کمال نبی اللهی

سابقه و هدف: شوری خاک یکی از مشکلات عمده در مناطق خشک و نیمه خشک است. در این شرایط، نمک های محلول در سطح خاک تجمع یافته و باعث کاهش عملکرد و حاصلخیزی خاک می شوند. شناسایی و نقشه برداری خاک های مبتلا به نمک می تواند به بهبود مدیریت این خاک ها کمک کند. بررسی تغییرات شوری خاک به شیوه های مرسوم گران و زمان بر است . بنابراین یکی از راه های چاره جهت حل این چالش استفاده از نقشه برداری رقومی خاک است که خصوصیات خاک با استفاده از داده های کمکی نقشه برداری می-شوند. هدف از این تحقیق استفاده از مدل های رگرسیون درختی و شبکه عصبی مصنوعی و داده های کمکی برای تهیه نقشه شوری خاک می باشد. مواد و روش ها: با استفاده از روش نمونه برداری هایپرکیوب تعداد 150 نمونه خاک از عمق 30-0 سانتی-متری خاک های منطقه قروه استان کردستان (با وسعت 30000 هکتار) برداشت شده و هدایت الکتریکی خاک اندازه گیری شد. متغیرهای محیطی در این پژوهش اجزاء سرزمین و داده های تصویر +ETM ماهواره لندست 8 بودند. پارامترهای سرزمین ( شامل 15 پارامتر) و شاخص شوری (SI) و شاخص گیاهی نرمال شده (NDVI) به ترتیب با استفاده از نرم افزار SAGA و ArcGIS محاسبه و استخراج گردید. جهت ایجاد ارتباط بین شوری خاک و متغیرهای کمکی از مدل رگرسیون درختی و شبکه عصبی بهره گرفته شد و با استفاده از روش اعتبارسنجی مورد ارزیابی قرار گرفت. در نهایت نقشه شوری خاک با استفاده از مدل بهتر تهیه شد. یافته ها: برای پیش بینی شوری خاک، متغیرهای کمکی شامل شاخص شوری، شاخص خیسی، شاخص همواری دره، شاخص NDVI، باند3 و باند 7 مهم ترین بودند. نتایج این تحقیق نشان داد که مدل شبکه عصبی مصنوعی (با 70/0، 036/0 و 190/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا) دارای دقت بیشتری نسبت به رگرسیون درختی برای پیش بینی شوری خاک می باشد. شوری خاک در محدوده بین 93/6 -23/0 دسی زیمنس بر متر قرار داشت و بیش ترین مقادیر شوری خاک در مناطق مرکزی (اراضی پست و بایر) قرار داشت. در این مناطق مرکزی، داده های کمکی شامل شاخص شوری، شاخص همواری دره، شاخص خیسی، باند 7 و باند 3 بیشترین مقدار و شاخص NDVI کمترین مقدار را داشتند. نتیجه گیری: مهمترین متغیر کمکی در پیش بینی شوری خاک در منطقه شاخص شوری می باشد و وجود ارتباط قوی بین داده خاک و داده های کمکی می تواند برروی دقت مدل اثرگذار ب