مجله اکوهیدرولوژی

مجله اکوهیدرولوژی

مدلسازی روابط غیرخطی خاک-گیاه در آبخیز زوجی شوش با رویکرد یادگیری ماشین و تحلیل عدم قطعیت

نوع مقاله : پژوهشی

نویسندگان
کهزاد حیدری 1
مهری دیناروند 2
صبا پیرو 3
سید حسین آرامی 3
1 استادیار پژوهشی، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان خوزستان، سازمان تحقیقات،
2 دانشیار پژوهشی، بخش تحقیقات جنگل‌ها و مراتع، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان خوزستان، سازمان تحقیقات، آموزش
3 استادیار پژوهشی، بخش تحقیقات جنگل‌ها و مراتع، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان خوزستان، سازمان تحقیقات، آموزش
10.22059/ije.2026.412192.1909
چکیده
موضوع: مدل‏سازی پویایی پوشش گیاهی در مناطق خشک با استفاده از یادگیری عمیق و داده‏های چندمنبعی
هدف: این مطالعه با هدف مدل‏سازی درصد پوشش گیاهی بر اساس ویژگی‏های خاک در دو واحد توپوگرافی تپه و دره در حوضۀ آبخیز زوجی شوش استان خوزستان با استفاده از الگوریتم‏های یادگیری ماشین و رویکردهای تفسیرپذیری و عدم قطعیت انجام شد.
روش پژوهش: پس از نمونه‏برداری از ۱۲۰ نقطه، ۹ ویژگی خاک (اسیدیته، فسفر، پتاسیم، کربن آلی، EC، آهک، رس، سیلت و شن) و درصد پوشش گیاهی اندازه‏گیری شد. سه الگوریتم جنگل تصادفی، XGBoost و گرادیان بوستینگ با اعتبارسنجی متقابل به کار رفتند. اهمیت ویژگی‏ها با شاخص‏های جینی، جایگشتی و SHAP و عدم قطعیت با روش بوت‏استرپ ارزیابی شد.
یافته‏ها: نتایج نشان داد در مدل تفکیکی برای منطقۀ دره، گرادیان بوستینگ با میانه R² برابر 0/73 عملکرد بهتری نسبت به XGBoost (0/68) و جنگل تصادفی (0/14) داشت. در مقابل، مدل یکپارچه (ترکیب تپه و دره) به دلیل ناهمگونی توپوگرافی، مقادیر R² منفی نشان داد. رس (0/245)، مادۀ آلی (0/156) و فسفر (0/130) مهم‏ترین پیش‏بین‏ کننده‌‏ها بودند. گرادیان بوستینگ بهترین پوشش عدم قطعیت (۶۰ درصد) را ارائه داد و عدم قطعیت معرفتی بر مدل‏ها غالب بود. مدل‏سازی تفکیکی بر اساس واحدهای توپوگرافی (عملکرد حدود 0/78) نسبت به مدل یکپارچه (با عملکرد منفی) برتری چشمگیری داشت. همچنین فسفر، pH و سیلت به ترتیب در ۷۵ درصد، ۵۰ درصد و ۲۵ درصد مناطق به عنوان عوامل محدودکنندۀ اولیه پوشش گیاهی شناسایی شدند.
نتیجه‏گیری: این مطالعه نشان داد روابط خاک ـ گیاه در مناطق خشک غیرخطی و وابسته به ناهمگونی توپوگرافی است. فسفر عامل محدودکنندۀ اصلی در خاک‏های آهکی شناسایی شد و علی‏رغم همبستگی خطی ضعیف، رس به دلیل رابطۀ آستانه‏ای با پوشش گیاهی به مهم‏ترین پیش‏بین‏کننده تبدیل شد. غلبۀ عدم قطعیت معرفتی نشان می‏دهد بهبود مدل‏سازی مؤثرتر از افزایش دقت اندازه‏گیری است.
کلیدواژه‌ها
یادگیری ماشین
ویژگی‌های خاک
عدم قطعیت
گرادیان بوستینگ
حوزه آبخیز زوجی شوش
موضوعات
  • Baltensweiler, A., Walthert, L., Hanewinkel, M., Zimmermann, S., & Nussbaum, M. (2021). Machine learning based soil maps for a wide range of soil properties for the forested area of Switzerland. Geoderma Regional, 27, Article e00437. https://doi.org/10.1016/j.geodrs.2021.e00437.
  • Cao, J., Zhang, Z., Wang, C., Liu, J., & Zhang, L. (2019). Susceptibility assessment of landslides triggered by earthquakes in the Western Sichuan Plateau. Catena, 175, 63-76.
  • Dietze, M. C. (2017). Ecological forecasting. Princeton University Press. doi: 10.22098/mmws.2025.17919.1633.
  • Food and Agriculture Organization of the United Nations. (2021). The state of the world's land and water resources for food and agriculture: Systems at breaking point (SOLAW 2021). FAO. https://doi.org/10.4060/cb9910en
