیش‌بینی ویژگی‌های کمّی خاک آورده شده است.

 

جدول 2. مقادیر صحت عمومی پیش‌بینی ویژگی‌های کیفی خاک با مدل شبکة عصبی مصنوعی

ویژگی کیفی خاک

صحت عمومی

افق تجمع رس (آرجیلیک)

0.89

افق تجمع کربنات‌ها (کلسیک)

0.73

افق تجمع کربنات‌های سخت‌شده (پتروکلسیک)

0.85

افق دارای شرایط اولیة تغییر و تحول (کمبیک)

0.5

کرومای مساوی 1

0.87

کرومای مساوی 2

0.78

جدول 3. مقادیر خطای پیش‌بینی ویژگی‌های کمّی خاک با مدل شبکة عصبی مصنوعی

ویژگی کمّی خاک

RMSE

RMSE%

درصد سنگریزه

2.5

89

درصد رس خالص

10.9

32

ظرفیت تبادل کاتیونی (cmol+ kg-1)

1.1

9

درصد کربنات کلسیم معادل

11.2

38

 

 

ملاحظه می‌شود که مدل شبکة عصبی مصنوعی برای ویژگی‌های درصد رس خالص، درصد کربنات کلسیم معادل و ظرفیت تبادل کاتیونی پیش‌بینی پذیرفته‌ای را ارائه داده است (جدول 3)؛ لیکن در تخمین سنگریزه دقت خوبی نداشته و برای این ویژگی به استفاده از مدل‌های دیگری نیاز است.

مصلح و همکاران (2016) مدل شبکة عصبی مصنوعی را بهترین مدل برای پیش‌بینی درصد ذرات درشت نسبت به مدل‌های درخت رگرسیون، مدل خطی تعمیم‌یافته و رگرسیون خطی چندگانه معرفی کردند (Mosleh et al, 2016: 1).

باقری بداغ‌آبادی و همکاران (2015) نیز مدل شبکة عصبی مصنوعی را مدلی توانا در نقشه‌برداری رقومی خاک با استفاده از مشتقات مدل رقومی ارتفاع می‌دانند (Bagheri Bodaghabadi et al, 2015: 589).

جدول‌های (4) و (5) به‌ترتیب نشان‌دهندة داده‌های محیطی انتخاب‌شده برای هر ویژگی (با توجه به اطلاعات موجود در جدول‌های 2 و 3) هستند.

 

جدول 4. داده‌های محیطی انتخاب‌شده برای هر ویژگی کیفی خاک براساس نتایج مدل شبکة عصبی مصنوعی

ویژگی کیفی خاک

داده‌های محیطی

افق تجمع رس (آرجیلیک)

منطقة آبگیر، تحلیل سایه‌اندازی تپه‌ها، مقدار شیب

افق تجمع کربنات‌ها (کلسیک)

سطح پایة شبکة کانال، عمق دره

افق تجمع کربنات‌های سخت‌شده (پتروکلسیک)

منطقة آبگیر، شاخص خیسی ناهمواری، تحلیل سایه‌اندازی تپه‌ها

افق دارای شرایط اولیة تغییر و تحول (کمبیک)

سطح پایة شبکة کانال، عمق دره

کرومای مساوی 1

سطح پایة شبکة کانال، عمق دره، منطقة آبگیر

کرومای مساوی 2

سطح پایة شبکة کانال، عمق دره

جدول 5. داده‌های محیطی انتخاب‌شده برای هر ویژگی کمّی خاک براساس نتایج مدل شبکة عصبی مصنوعی

ویژگی کمّی خاک

داده‌های محیطی

درصد سنگریزه

عامل LS، انحنای مقطعی، مقدار شیب

درصد رس خالص

منطقة آبگیر، سطح پایة شبکة کانال، انحنای مقطعی

ظرفیت تبادل کاتیونی (cmol+ kg-1)

