محمدحسن صالحی

ارزیابی و طبقه بندی تناسب اراضی از جمله مفیدترین راهکارهای مدیریتی و بهینه سازی بهره برداری از منابع اراضی به حساب می آید. مبنای مطالعات ارزیابی تناسب اراضی، نقشه های خاک می باشد. در روش های مرسوم مطالعات خاک و ارزیابی اراضی، اطلاعات یک نقطه مشاهداتی (خاکرخ شاهد) در هر واحد نقشه به کل آن واحد تعمیم داده می شود. بنابراین تغییرپذیری مکانی ویژگی های خاک در یک واحد نادیده گرفته می شود و برای آن واحد تنها یک مدیریت یکسان اتخاذ می گردد. چنین دیدگاه مدیریتی با توجه به وجود تغییرات و ناخالصی ها در واحدهای نقشه خاک از کارآیی مطالعات ارزیابی اراضی می کاهد. رویکرد فازی در طبقه بندی تناسب اراضی، علاوه بر توانایی تبیین تغییرپذیری تدریجی ویژگی های مکانی خاک، همچنین باعث افزایش خلوص واحدهای نقشه خاک می شود. بدین ترتیب اعمال یک مدیریت یکسان در هر واحد نقشه منطقی تر خواهد بود. در مطالعه حاضر کلاس تناسب اراضی برای کشت گندم در یک واحد نقشه، در منطقه ای به وسعت تقریبی 1300هکتار در شمال شرقی فرخ شهر در استان چهارمحال و بختیاری، با رویکرد فازی تعیین شد و با نتایج روش مرسوم مقایسه گردید. در روش مرسوم کلاس تناسب واحد نقشه، 2S با خلوص 1/16 درصد به دست آمد در حالی که در روش فازی، علاوه بر آنکه کلاس اصلی تناسب، 3S با خلوص 9/96 تعیین شد، خلوص کلاس 2S نیز به عنوان کلاس دیگر تناسب واحد نقشه به 4/34 افزایش یافت. واقعیت کلاس تناسب منطقه نیز همان کلاس 3S میباشد که روش مرسوم قادر به تشخیص آن نبوده است.

نقشه های خاک به منزله یکی از نقشه های پایه در بسیاری از مطالعات مرتبط با محیط و منابع طبیعی اهمیت زیادی دارند. نقشه های رقومی خاک بر پایه ارتباط بین ویژگی های محیطی و خاک پایه ریزی شده اند. هدف از انجام پژوهش حاضر، بررسی خطا و عدم قطعیت کلاس های رقومی خاک پیش بینی شده در سطوح مختلف سامانه رده بندی آمریکایی با استفاده از مدل شبکه عصبی مصنوعی است. تعداد 120 خاک رخ برمبنای یک الگوی شبکه ای منظم در دشت شهرکرد حفر، تشریح و نمونه برداری شد. برای تخمین کلاس های خاک، دو گروه ویژگی های خاکی (کمّی و کیفی) و داده های کمکی (شامل نقشه زمین شناسی، نقشه شکل اراضی، نقشه فاز شکل اراضی، نقشه خاک سنتی منطقه، شاخص تفاضل نرمال شده پوشش گیاهی و بعضی مشتقات مدل ارتفاع رقومی) مدنظر قرار گرفت. پس از تهیه نقشه های ویژگی های خاک و اطمینان از صحت و دقت آنها، این نقشه ها به همراه داده های کمکی برای تخمین کلاس های خاک با مدل شبکه عصبی مصنوعی در محیط نرم افزار R استفاده شدند و درنهایت دقت و عدم قطعیت مدل مزبور به ترتیب با صحت عمومی و شاخص درهمی ارزیابی شد. نتایج نشان داد ورود جزئیات بیشتر در رده بندی خاک ها در سطوح پایین طبقه بندی، ضمن افزایش تعداد کلاس ها، کاهش صحت عمومی و افزایش عدم قطعیت را به همراه داشته است. با توجه به حد پذیرفته صحت عمومی (75درصد)، مدل شبکه عصبی مصنوعی از صحت لازم تا سطح گروه بزرگ برخوردار بوده است؛ اما عدم قطعیت زیادی را داشته است؛ بنابراین صرف توجه به صحت مدل در انتخاب آن برای مدل سازی مؤثر نیست؛ بلکه در کنار خطای مدل، توجه به عدم قطعیت آن نیز بسیار مهم است. بر این اساس، به کارگیری روش های دیگری از محاسبات نرم برای مدل سازی در مناطق دشت یا مناطق با ناهمواری های کم پیشنهاد می شود.