یادگیری ماشین، شوری خاک را در اعماق مختلف نقشه‌برداری می‌کند و میزان اطمینان به پیش‌بینی‌ها را نشان می‌دهد
پژوهشی جدید که در مجله Scientific Reports منتشر شده است، چارچوبی برای نقشه‌برداری دیجیتال خاک در عمق‌های مختلف ارائه می‌کند که با استفاده از آن می‌توان هدایت الکتریکی خاک (EC) را، که شاخصی رایج برای برآورد شوری است، در پنج بازه عمقی استاندارد از سطح زمین تا عمق ۱۲۵ سانتی‌متری در استان شاندونگ در شرق چین پیش‌بینی کرد. ویژگی مهم این روش آن است که علاوه بر برآورد شوری، میزان اطمینان به هر پیش‌بینی را نیز محاسبه می‌کند. پژوهشگران برای این کار از ۶۱۷ پروفیل خاک استفاده کردند و با کمک توابع اسپلاین درجه‌دوم با مساحت برابر، مشاهدات پیوسته میدانی را به لایه‌های عمقی استاندارد تبدیل کردند.
داده‌های محیطی مورد استفاده در مدل با قدرت تفکیک مکانی ۳۰ متر گردآوری شدند و نشانه‌های طیفی شوری، وضعیت پوشش گیاهی، شرایط اقلیمی و ویژگی‌های زمین‌ریخت‌شناختی را در بر می‌گرفتند. از آنجا که بسیاری از این متغیرها اطلاعات هم‌پوشان دارند، پژوهشگران پیش از ورود داده‌ها به مدل‌های جنگل رگرسیون چندکی (QRF)، از تحلیل مؤلفه‌های اصلی برای کاهش هم‌خطی چندگانه استفاده کردند. این روش یادگیری ماشین به‌جای ارائه صرفاً یک مقدار پیش‌بینی‌شده، توزیع کامل مقادیر احتمالی را برآورد می‌کند. پژوهشگران از این ویژگی برای محاسبه بازه‌های پیش‌بینی ۹۰ درصدی هدایت الکتریکی در هر عمق بهره گرفتند. دقت مدل نیز با اعتبارسنجی متقاطع ۱۰بخشی تکرارشونده ارزیابی شد.
نتایج الگویی روشن را نشان می‌دهد: با افزایش عمق خاک، عملکرد پیش‌بینی مدل به‌طور پیوسته افت می‌کند. ضریب تعیین از ۰٫۷۹ در لایه عمقی صفر تا ۲۵ سانتی‌متر به ۰٫۵۱ در لایه ۱۰۰ تا ۱۲۵ سانتی‌متر کاهش یافت. هم‌زمان، ریشه میانگین مربعات خطا از ۰٫۱۴۲ به ۰٫۲۹۵ دسی‌زیمنس بر متر افزایش پیدا کرد. به بیان دیگر، مدل نزدیک به چهارپنجم تغییرات شوری خاک در سطح را توضیح می‌دهد، اما در عمیق‌ترین لایه فقط حدود نیمی از تغییرات را تبیین می‌کند؛ همچنین میزان خطای معمول آن در همین فاصله تقریباً دو برابر می‌شود.
عوامل مؤثر بر پیش‌بینی‌ها نیز با تغییر عمق دگرگون می‌شوند. در نزدیکی سطح خاک، شاخص‌های طیفی حساس به شوری، از جمله SSIB، CSI و SC، بیشترین اهمیت را در مدل داشتند. این نتیجه با این واقعیت سازگار است که خاک‌های شور اثرهای قابل‌شناسایی در داده‌های بازتاب طیفی ماهواره‌ای بر جای می‌گذارند. بااین‌حال، در عمق‌های بیش از ۵۰ سانتی‌متر، تأثیر این متغیرهای طیفی کاهش می‌یابد و شاخص رطوبت توپوگرافی، عمق دره، موقعیت نسبی در شیب و متغیرهای اقلیمی اهمیت بیشتری پیدا می‌کنند.
این یافته‌ها حاکی از آن است که عوامل کنترل‌کننده شوری از متغیرهای طیفی در سطح خاک به سازوکارهای مرتبط با آب، توپوگرافی و اقلیم در اعماق بیشتر تغییر می‌کنند. از نظر جغرافیایی، بالاترین مقادیر هدایت الکتریکی عمدتاً برای مناطق شرقی و جنوب‌شرقی استان شاندونگ پیش‌بینی شد؛ در مقابل، عدم‌قطعیت پیش‌بینی‌ها در مناطق انتقالی غربی و مرکزی استان بیشتر بود.