  • Forkuor, G., Hounkpatin, O. K., Welp, G., & Thiel, M. (2017). High resolution mapping of soil properties using remote sensing variables in south-western Burkina Faso: A comparison of machine learning and multiple linear regression.
  • Hawkins, D. M. (2004). The problem of overfitting. Journal of Chemical Information and Computer Sciences, 44(1), 1–12. https://doi.org/10.1021/ci0342472
  • Heidary, K., Najafinejad, A. , Mohammadian Behbahani, A. , Ownegh, M. and W. Dekker, L. (2025). Application of Machine Learning Algorithms in Analyzing the Effect of Fire on Soil Water Repellency in Tushan Watershed, Golestan Province. Watershed Management Research, (In Persian). doi: 10.22092/wmrj.2025.370992.1637
  • Heidary, K. , Najafinejad, A. , Mohammadian Behbahani, A. , Ownegh, M. and W. Dekker, L. (2026). Application of Machine Learning Algorithms in Analyzing the Effect of Fire on Soil Water Repellency in Tushan Watershed, Golestan Province. Watershed Management Research, 39(2), 20-43. doi: 10.22092/wmrj.2025.370992.1637
  • Hengl, T., Mendes de Jesus, J., Heuvelink, G. B. M., Ruiperez Gonzalez, M., Kilibarda, M., Blagotić, A., ... & Kempen, B. (2017). SoilGrids250m: Global gridded soil information based on machine learning. PLOS ONE, 12(2), Article e0169748. https://doi.org/10.1371/journal.pone.0169748.
  • Hinsinger, P. (2001). Bioavailability of soil inorganic P in the rhizosphere as affected by root-induced chemical changes: A review. Plant and Soil, 237(2), 173–195. https://doi.org/10.1023/A:1013351617532
  • Jenny, H. (1941). Factors of soil formation: A system of quantitative pedology. McGraw-Hill.
  • Kopittke, P. M., Menzies, N. W., Wang, P., McKenna, B. A., & Lombi, E. (2019). Soil and the intensification of agriculture for global food security. Environment International, 132, Article 105078. https://doi.org/10.1016/j.envint.2019.105078
  • Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. In I. Guyon, U. V. Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, & R. Garnett (Eds.), Advances in neural information processing systems (Vol. 30, pp. 4765–4774).
  • McBratney, A. B., Mendonça Santos, M. L., & Minasny, B. (2003). On digital soil mapping. Geoderma, *117*(1–2), 3–52. https://doi.org/10.1016/S0016-7061(03)00223-4
  • Meyer, H., Reudenbach, C., Wöllauer, S., & Nauss, T. (2019). Importance of spatial predictor variable selection in machine learning applications–Moving from data reproduction to spatial prediction. Ecological Modelling, 411, Article 108815. https://doi.org/10.1016/j.ecolmodel.2019.108815
  • Minasny, B., & McBratney, A. B. (2016). Digital soil mapping: A brief history and some lessons. Geoderma, 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017
  • Mohammadian Behbahani, A. , Heidary, K. and Hosseinalizadeh, M. (2025). Modeling soil water repellency in loess soils of northern Iran using machine learning. Water and Soil Management and Modelling. (In Persian)