منطقة آبگیر، سطح پایة شبکة کانال، موقعیت شیب نسبی

درصد کربنات کلسیم معادل

منطقة آبگیر، سطح پایة شبکة کانال

 

 

همان‌طور که در جدول‌‌های (4) و (5) دیده می‌شود برای هر ویژگی چند عامل محیطی در انجام پیش‌بینی اهمیت بیشتری دارد. به‌طورکلی دربارة ویژگی‌های کیفی خاک، دو عامل سطح پایة شبکة کانال و عمق دره، نقش بارزتری داشته‌اند؛ این در حالی است که دربارة ویژگی‌های کمّی خاک، عوامل منطقة آبگیر و سطح پایة شبکة کانال از اهمیت بیشتری برخوردار بوده‌اند.

باقری بداغ‌آبادی و همکاران (2011) نیز مشتقات مدل رقومی ارتفاع را عوامل مهمی برای تخمین انواع خاک بیان کرده‌اند (Bagheri Bodaghabadi et al, 2011: 66).

 

خطا و عدم‌قطعیت پیش‌بینی کلاس‌های رقومی خاک

جدول (6) نتایج ارزیابی شبکة عصبی مصنوعی را در پیش‌بینی کلاس‌های رقومی خاک برای سطوح مختلف سامانة رده‌بندی آمریکایی (2014) نشان می‌دهد. به‌طورکلی دیده می‌شود از سطح رده به سمت فامیل، مقدار صحت عمومی (OA) کاهش و دامنة تغییرات شاخص درهمی (CI) یا به ‌عبارتی عدم قطعیت افزایش می‌یابد. این نتایج با یافته‌های پژوهشگران مختلف (ازجمله Heung et al, 2016: 62؛ Brungard et al, 2015: 80 وSzatmári and Pásztor, 2019: 1337) همخوانی دارد.

نتایج همچنین نشان داد علاوه بر ویژگی‌های خاکی انتخاب‌شدة کارشناس برای مدل‌سازی کلاس‌های خاک در هرکدام از سطوح سامانة رده‌بندی خاک آمریکایی (به بند 2-2 در بخش مواد و روش‌ها مراجعه شود)، داده‌های محیطی تحلیل سایه‌اندازی تپه‌ها در سطح رده، منطقة آبگیر در سطح زیررده، سطح پایة شبکة کانال و عمق دره در سطح گروه بزرگ، سطح پایة شبکة کانال در سطح زیرگروه و منطقة آبگیر در سطح فامیل براساس بهترین مدل در تخمین کلاس‌های خاک مؤثر بوده‌اند.

 

جدول 6. نتایج مدل‌سازی کلاس‌های خاک در سطوح مختلف سامانة رده‌بندی آمریکایی (2014)*

سطح رده‌بندی

صحت عمومی

شاخص درهمی

رده

0.82

0.1-0.7

زیررده

0.86

0.22-0.41

گروه بزرگ

0.68

0.42-0.83

زیرگروه

0.43

0.2-0.9

فامیل

0.18

-

* علامت خط تیره (–) نشان‌دهندة آن است که مدل توانایی پیش‌بینی کلاس‌های خاک را برای سطح مربوطه نداشته است.

 

براساس استاندارد، کمترین خلوص لازم برای تعریف یک واحد نقشة همگون[26]، 75درصد است که شامل دست‌کم 50درصد از خاک غالب و 25درصد از خاک مشابه آن است (Soil Science Division Staff, 2017: 257)؛ بنابراین با توجه به حد پذیرفتة صحت عمومی (75درصد)، تا سطح گروه بزرگ مدل شبکة عصبی صحت لازم را دارد. هرچند در سطح گروه بزرگ (68درصد) مقدار صحت عمومی به‌دست‌آمده از حد 75درصد کمتر است، لیکن این عدد در حد صحت متوسط رو به بالا پذیرفته است.

