پیش‌بینی پراکنش مکانی مادۀ آلی خاک با استفاده از شاخص‌های توپوگرافی و تکنیک شبکۀ عصبی مصنوعی-کریجینگ

آب و خاک

مقاله 5، دوره 32، شماره 2 - شماره پیاپی 58، خرداد 1397، صفحه 313-325   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v32i2.68428

نویسندگان

محمد علی محمودی^* ؛ مولود میرزایی؛ سید محمد طاهر حسینی

دانشگاه کردستان

چکیده

مادۀ آلی یکی از فاکتورهای مهم کیفی خاک است که تأثیر زیادی بر ویژگی‌های فیزیکی، شیمیایی و بیولوژیکی خاک دارد. هدف از این پژوهش برآورد تغییرات مکانی مادۀ آلی خاک و وضعیت آن با استفاده از تکنیک شبکۀ عصبی مصنوعی-کریجینگ در اراضی دشت قروه در استان کردستان بود. بدین منظور تعداد 150 نمونۀ خاک به روش سیستماتیک با فواصل 2×2 کیلومتر از عمق 0 تا 15 سانتی‌متری جمع‌آوری شد. مقدار مادۀ آلی خاک‌ها در آزمایشگاه اندازه‌گیری شد. با استفاده از شبکۀ عصبی مصنوعی رابطۀ بین مقدار مادۀ آلی و پارامترهای توپوگرافی (ارتفاع، درصد شیب، جهت شیب و شاخص خیسی توپوگرافی) بدست آمد. به کمک مدل بدست آمده نقشۀ اولیۀ مادۀ آلی خاک تهیه شد. سپس مقدار باقیمانده‌های مدل شبکۀ عصبی مصنوعی با روش کریجینگ معمولی درون‌یابی شد که پس از ادغام آن با نقشۀ اولیه نقشۀ نهایی مادۀ آلی خاک بدست آمد. نقشۀ وضعیت مادۀ آلی خاک از همپوشانی نقشۀ مادۀ آلی خاک با نقشۀ بافت خاک در چهار کلاس خیلی کم، کم، متوسط و زیاد بدست آمد. نتایج حاصل از شبکۀ عصبی مصنوعی نشان داد که متغیرهای ارتفاع و جهت شیب اثر معنی‌داری بر روی مقدار مادۀ آلی خاک داشتند (05/0>P). بر اساس نتایج حاصل از ارزیابی متقاطع روش شبکۀ عصبی مصنوعی-کریجینگ توانست 89 درصد از تغییرات مکانی مادۀ آلی خاک را توصیف کند. نقشۀ وضعیت مادۀ آلی خاک نشان داد که در حدود 79 درصد از خاک‌های منطقه از نظر مادۀ آلی در وضعیت خیلی کم و کم قرار دارند.

کلیدواژه‌ها

تغییرات مکانی؛ شاخص‌های توپوگرافی؛ شبکۀ عصبی مصنوعی-کریجینگ؛ مادۀ آلی خاک

مراجع

1- Beven K.J., and Kirkby M.J. 1979. A physically based, variable contributing area model of basin hydrology. Hydrological Sciences Bulletin, 24:43–69.

2- Bishap C.M. 1995. Neural networks for pattern recogniation. Oxford University Press, Oxford, 482.

3- Burgess T.M., and Webster, R. 1980. Optimal interpolation and isarithmic mapping of soil properties: the semivariogram and punctual kriging. Soil Science, 31:315–331.

4- Burrough P.A. 1986. Principles of geographical information systems for land resources assessment. Oxford university press, New York.

5- Chivenge P.P., Murwira H.K., Giller K.E., Mapfumo P., and Six J. 2007. Long-term impact of reduced tillage and residue management on soil carbon stabilization: implications for conservation agriculture on contrasting soils. Soil and Tillage Research, 94:328–337.

6- Eldeiry A., and Garcia L.A. 2009. Comparison of Regression kriging and cokriging techniques to estimate soil salinity using Landsat images. Hydrology Days, 27:38.

7- Guo P.T., Wu W., and Sheng Q.K. 2013. Prediction of soil organic matter using artificial neural network and topographic indicators in hilly areas. Nutrient Cycling in Agroecosystems, 95:333-344.

8- Ingleby H.R., and Crowe T.G. 2001. Neural network models for predicting organic matter content in Saskatchewan soils. Canadian Biosystems Engineering, 43:71-75.

