تغییرات مکانی ذرات معدنی خاک با استفاده از زمین آمار و سنجش از دور جهت پهنه‌بندی بافت خاک

آب و خاک

مقاله 13، دوره 32، شماره 6 - شماره پیاپی 62، بهمن 1397، صفحه 1207-1222   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v32i6.74046

نویسندگان

فرخ اسدزاده¹؛ کمال خسروی اقدم^{* 2}؛ نفیسه یغمائیان مهابادی²؛ حسن رمضانپور³

¹ارومیه

²دانشگاه گیلان

³گروه علوم خاک، دانشکده کشاورزی، دانشگاه گیلان ، رشت، ایران

چکیده

شناخت توزیع فضایی و تغییرپذیری مکانی بافت خاک به‌ عنوان یکی از مهم­ترین مشخصه­های خاک‌‌شناخت، ویژگی اساسی جهت مدیریت بهینه اراضی تلقی می­شود که آگاهی دقیق از این تغییرات مکانی به استفاده بهینه از زمین و در نهایت افزایش تولیدات کشاورزی منجر خواهد شد؛ بنابراین این مطالعه با هدف افزایش دقت تخمین بافت خاک به کمک تصاویر ماهواره ترا، سنجنده مادیس انجام شد. در این راستا، نمونه­برداری برای تخمین بافت خاک سطحی در 60 نقطه به روش تصادفی سیستماتیک در منطقه مطالعاتی واقع در شرق آذربایجان شرقی، انجام شد. بعد از تجزیه آزمایشگاهی ذرات معدنی با روش هیدرومتری، بافت خاک تعیین گردید، سپس به بررسی همبستگی اجزای معدنی خاک با باندهای SWIR ماهوراه ترا، سنجنده مادیس با قدرت تفکیک مکانی 500 متر در جهت کاهش خطای RMSE و MAE در تخمینگر زمین آماری کوکریجینگ پرداخته شد و رابطه رگرسیونی گام به گام چندگانه خطی بین باندهای SWIR و ذرات معدنی خاک ارائه شد، همچنین رابطه رگرسیونی بین سطوح تخمینی کریجینگ و کوکریجینگ از طریق تفاضل آن­ها به دست آمد. در انتها پهنه­بندی بافت خاک به کمک پیش­بینی کوکریجینگ از سه جزء معدنی خاک انجام شد. نتایج نشان داد که از بین باندهای SWIR، باند سه دارای بیشترین همبستگی با ذرات معدنی خاک می­باشد و استفاده از این متغیر کمکی، مقدار خطای تخمین RMSE را برای ذرات شن، سیلت و رس را به ترتیب 81/2، 73/2 و 06/2 و خطای تخمین MAE را به ترتیب 011/0، 025/0 و 136/0 کاهش می­دهد. برازش مدل­های تئوریکی نشان داد که بهترین مدل نیم تغییرنما برای رس، سیلت و شن به ترتیب کروی، کروی، نمایی و برای نیم تغییرنمای متقابل به ترتیب کروی، نمایی و نمایی می­باشد، همچنین بیشترین خطای تخمین مربوط به شن و کمترین خطای تخمین مربوط به رس می­باشد، که متغیر کمکی باند 3 سنجنده مادیس در پایین آوردن خطای تخمین بیشترین و کمترین اثر را به ترتیب در تخمین مربوط به شن و رس دارد، همچنین نتایج نقشه کوکریجینگ بافت خاک، با بافت­های خاک تعیین شده در آزمایشگاه به میزان 70 درصد همخوانی دارد.

کلیدواژه‌ها

توزیع اندازه ذرات؛ کریجینگ؛ کوکریجینگ؛ رگرسیون گام ‌به ‌گام چند متغیره خطی؛ سنجنده مادیس

مراجع

1. Adhikari K., Kheir R.B., Greve M.B., Bocher P.K., Malone B.P., Minasny B., McBratney A.B., and Greve M.H. 2013. Soil Science Society of America Journal. 77, 860-876.

2. Akpa S.I., Odeh I.O., Bishop T.F., and Hartemink A.E. 2014. Digital mapping of soil particle-size fractions for Nigeria. Soil Science Society of America Journal 78(6), 1953-1966.

