ریزمقیاس سازی نقشه رقومی کربن آلی خاک

آب و خاک

مقاله 10، دوره 30، شماره 4 - شماره پیاپی 48، مهر 1395، صفحه 1142-1157   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i4.45102

نویسندگان

شاهرخ فاتحی^{* 1}؛ جهانگرد محمدی¹؛ محمد حسن صالحی¹؛ عزیز مومنی²؛ نورایر تومانیان³؛ اعظم جعفری⁴

¹دانشگاه شهرکرد

²موسسه ی تحقیقات خاک وآب

³مرکز تحقیقات کشاورزی و منابع طبیعی استان اصفهان

⁴دانشگاه شهید باهنر کرمان

چکیده

ریزمقیاس سازی نقشه های رقومی خاک یک گزینه ی مطرح برای تهیه داده های با قدرت تفکیک مکانی ریز در شرایطی است که تنها داده های با قدرت تفکیک مکانی درشت وجود دارد. با توجه به اهمیت نقشه هایی رقومی کربن آلی خاک با قدرت تفکیک مکانی ریز برای بررسی اثر تغییر اقلیم بر روی اکوسیستم، امنیت غذائی، آب و خاک و عدم وجود چنین داده هائی در کشور، در این مطالعه، امکان ریزمقیاس سازی نقشه ی رقومی کربن آلی خاک از اندازه پیکسل 50 متر به 10 متر با استفاده از دو روش مستقیم و نمونه برداری نقطه ای در قالب مدل های خطی تعمیم یافته، درختان رگرسیون و شبکه ی عصبی مصنوعی در زیرحوضه ی آبخیز مرک به وسعت 24000 هکتار واقع در استان کرمانشاه مورد بررسی قرار گرفت. بدین منظور 320 نقطه مشاهداتی منتج از داده های میراثی خاک و همچنین متغیرهای کمکی شامل 23 متغیر از مشتقات مدل رقومی ارتفاع، شاخص های تصاویر لندست تی ام مانند شاخص رس، پوشش گیاهی نرمال شده و اندازه ذرات و متغیرهای کیفی ژئومورفولوژی، سنگ شناسی و کاربری اراضی در فرآیند ریزمقیاس سازی استفاده شدند. نتایج نشان داد عملکرد روش ریزمقیاس سازی نمونه برداری نقطه ای تا حدودی از روش مستقیم بهتر است. همچنین در هر دو روش ریز مقیاس سازی، الگوریتم مدل سازی با درختان رگرسیون (57/0= Adjusted R2 ، 23/0-22/0= RMSE) دارای صحت و کارائی بالاتری نسبت به مدل های خطی تعمیم یافته (57/0-49/0= Adjusted R2 ، 26/0-22/0= RMSE) و شبکه ی عصبی (47/0-45/0= Adjusted R2، 28/0-27/0= RMSE) است. با وجود این، در آینده به اجرای پژوهش های بیشتری در زمینه ی روش های مختلف ریزمقیاس سازی نقشه های رقومی خاک نیاز است.

کلیدواژه‌ها

روش مستقیم؛ ریز مقیاس سازی؛ کربن آلی خاک؛ نمونه برداری نقطه ای

مراجع

1- Araújo M. B., Thuiller W., Williams P. H., and Reginster I. 2005. Downscaling European species atlas distributions to a finer resolution: implications for conservation planning. Global Ecology and Biogeography, 14 (1): 17– 30.

2- Barbosa A.M., Real R., Olivero J., and Vargas J.M. 2003. Otter (Lutra lutra) distribution modeling at two resolution scales suited to conservation planning in the Iberian Peninsula. Biological Conservation, 114: 377– 387.

3- Bergmeir C., and Benitez Jose M. 2012. Artificial neural networks in R Using the Stuttgart Neural Network Simulator: RSNNS. Journal of Statistical Software, 46:1- 26.

4- Bivan R. S., Pebesma E. J., and Rubi V. G. 2008. Applied Spatial Data Analysis with R. UseR! Springer.

5- Bloschl G. 2005. Statistical upscaling and downscaling in hydrology. In: Anderson M.G., and Mc Donnell J.J., editors, Encyclopaedia of hydrological sciences. John Wiley & Sons, Chichester, West Sussex, England.

6- Breiman L., Friedman J.H., Olshen R.A., and Stone C.J. 1984. Classification and regression. Tress. Wadsworth, Belmont, CA.

7- Bui E., Henderson B., and Viergever K. 2009. Using knowledge discovery with data mining from the Australian Soil Resource Information System database to inform soil carbonnmapping in Australia. Global Biogeochem. Cycles 23.

8- Fatehi Sh. 2008. Semi-detailed soil survey of Merek plain in Kharkeh river basin. Soil and Water Research Institute. (In Persian with English abstract)

9- Garson G.D. 1991. Interpreting neural network connection weights. Artificial Intelligence Expert, 6(4):46- 51.

10- Grunwald S. 2009. Multi-criteria characterization of recent digital soil mapping and modelling approaches. Geoderma, 152: 195– 207.

11- Hastie T., Tibshirani R., and Friedman J. 2009. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Second Edition).

12- Jafari A., Finke P.A., de Wauw J.V., Ayoubi S., and Khademi H. 2012. Spatial prediction of USDA- great soil groups in the arid Zarand region, Iran: comparing logistic regression approaches to predict diagnostic horizons and soil types. Europian Journal Soil Science, 63: 284– 298.