9- Istok J.D., Smyth J.D., and Flint A.L. 1993. Multivariate geostatistical analysis of groundwater contaminant: a case history. Groundwater, 31:63–74.

10- Li Z.Y. 1998. Supervised classification of multi-spectral remote sensing image using B-P neural network. Journal of Infrared and Millimeter Waves, 17:153-156.

11- Liao K., Xu S., Wu J., and Zhu Q. 2013. Spatial estimation of surface soil texture using remote sensing data. Soil Science and Plant Nutrition, 59(4):488-500.

12- Mahmoodi S., and Hakimian M. 1998. Fundamentals of soil science. Tehran university press, Tehran. (In Persian)

13- Marchetti A., Piccini C., Francaviglia R., and Mabit L. 2012. Spatial distribution of soil organic matter using geostatistics: A key indicator to assess soil degradation status in central Italy. Pedosphere, 22(2):230–242.

14- McBratney A.B., and Webster R. 1986. Choosing functions for semivariograms of soil properties and fitting them to sampling estimates. Journal of Soil Science, 37:617–639.

15- McBratney A.B., Santos M.L.M., and Minasny B. 2003. On digital soil mapping. Geoderma, 117: 3-52.

16- Mirzaie M. 2015. Prediction of soil organic matter based on soil characteristics, topography and remote sensing data using artificial neural networks. M.Sc. thesis, University of Kurdistan, Sanandaj. (In Persian with English abstract)

17- Moore A.D., McLaughlin R.A., Mitasova H., and Line D.E. 2007. Calibrating WEPP model parameters for erosion prediction on construction sites. Transactions of the ASABE, 50(2):507-516.

18- Mulla D.J., and McBratney A.B. 2000. Soil Spatial Variability. p. 343–373. In A.W. Warrick (ed.) Soil Physics Companion. CRC Press, NewYork.

19- Nash J.E., and Sutcliffe J.V. 1970. River flow forecasting through conceptual models: Part I. A discussion of principles. Journal of Hydrology,10(3):282-290.

20- Odeh I.O.A., McBratney A.B., and Chittleborough D.J. 1995. Further results on prediction of soil properties from terrain attributes: Heterotopic cokriging and regression-kriging. Geoderma, 67(3-4):215–226.

21- Quinton J.N. 1997. Reducing predictive uncertainty in model simulations: A comparison of two methods using the European Soil Erosion Model (EUROSEM). Catena, 30(2): 101-117.

22- Shouse P.J., Gerik T.J., Russell W.B., and Cassel D.K. 1990. Spatial distribution of soil particle size and aggregate stability index in a clay soil. Soil Science, 149:351–360.

23- Societ`a Italiana dei Laboratori Pubblici di Agrochimica (SILPA). 1999. From soil analysis to the fertilization advice. ASSAM, Agenzia Servizi SettorenAgroalimentare delle Marche, Regione Marche, Jesi, Italy. (In Italian)

24- Triantafilis J., Odeh I.O.A., and McBratney A.B. 2001. Five geostatistical models to predict soil salinity from electromagnetic induction data across irrigated cotton. Soil Science Society of America Journal, 65:869–878.

25- Vauclin M., Vieira S.R., Vachaud G., and Nielsen D.R. 1983. The use of cokriging with limited field observations. Soil Science Society of America Journal, 47:175–184.

26- Walkley A., and Black I.A. 1934. An examination of the Degtjareffmethod for determining soil organic matter and a proposed modification of the chromic acid titration method. Soil Science, 37:29–38.

27- Wu C., Wu J., Luo Y., Zhang L., and DeGloria S.D. 2009. Spatial prediction of soil organic matter content using cokriging with remotely sensed data. Soil Science Society of America Journal, 73:1202–1208.

28- Yadav V., and Malanson G. 2007. Progress in soil organic matter research: litter decomposition, modeling, monitoring and sequestration. Progress in Physical Geography, 31:131–154.

29- Yates S.R., and Warrick A.W. 1987. Estimating soil water content using cokriging. Soil Science Society of America Journal, 51:23–30.

30- Zhao Z., Yang Q., Benoy G., Chow T.L., Xing Z., Rees H.W., and Meng F.R. 2010. Using artificial neural network models to produce soil organic carbon content distribution maps across landscapes. Canadian Journal of Soil Science, 90:75-87.