نکتة شایستة تأمل در این زمینه، صحت محاسبه‌شده برای سطح فامیل یعنی 18درصد است؛ به بیان دیگر به یک‌باره از سطح زیرگروه به سطح فامیل، مقدار صحت مدل به کمتر از نصف کاهش یافته است (جدول 6). دلیل احتمالی این موضوع، افزایش ناگهانی فراوانی کلاس‌ها در سطح فامیل است. نتایج مشابهی را باقری بداغ‌آبادی و همکاران (2015) به ‌دست آورده‌اند (Bagheri Bodaghabadi et al, 2015: 580).

نقشه‌های عدم‌قطعیت برای پیش‌بینی در سطوح رده، زیررده، گروه‌های بزرگ و زیرگروه‌های خاک در شکل (3) نشان داده شده‌اند. همان‌طور که ملاحظه می‌شود از سطح رده تا سطح زیرگروه عدم‌قطعیت افزایش می‌یابد. این موضوع از این نظر بدیهی است که در سطح زیرگروه باید تعداد 10 کلاس پیش‌بینی شود و در سطح رده فقط دو کلاس وجود دارد. وجود عدم‌قطعیت زیاد (83/0 – 42/0) برای سطح گروه بزرگ و در عین حال صحت کلی نسبتاً خوب (68/0) برای این سطح رده‌بندی، نشان‌دهندة این نکته است که الزاماً صحت خوب بیان‌کنندة روشی مناسب یا نقشه‌ای خوب نیست؛ به دیگر سخن هرچند روش شبکة عصبی مصنوعی صحت خوبی را برای پیش‌بینی کلاس‌های خاک در این سطح داشته، اما این پیش‌بینی با عدم‌قطعیت زیاد همراه است و درنتیجه به نتایج حاصل اعتماد چندانی نیست. شاید یکی از دلایلی که شبکة عصبی مصنوعی عدم‌قطعیت زیادی را نشان داده است، همواربودن منطقة مطالعاتی (دشت شهرکرد) باشد.

در دیگر پژوهش‌های انجام‌شده (مانند Bagheri Bodaghabadi et al, 2015: 582 و Behrens et al, 2005: 23)، تنوع ناهمواری‌ها در منطقة مطالعاتی آنها زیاد بوده است؛ بنابراین روش شبکة عصبی مصنوعی را به‌مثابة مدلی مناسب برای پیش‌بینی کلاس‌های خاک بیان کرده‌اند. البته باید به این نکته نیز توجه داشت که در هیچ‌یک از پژوهش‌های مزبور عدم‌قطعیت مدل محاسبه نشده است.

 

 

       

        

شکل 3. نقشه‌های عدم‌قطعیت پیش‌بینی کلاس‌های خاک برای رده (بالا، سمت راست)، زیررده (بالا، سمت چپ)،
گروه بزرگ (پایین، سمت راست) و زیرگروه (پایین، سمت چپ) سامانة رده‌بندی آمریکایی

 


نتیجه‌گیری

نتایج پژوهش حاضر نشان داد همگام با خطای مدل، باید به عدم قطعیت آن نیز توجه داشت. به ‌نظر می‌رسد علاوه بر نوع مدل، تعداد کلاس‌ها در هر سطح طبقه‌بندی و توزیع مکانی کلاس‌های خاک در منطقة مطالعاتی اهمیت بسزایی دارند. از سوی دیگر نظر کارشناس خبره و اطلاع از عوامل تأثیرگذار بر تغییرات مکانی خاک، نقش مؤثری در ایجاد یک نقشة خاک با صحت زیاد ایفا می‌کند. براساس نتایج در مناطق هموار، مدل شبکة عصبی مصنوعی در پیش‌بینی مقادیر کمّی مناسب است؛ اما در پیش‌بینی مقادیر کیفی (نوع یا کلاس خاک) عدم‌قطعیت زیادی دارد. این موضوع به‌کارگیری روش‌های دیگری از محاسبات نرم مانند فازی، جنگل تصادفی، ماشین‌بردار پشتیبان و ... را در پیش‌بینی مقادیر کیفی به‌ویژه برای مناطق با ناهمواری کم خاطرنشان می‌کند.