3. Alavipanah S.A. 2016. Aplication of remote secsing in the earth scinces (soil). university of Tehran press. Tehran (In Persian).

4. Bishop T., and McBratney A. 2001. A comparison of prediction methods for the creation of field-extent soil property maps. Geoderma 103(1-2), 149-160.

5. Broge N.H., Thomsen A.G., and Greve M.H. 2004. Prediction of topsoil organic matter and clay content from measurements of spectral reflectance and electrical conductivity. Acta Agriculturae Scandinavica, Section B-Soil & Plant Science 54(4), 232-240.

6. Brown D.J., Shepherd K.D., Walsh M.G., Mays M.D., and Reinsch T.G. 2006. Global soil characterization with VNIR diffuse reflectance spectroscopy. Geoderma 132(3-4), 273-290.

7. Burgess T.M., and Webster R. 1980. Optimal interpolation., and isarithmic mapping of soil properties. European Journal of Soil Science 31(2), 315-331.

8. Cambardella C., Moorman T., Parkin T., Karlen D., Novak J., Turco R., and Konopka A. 1994. Field-scale variability of soil properties in central Iowa soils. Soil science society of America journal 58(5), 1501-1511.

9. Clark R.N. 1999. Spectroscopy of rocks and minerals, and principles of spectroscopy. Manual of remote sensing 3(3-58), 2.2-4.

10. Coleman T., Agbu P., Montgomery O., Gao T., and Prasad S. 1991. Spectral band selection for quantifying selected properties in highly weathered soils. Soil Science 151(5), 355-361.

11. D’acqui L., Pucci A., and Janik L. 2010. Soil properties prediction of western Mediterranean islands with similar climatic environments by means of mid‐infrared diffuse reflectance spectroscopy. European journal of soil science 61(6), 865-876.

12. Dematte J.A.M., and Garcia G.J. 1999. Alteration of soil properties through a weathering sequence as evaluated by spectral reflectance. Soil Science Society of America Journal 63(2), 327-342.

13. Gong Z., Kawamura K., Ishikawa N., Goto M., Wulan T., Alateng D., Yin T., and Ito Y. 2015. MODIS normalized difference vegetation index (NDVI) and vegetation phenology dynamics in the Inner Mongolia grassland. Solid Earth 6(4), 1185.

14. Goovaerts P. 1999 .Geostatistics in soil science: state-of-the-art and perspectives. Geoderma 89(1-2), 1-45.

15. Isaaks E., and Srivastava R. 1989. Applied geostatistics.,(Oxford University Press: New York). Google Scholar, 561.

16. Islam K., Singh B., and McBratney A. 2003. Simultaneous estimation of several soil properties by ultra-violet, visible, and near-infrared reflectance spectroscopy. Soil Research 41(6), 1101-1114.

17. JHA C.S., and Unni N. 1994. Digital change detection of forest conversion of a dry tropical Indian forest region. International Journal of Remote Sensing 15(13), 2543-2552.

18. Journel A.G., and Huijbregts C.J. 1978. Mining geostatistics. Academic press.

19. Jensen J. R., and Lulla K. 1987. Introductory digital image processing: a remote sensing perspective.

20. Khosravi Y., and Esmaeil A. 2017. Spatial analysis of environmental data using geostatistics. Azarlak press. 282pp (In Persian).

21. Lagacherie P., Baret F., Feret J.-B., Netto J.M., and Robbez-Masson J.M. 2008. Estimation of soil clay and calcium carbonate using laboratory, field and airborne hyperspectral measurements. Remote Sensing of Environment 112(3), 825-835.

22. Lark R.M. 2010. Two contrasting spatial processes with a common variograms: inference about spatial models from higher-order statistics. European Journal of Soil Science, 61: 479-492.

23. Li J., and Heap A.D. 2011. A review of comparative studies of spatial interpolation methods in environmental sciences: performance and impact factors. Ecological Informatics 6(3-4), 228-241.

24. 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.

25. Lieb M., Glaser B., and Huwe B. 2012. Uncertainty in the spatial prediction of soil texture: comparison of regression tree and random forest models. Geoderma 170(4), 70-79.