13- Jafari A., Ayoubi Sh., and Khademi H. 2012. Application of regression models for prediction of soil classes in some regions of central Iran (Zarand district, Kerman Province). Journal of Water and Soil, 25(6): 1353-1364. (In Persian with English abstract).

14- Kerry R., Goovaerts P., Rawlins B.G., and Marchant B.P. 2012. Disaggregation of legacy soil data using area to point kriging for mapping soil organic carbon at the regional scale. Geoderma, 170: 347– 358.

15- Kuhn M. 2008. Building Predictive Models in using the caret Package. Journal of Statistical Software, 28(5): 1: 26.

16- Lloyd P., and Palmer A.R. 1998. Abiotic factors as predictors of distribution in southern African Bulbuls. Auk, 115: 404– 411.

17- Luoto M., and Hjort J. 2005. Evaluation of current statistical approaches for predictive geomorphological mapping. Geomorph, 67: 299- 315.

18- Luoto M., and Hjort J. 2008. Downscaling of coarse-grained geomorphological Data. Earth Surface Processes and Landforms, 33: 75– 89.

19- Malone B.P., Mc Bratney A.B., Minasny B., and Laslett G.M. 2009. Mapping continuous depth functions of soil carbon storage and available water capacity. Geoderma 154, 138– 152.

20- Malone B.P., McBratney A.B., Minasny B., and Wheeler I. 2012. General method for downscaling earth resource information. Computers & Geosciences, 41: 119– 125.

21- Malone B.P., McBratney A.B., and Minasny B. 2013. Spatial Scaling for Digital Soil Mapping. Soil Science Society American Journal, 77: 890– 902.

22- Mc Bratney A.B. 1998. Some considerations on methods for spatially aggregating and disaggregating soil information. Nutrient Cycling in Agroecosystems, 50: 51– 62.

23- Mc Pherson J.M., Jetz W., and Rogers D.J. 2006. Using coarse-grained occurrence data to predict species distributions at finer spatial resolutions–possibilities and limitations. Ecological Modeling, 192: 499– 522.

24- Miklos M., Short M.G., Mc Bratney A.B., and Minasny B. 2010. Mapping and comparing the distribution of soil carbon under cropping and grazing management practices in Narrabri, north-west New South Wales. Australian Journal Soil Research, 48: 248– 257.

25- Minasny B., McBratney A.B., Mendonça-Santos M.L., Odeh I.O.A., and Guyon B. 2006. Prediction and digital mapping of soil carbon storage in the Lower Namoi Valley. Australian Journal Soil Research, 44: 233– 244.

26- Minasny B., McBratney A. B., Malone B. P., and Wheeler I. 2013. Digital Mapping of Soil Carbon. Pp.1–47. In D. L. Sparks (Ed.), Advances in Agronomy. Elsevier Inc.

27- Nabiollahi K., Haidari A., and Taghizadeh Mehrjerdi R. 2014. Digital Mapping of Soil Texture Using Regression Tree and Artificial NeuralNetwork in Bijar, Kurdistan. Journal of Water and Soil, 28(5): 1025-1036. (in Persian with English abstract)

28- Rouse J. W., Hass R. H.J., Schell A., and Deering D. W. 1973. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium, NASA SP-351, Vol. 1, Washington, DC. PP. 309- 317.

29- Sanchez P.A., Ahamed S., Carre F., Hartemink A.E., Hempel J., and Huising J. 2009. Digital soil map of the world. Science, 325: 680– 681.

30- Taghizadeh-Mehrjardi R., Minasny B., Sarmadian F., and Malone P.B. 2013. Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma, 213: 15- 28.

31- Taghizadeh Mehrjerdi R., Amirian Chekan A., and Sarmadian F. 2014. 3D Digital Mapping of Soil Cation Exchange Capacity in Dorud, Lorestan Province. Journal of Water and Soil, 28(5): 998- 1010. (In Persian with English abstract).

32- Taylor J.A., Jacob F., Galleguillos M., Prevot L., Guix N., and Lagacherie P. 2013. The utility of remotely-sensed vegetative and terrain covariates at different spatial resolutions in modelling soil and watertable depth (for digital soil mapping). Geoderma, 193: 83– 93.

33- Van Deventer A.P., Ward A.D., Gowda P.H., and Lyon J.G. 1997. Using Thematic Mapper Data to Identify Contrasting Soil Plains and Tillage Practices. Photogrammetric Engineering and Remote Sensing, 63: 87- 93.

34- Wilby R.L., and Wigley T.M.L. 1997. Downscaling general circulation model output: a review of methods and limitations. Progress in Physical Geography, 21: 530– 548.

35- Wu J., Jones K.B., Li H., and Locks O.L. 2006. Scaling and Uncertainty Analysis in Ecology. Springer. Printed in the Netherlands.

36- Xiao J., Shen Y., Tateishi R., and Bayaer W. 2006. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. International Journal of Remote Sensing, 27: 2411– 2422.

37- Zhao Y-C., and Shi X-Z. 2010. Spatial Prediction and Uncertainty Assessment of Soil Organic Carbon in Hebei Province, China. pp. 227– 240. In: Boettinger J.L., Howell D.W., Moore A.C., Hartemink A.E., Kienast-Brown S. (Eds.), Digital Soil Mapping. Bridging Research, Environmental Application, and Operation, Springer, Heidelberg.

38- Zink J. A. 1989. Physiography and soils. Lecture notes for K6 course. Soils Division, (ITC), Enschede, the Netherlands.