[1] McCulloch and Pitts, 1943

[2] Confusion index (CI)

[3] Deep neural network

[4] Popular random forest

[5] Hyperspectral image classification

[6] Convolutional neural network

[8] Longitudinl curvature

[9] Cross sectional curvature

[10] Aspect

[11] Elevation

[12] Slope

[13] Analytical hill shading

[14] Convergence index

[15] Closed depressions

[16] Catchment area

[17] Topographic wetness index

[18] LS factor

[19] Channel network base level

[20] Vertical distance to channel network

[21] Valley depth

[22] Relative slope position

[23] Overall accuracy

[24] Xeric

[25] Mesic

[26] Consociation

منابع

محمدی، مهدی، (1365). گزارش مطالعات خاک‌شناسی نیمه‌تفصیلی استان چهارمحال و بختیاری (مناطق شهرکرد و بروجن)، نشریة فنی، دورة 1، شمارة 696، مؤسسة تحقیقات خاک و آب، 1-239.

Bagheri Bodaghabadi, M., Martínez-Casasnovas, J.A., Salehi, M.H., Mohammadi, J., Esfandiarpoor Borujeni, I., Toomanian, N., and Gandomkar. A., (2015). Digital Soil Mapping using Artificial Neuronal Networks (ANN) and Terrain-Modelling Attributes, Pedosphere, Vol 25 (4), Pp 580-591.

Bagheri Bodaghabadi, M., Salehi, M.H., Martínez-Casasnovas, J.A., Mohammadi, J., Toomanian, N., and Esfandiarpoor Borujeni, I., (2011). Using Canonical Correspondence Analysis (CCA) to identify the most important DEM attributes for digital soil mapping applications, Catena, Vol 86 (1), Pp 66-74.

Behrens, T., Schmidt, K., MacMillan, R., and Rossel. R.V., (2018). Multiscale contextual spatial modelling with the Gaussian scale space, Geoderma, Vol 310 (1), Pp 128–137.

Behrens, T., Forster, H., Scholten, T., Steinrucken, U., Spies, E.D., and Goldschmitt, M., (2005). Digital soil mapping using artificial neural networks, Journal of Plant Nutrition and Soil Science, 168 (1), Pp 21-33.

Bekat, T., Erdogan, M., Inal, F., and Genc, A., (2012). Prediction of the bottom ash formed in a coal-fired 384 power plant using artificial neural networks, Energy, Vol 45 (1), Pp 882-887.

Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A., and Edwards, T.C., (2015). Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma, Vol 239-240 (1), Pp 68–83.

Byrt, T., Bishop, J., and Carling, J.B., (1993). Bias, prevalence and kappa, Journal of Clinical Epidemiology, Vol 46 (5), Pp 423- 429.

Farifteh, J., van der Meer, F.D., Atzberger, C., and Carranza, E.J.M., (2007). Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN). Remote Sensing of Environment, Vol 110 (1), Pp 59–78.

Hengl, T., Huvelink, G.B.M., and Stein, A., (2004). A generic framework for spatial prediction of soil variables based on regression-kriging, Geoderma, Vol 120 (1–2), Pp 75–93.

Heung, B., Ho, H.C., Zhang, J., Knudby, A., Bulmer, C.E., and Schmidt, M.G., (2016). An overview and comparison of machine-learning techniques for classification purposes in digital soil mapping, Geoderma, Vol 265 (1), Pp 62–77.

Heuvelink, G., (2014). Uncertainty quantification of GlobalSoilMap products, In: GlobalSoilMap. CRC Press, Pp 335–340.

Heuvelink, G.B.M., Kros, J., Reinds, G.J., and De Vries, W., (2016). Geostatistical prediction and simulation of European soil property maps, Geoderma, Vol 7 (2), Pp 201–215.