جدایی مکانی مناطق دارای شوری بالا از مناطق دارای عدم‌قطعیت زیاد، از نظر کاربردی اهمیت دارد. این اطلاعات به مدیران زمین کمک می‌کند تا نه‌تنها مناطقی را که احتمال تنش ناشی از شوری در آن‌ها بیشتر است شناسایی کنند، بلکه بدانند در کدام نواحی باید نقشه‌ها را با احتیاط بیشتری تفسیر کرد. بازه‌های پیش‌بینی ۹۰ درصدی حاصل از مدل‌های جنگل رگرسیون چندکی، این احتیاط را به‌صورت کمّی مشخص می‌کنند؛ به این ترتیب، برای هر مقدار پیش‌بینی‌شده هدایت الکتریکی، دامنه‌ای از مقادیر محتمل ارائه می‌شود، نه فقط یک عدد منفرد که ممکن است بیش از حد قطعی به نظر برسد.
انتخاب روش جنگل رگرسیون چندکی بر نحوه تفسیر نقشه‌ها تأثیر مهمی دارد. برخلاف روش‌های رگرسیون متعارف که تنها یک برآورد مرکزی ارائه می‌کنند، مدل‌های QRF توزیع شرطی هدایت الکتریکی را برآورد می‌کنند و به پژوهشگران امکان می‌دهند هم مقدار پیش‌بینی‌شده و هم بازه عدم‌قطعیت پیرامون آن را گزارش کنند. ترکیب این روش با همسان‌سازی داده‌ها از طریق توابع اسپلاین درجه‌دوم با مساحت برابر، که مشاهدات پروفیل‌های خاک را به لایه‌های استاندارد و سازگار تبدیل می‌کند، امکان مقایسه پیش‌بینی‌ها را در هر پنج بازه عمقی فراهم می‌آورد.
این پژوهش تنها یک استان را بررسی کرده است و ارقام مربوط به دقت مدل نیز از اعتبارسنجی متقاطع به دست آمده‌اند، نه از تأیید مستقل در میدان. بنابراین، عملکرد این روش در مناطق دیگر یا در شرایطی با تراکم نمونه‌برداری متفاوت، هنوز مشخص نیست و باید بررسی شود. کاهش دقت با افزایش عمق نیز به این معناست که پیش‌بینی‌های مربوط به لایه‌های عمیق‌تر در مقایسه با پیش‌بینی‌های سطحی، پشتوانه شواهد محدودتری دارند.
این مطالعه نشان می‌دهد که با ترکیب اطلاعات محیطی ویژه هر عمق و یادگیری ماشین احتمالاتی، می‌توان نقشه‌هایی مکانی و آگاه از عدم‌قطعیت شوری خاک را برای کل پروفیل خاک تهیه کرد، نه فقط برای سطح آن. چنین نقشه‌هایی می‌توانند به پایش هدفمندتر و مدیریت زمین متناسب با شرایط هر منطقه کمک کنند؛ البته به شرط آنکه کاربران حدود اطمینان کمّی مشخص‌شده برای هر پیش‌بینی را در نظر بگیرند.
موضوع پژوهش: نقشه‌برداری دیجیتال شوری خاک در عمق‌های مختلف و عدم‌قطعیت پیش‌بینی با استفاده از جنگل‌های رگرسیون چندکی
عنوان مقاله: نقشه‌برداری شوری خاک و عدم‌قطعیت پیش‌بینی در عمق‌های مختلف با استفاده از جنگل‌های رگرسیون چندکی
مشخصات منبع: Zhang, H., Han, D., & Wang, X. (2026). Mapping soil salinity and prediction uncertainty across different depths using quantile regression forests. Scientific Reports. https://doi.org/10.1038/s41598-026-77408-6
شناسه دیجیتال مقاله (DOI): 10.1038/s41598-026-77408-6
کلیدواژه‌ها: شوری خاک، نقشه‌برداری دیجیتال خاک، جنگل‌های رگرسیون چندکی، هدایت الکتریکی، عدم‌قطعیت پیش‌بینی، استان شاندونگ، یادگیری ماشین، شاخص‌های طیفی، عمق خاک، اعتبارسنجی متقاطع، متغیرهای محیطی، مدیریت زمین