26. Lobell D.B., and Asner G.P. 2002. Moisture effects on soil reflectance. Soil Science Society of America Journal 66(3), ( 722-727).

27. Makabe S., KAKUDA K.i., Sasaki Y., Ando T., Fujii H., and Ando H. 2009. Relationship between mineral composition or soil texture and available silicon in alluvial paddy soils on the Shounai Plain, Japan. Soil Science & Plant Nutrition 55(5), (300-308).

28. McBratney A., and Webster R. 1983. Optimal interpolation and isarithmic mapping of soil properties. V. Co-regionalization and multiple sampling strategies J Soil Sci (34), 137-167.

29. Menut L., Perez C., Haustein K., Bessagnet B., Prigent C., and Alfaro S. 2013. Impact of surface roughness and soil texture on mineral dust emission fluxes modeling. Journal of Geophysical Research: Atmospheres 118(12), 6505-6520.

30. Minasny B., and Hartemink A.E. 2011. Predicting soil properties in the tropics. Earth-Science Reviews 106(1-2), 52-62.

31. Odeh I.O., and McBratney A.B. 2000. Using AVHRR images for spatial prediction of clay content in the lower Namoi Valley of eastern Australia. Geoderma 97(3-4), 237-254.

32. Oliver M.A., and Webster R. 1990. Kriging: a method of interpolation for geographical information systems. International Journal of Geographical Information System, 4: 313-332.

33. Page A.L. 1992. Methods of Soil Analysis. ASA and SSSA Publishers: Madison, WI.

34. Soil Survey Staff F. 2014. Keys to soil taxonomy (11th ed). Washington: USDA-NRCS.

35. Stenberg B., Rossel R.A.V., Mouazen A.M., and Wetterlind J. 2010. Visible and near infrared spectroscopy in soil science, Advances in agronomy. Elsevier, pp. 163-215.

36. Sullivan D.G., Shaw J., and Rickman D. 2005. IKONOS imagery to estimate surface soil property variability in two Alabama physiographies. Soil Science Society of America Journal 69(6), 1789-1798.

37. Tesfahunegn G.B., Tamene L., and Vlek P.L.G. 2011. Catchment-scale spatial variability of soil properties and implications on site-specific soil management in northern Ethiopia. Soil and Tillage Research, 117:124–139.

38. Triantafilis J., Odeh I., and McBratney A. 2001. Five geostatistical models to predict soil salinity from electromagnetic induction data across irrigated cotton. Soil Science Society of America Journal 65(3), 869-878.

39. Vieira S.R., and Paz Gonzalez A. 2003. Analysis of the spatial variability of crop yield and soil properties in small agricultural plots. Bragantia 62(1), (127-138).

40. Vincent R. K. (1997). Fundamentals of geological and environmental remote sensing (Vol. 366). Upper Saddle River, NJ: Prentice Hall.

41. Warrington D., Mamedov A., Bhardwaj A., and Levy G. 2009. Primary particle size distribution of eroded material affected by degree of aggregate slaking and seal development. Eur. J. Soil Sci 60, 84–93.

42. Western A.W., Zhou S.-L., Grayson R.B., McMahon T.A., Blöschl G., and Wilson D.J. 2004. Spatial correlation of soil moisture in small catchments and its relationship to dominant spatial hydrological processes. Journal of Hydrology 286(1-4), 113-134.

43. Wetterlind J., and Stenberg B. 2010. Near‐infrared spectroscopy for within‐field soil characterization: small local calibrations compared with national libraries spiked with local samples. European Journal of Soil Science 61(6), 823-843.

44. 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(4), 1202-1208.

45. Yates S., and Warrick A. 1987. Estimating Soil Water Content Using Cokriging 1. Soil Science Society of America Journal 51(1), 23-30.

46. Zhang R., Warrick A., and Myers D. 1992. Improvement of the prediction of soil particle size fractions using spectral properties. Geoderma 52(3-4), 223-234.

47. Zhao Z., Chow T.L., Rees H.W., Yang Q., Xing Z., and Meng F.R. 2009. Predict soil texture distributions using an artificial neural network model. Computers and electronics in agriculture 65(1), 36-48.