Kempen, B., Heuvelink, G., Brus, D., and Walvoort. D., (2014). Towards GlobalSoilMap.net products for The Netherlands, In: Arrouays, D., N. McKenzie, J. Hempel, A.C. Richer de Forges, and A. McBratney (Eds.), GlobalSoilMap. CRC Press, Pp 85–90.

Lagacherie, P., Arrouays, D., Bourennane, H., Gomez, C., Martin, M., and Saby. N.P., (2019). How far can the uncertainty on a Digital Soil Map be known?: A numerical experiment using pseudo values of clay content obtained from Vis-SWIR hyperspectral imagery, Geoderma, Vol 337 (1), Pp 1320-1328.

McCulloch, W.S., Pitts, W.H., (1943). A logical calculus of the ideas immanent in nervous activity, Bullentin Mathematical Biology, Vol 5 (4), Pp 115-133.

Mosleh, Z., Salehi, M.H., Jafari, A., Esfandiarpoor Borujeni, I., and Mehnatkesh, M. , (2016). The effectiveness of digital soil mapping to predict soil properties over low relief areas, Environmental Monitoring and Assessment, Vol 188 (3), Pp 1-13.

Odgers, N.P., McBratney, A.B., and Minasny, B., (2011). Bottom-up digital soil mapping, I. Soil layer classes, Geoderma, Vol 163 (1-2), Pp 38-44.

Olaya, V.F., (2004). A gentle introduction to SAGA GIS, User Manual, The SAGA User Group e.V., First Edition, 208 p.

Oscar, C., Melin ,P., (2002). Hybrid intelligent system for time series prediction using neural network, fuzzy logic and fractal theory, IEEE Transaction on Neural Network, Vol 13 (6), Pp 1395-1408.

Padarian, J., Minasny, B., and McBratney, A.B., (2019). Using deep learning for digital soil mapping, Soil, Vol 5 (1), Pp 79-89.

Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, C.B., and Bogaert, P., (2014). Updating soil survey maps using random forest and conditioned Latin hypercube sampling in the loess derived soils of northern Iran, Geoderma, Vol 232–234 (1), Pp 97–106.

Park, S.J., Vlek ,P.L.G., (2002). Environmental correlation of three-dimensional soil spatial variability: a comparison of three adaptive techniques, Geoderma, Vol 109 (1-2), Pp 117–140.

Rouse, J.W., Hass, R.H., Schell, J.A., and Deering, D.W., (1974). Monitoring vegetation systems in the Great Plains with ERTS, Proceedings of 3rd Earth Resource Technology Satellite (ERTS) Symposium, Vol 1 (1), Pp 48-62.

Shadman Roodposhti, M., Aryal, J., Lucieer, A., and Bryan, B.A., (2019). Uncertainty Assessment of Hyperspectral Image Classification: Deep Learning vs, Random Forest, Entropy, Vol 21 (1), Pp 78-88.

Soil Science Division Staff, (2017). Soil survey manual. C. Ditzler, K. Scheffe, and H.C. Monger (eds). USDA Handbook 18. Government Printing Office, Washington, D.C. 639 p.

Soil Survey Staff, (2014). Soil taxonomy: a basic systems of soil classification for making and interpreting soil surveys, USDA, NRCS, Twelfth Edition, 372 p.

Szatmári, G., Pásztor ,L., (2019). Comparison of various uncertainty modelling approaches based on geostatistics and machine learning algorithms, Geoderma, Vol 337 (1), Pp 1329-1340.

Taghizadeh-Mehrjardi, R., Minasny, B., Triantafilis, J., Sarmadian, F., and Omid, M., (2014). Digital mapping of soil classes using decision tree and auxiliary data in the Ardakan region, Iran, Arid Land Research and Management, Vol 28 (2),
Pp 147-168.

Zinck, J.A., (1989). Physiography and soils (Lecture notes for soil students, Soil Science Division, Soil survey courses subject matter, K6. Enschede, the Netherlands: ITC.