نقشه‌برداری رقومی فرسایش‌پذیری خاک (مطالعه موردی: دهگلان، استان کردستان)

سابقه و هدف: فرسایش‌پذیری خاک یکی از خصوصیات بسیار مهم خاک می‌باشد که بررسی تغییرات مکانی آن، جهت مدیریت زراعی، تخریب اراضی و مطالعات زیست محیطی حائز اهمیت می‌باشد. بنابراین اطلاع از تغییر‌پذیری مکانی فرسایش‌پذیری خاک نقش مهمی در مدل‌سازی فرسایش آبی دارد. بررسی تغییرات فرسایش‌پذیری خاک به شیوه‌های مرسوم گران و زمان‌بر است . لذا یکی از راه‌های حل این چالش استفاده از نقشه‌برداری رقومی خاک است که می‌تواند خصوصیات خاک را با استفاده از داده‌های کمکی و مدل‌های داده‌کاوی به صورت رقومی پیش‌بینی کند. هدف از این تحقیق استفاده از مدل‌های شبکه عصبی مصنوعی و جنگل تصادفی و داده‌های کمکی برای تهیه نقشه فرسایش‌پذیری خاک می‌باشد. مواد و روش: با استفاده از روش نمونه‌برداری تصادفی طبقه‌بندی، تعداد 100 نمونه خاک از عمق 30-0 سانتی‌متری خاک‌های منطقه دهگلان استان کردستان (با وسعت 48701 هکتار) برداشت شده و خصوصیت بافت خاک، شن ریز، کربن آلی، نفوذپذیری، ساختمان خاک و فرسایش‌پذیری خاک (با استفاده از معادله ویشمایر و اسمیت) اندازه‌گیری و محاسبه شد. متغیرهای محیطی در این پژوهش اجزاء سرزمین و داده‌های تصویر +ETM بودند. پارامترهای سرزمین ( شامل 15 پارامتر) و شاخص رس و شاخص گیاهی نرمال شده (NDVI) به ترتیب با استفاده از نرم‌افزار SAGA و ArcGIS10.3 محاسبه و استخراج گردید. جهت ارتباط بین فرسایش‌پذیری خاک و متغیرهای کمکی از مدل‌های جنگل تصادفی و شبکه عصبی مصنوعی بهره گرفته شد و با استفاده از روش اعتبارسنجی دوجانبه مورد ارزیابی قرار گرفت. در نهایت نقشه شوری خاک با استفاده از مدل بهتر تهیه شد. یافته‌ها: برای پیش‌بینی فرسایش‌پذیری خاک، متغیرهای کمکی شامل شاخص خیسی، شاخص همواری دره، شیب، شاخص رس، شاخص NDVI و باند 7 مهم‌ترین بودند. نتایج این تحقیق نشان داد که دو مدل (شبکه عصبی مصنوعی با 80/0، 003/0 و 021/ و جنگل تصادفی با 76/0، 005/0 و 024/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا) دارای دقت نزدیک به‌هم برای پیش‌بینی فرسایش‌پذیری خاک بودند. فرسایش‌پذیری خاک در محدوه بین 05/0 -0 تن ساعت بر مگا ژول میلی‌متر قرار داشت و بیش‌ترین مقادیر فرسایش‌پذیری خاک در مناطق مرتفع جنوبی با شیب زیاد و پوشش گیاهی کم مشاهده شد. در کلاس شیب بیشتر از 10 درصد فرسایش‌پذیری خاک بیشتر از سایر کلاس‌های شیب بود. همچنین کلاس شیب بیشتر از 10 درصد، دارای کمترین مقادیر داده‌های کمکی شامل شاخص خیسی، شاخص همواری دره با درجه تفکیک بالا، شاخص رس و باند7 و بیشترین مقدار شاخص NDVI بود. نتیجه گیری: در پژوهش حاضر از مدل‌های شبکه عصبی مصنوعی و جنگل تصادفی جهت بررسی تغییرات مکانی فرسایش‌پذیری خاک در منطقه دهگلان استان کردستان استفاده شد. میزان فرسایش‌پذیری خاک در کلاس شیب >10% در مقایسه با سایر کلاس‌های شیب بیشتر بود. شاخص NDVI مهمترین متغیر کمکی در پیش بینی فرسایش‌پذیری خاک در منطقه بود. همچنین شبکه عصبی مصنوعی و جنگل تصادفی بر اساس نتایج شاخص‌های آماری شامل ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا ( به ترتیب 80/0، 003/0 و 021/ برای شبکه عصبی مصنوعی و 76/0، 005/0 و 024 برای جنگل تصادفی) برآورد دقیقی از فرسایش‌پذیری خاک داشتند. پیشنهاد می‌گردد جهت نقشه‌برداری رقومی خصوصیات خاک و به روز کردن نقشه‌های قدیمی از تکنیک‌های پدومتری (همچون مدل شبکه عصبی مصنوعی و جنگل تصادفی) و داده‌های کمکی اجزاء سرزمین و تصاویر ماهواره‌ای استفاده شود. همچنین پیشنهاد می‌گردد که فرسایش‌پذیری خاک مستقیماً اندازه گیری شده و نتایج آن با این مطالعه مقایسه گردد.