  • Mousavi, S. R. , Parsayi, F. , Rahmani, A. , Sedri, M. H. & kohsar Bostani, M. (2020). Spatial Prediction Some of the Surface Soil Properties Using Interpolation and Machine Learning Models. Journal of Soil Management and Sustainable Production, 10(3), 27-49. doi: 10.22069/ejsms.2021.17251.1916. (In Persian)
  • Padarian, J., Minasny, B., & McBratney, A. B. (2020). Machine learning and soil sciences: A review aided by machine learning tools. Soil, 6(1), 35-52.
  • Schratz, P., Muenchow, J., Iturritxa, E., Richter, J., & Brenning, A. (2019). Hyperparameter tuning and performance assessment of statistical and machine-learning algorithms using spatial data. Ecological Modelling, 406, 109–120. https://doi.org/10.1016/j.ecolmodel.2019.06.002.
  • Shahhosseini, M., Hu, G., & Archontoulis, S. V. (2020). Forecasting corn yield with machine learning ensembles. Frontiers in Plant Science, 11, 1120. https://doi.org/10.3389/fpls.2020.01120
  • Vaysse, K., & Lagacherie, P. (2017). Using quantile regression forest to estimate uncertainty of digital soil mapping products. Geoderma, 291, 55–64.
  • Wadoux, A. M. J. C., Minasny, B., & McBratney, A. B. (2020). Machine learning for digital soil mapping: Applications, challenges and suggested solutions. Earth-Science Reviews, 210, Article 103359. https://doi.org/10.1016/j.earscirev.2020.103359.
  • Winzeler, H. E., Mancini, M., Blackstock, J. M., Libohova, Z., Owens, P. R., Ashworth, A. J., Silva, S. H. (2024). Vegetation masking of remote sensing data aids machine learning for soil fertility prediction. Remote Sensing, 16(17), Article 3297. https://doi.org/10.3390/rs16173297
  • Yang, R. M., Zhang, G. L., Liu, F., Lu, Y. Y., Yang, F., Yang, F., ... & Li, D. C. (2016). Comparison of boosted regression tree and random forest models for mapping topsoil organic carbon concentration in an alpine ecosystem. Ecological indicators, 60, 870-878.
  • Yu, X., Liu, Y., Niu, S., Zhao, W., Fu, C., & Chen, Z. (2021). Structure, functions, and interactions of dryland ecosystems. In X. Yu & Y. Liu (Eds.), Dryland social-ecological systems in changing environments (pp. 69–107). Springer. https://doi.org/10.1007/978-981-16-3128-3_3
  • Zeraatpisheh, M., Ayoubi, S., Jafari, A., Tajik, S., & Finke, P. (2019). Digital mapping of soil properties using multiple machine learning models in the semi-arid region of central Iran. Geoderma, 337, 159-171. https://doi.org/10.1016/j.geoderma.2018.09.006
  • Zhang, L., Zhang, Z., Luo, Y., Cao, J., & Tao, F. (2021). Combining optical, fluorescence, thermal satellite, and environmental data to predict county-level maize yield in China using machine learning. Remote Sensing of Environment, 253, 112185. https://doi.org/10.3390/rs12010021.
  • Zornoza, R., Acosta, J. A., Bastida, F., Domínguez, S. G., Toledo, D. M., & Faz, A. (2015). Identification of sensitive indicators to assess the interrelationship between soil quality, management practices and human health. Soil, 1(1), 173–185. https://doi.org/10.5194/soil-1-173-2015.
مجله اکوهیدرولوژی
دوره 13، شماره 2
تابستان 1405
صفحه 1316-1341

  • تاریخ دریافت 08 فروردین 1405
  • تاریخ بازنگری 11 اردیبهشت 1405
  • تاریخ پذیرش 23 خرداد 1405
  • تاریخ اولین انتشار 01 تیر 1405
  • تاریخ انتشار 01 تیر 1405