استفاده از متغیرهای محیطی برای بررسی کیفیت نمونه برداری در نقشه برداری خاک

آب و خاک

مقاله 7، دوره 29، شماره 1، فروردین 1394، صفحه 126-138   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.27235

نویسندگان

اعظم جعفری^{* 1}؛ نورایر تومانیان²؛ روح الله تقی زاده³

¹دانشگاه شهید باهنر کرمان

²مرکز تحقیقات کشاورزی و منابع طبیعی استان اصفهان

³دانشگاه اردکان

چکیده

اطلاعات خاک منبع مهم و ضروری برای تهیه نقشه خاک و واسنجی مدل‌های پیش‌بینی‌کننده خصوصیات خاک هستند. این اطلاعات از روش‌های مختلف نمونه‌برداری استخراج می‌شوند. هیچ معیار آماری برای ارزیابی نمونه برداری خاک در نقشه‌برداری خاک وجود ندارد و این موضوع به عدم تعادل در نمونه‌برداری و کاهش کیفیت نقشه خاک منجر می‌شود. نمونه ‌برداری هایپرکیوب لاتینبه عنوان یک طرح نمونه‌برداری برای نقشه‌برداری رقومی خاک پیشنهاد شده است. در این مطالعه از اصول هایپرکیوب برای ارزیابی کیفیت نمونه‌های خاک با استفاده از الگوریتم "ارزیابی هایپرکیوب نمونه‌برداری خاک"در نرم‌افزار R استفاده گردید. منطقه مورد مطالعه در فلات مرکزی ایران واقع در دره زاینده‌رود اصفهان قرار دارد. متغیرهای محیطی از مدل رقومی ارتفاع استخراج شد. هایپرکیوب لاتین از سه متغیر کمکی ارتفاع، شیب و شاخص خیسی تشکیل و براساس آن شاخص متغیر کمکی و وزن نسبی محاسبه شد. نتایج نشان داد افزایش تراکم و تغییرپذیری متغیر محیطی منجر به افزایش شاخص متغیر کمکی می‌شود. براساس شاخص وزن نسبی، نمونه‌برداری بیش از حد در مناطق با تراکم پایین شاخص متغیر کمکی و نمونه‌برداری کم در مناطق با تراکم و تغییرپذیری بالای شاخص متغیر کمکی مشاهده می‌شود.بنابراین لحاظ کردن فرایندهای ژئومرفولوژی برای بیان تغییرپذیری منطقه خشک در طراحی نمونه‌برداری خاک بسیار مفید و موثر واقع شده که این تنها با عملیات میدانی و صحرایی قابل تشخیص است. به این ترتیب، جزء لاینفک پروژه‌های نقشه‌برداری و شناسایی خاک، عملیات صحرایی و میدانی است که منجر به نمونه‌برداری دقیق‌تر برای برنامه‌های آینده همچون نقشه‌برداری رقومی خاک می‌شود.

کلیدواژه‌ها

شناسایی خاک؛ لاتین هایپرکیوب؛ متغیرهای محیطی و نمونه‌برداری خاک

مراجع

1- Birkeland P.W., Shroba R.R., Burns S.F., Price A.B., and Tonkin P.J. 2006. Integrating soils and geomorphology in mountains - an example from the Front Range of Colorado. Geomorphology, 55:329–344.

2- Bisbal J., Grimson J., and Bell D. 2005. A formal framework for database sampling. Information and Software Technology, 47:819–826.

3- Carre F., McBratney A.B., and Minasny B. 2007. Estimation and potential improvement of the quality of legacy soil samples for digital soil mapping. Geoderma, 141:1–14.

4- Gessler P. E., Chadwick O. A., Chamran F., Althouse L. D., and Holmes K. W. 2000. Modeling soil-landscape and ecosystem properties using terrain attributes. Soil Science Society of American Journal, 64:2046-2056.

5- Gessler P.E., Moore I.D., McKenzie N.J., and Ryan P.J. 1995. Soil-landscape modeling and spatial prediction of soil attributes. International Journal of Geographical Information Science, 9:421–432.

6- Golosov V., Sidorchuk A., and Walling D.E. 2008. Nikolay I. Makkaveev and development of fluvial geomorphology in Russia and the former Soviet Union. Catena, 73:146–150.

7- Hengl T., Rossiter D.G., and Stein A. 2003. Soil sampling strategies for spatial prediction by correlation with auxiliary maps. Geoderma, 120:75–93.

8- Heuvelink G., Brus D., and de Gruijter J. 2004. Optimisation of sample configurations for digital soil mapping with universal kriging. Global Workshop on Digital Soil Mapping, Montpellier, France, September 2004.

9- Heuvelink G.B.M., Schoorl M., Veldkamp A., and Pennock D.J. 2006. Space-time Kalman filtering of soil redistribution. Geoderma, 133:124–137.

10- Jafari A., Finke P.A., Van de WauwJ., Ayoubi S., and Khademi H. 2012. Spatial prediction of USDA- great soil groups in the aridZarand region, Iran: comparing logistic regression approaches to predict diagnostic horizons and soil types. European Journal of Soil Science, 63:284-298.

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

12- McKenzie N.J., and Ryan P.J. 1999. Spatial prediction of soil attributes using terrain analysis. Geoderma, 89:67–94.

13- MinasnyB., and McBratney A.B. 2006. A conditioned Latin hypercube method for sampling in the presence of ancillary information. Computers and Geosciences, 32:1378–1388.

14- Olaya V. 2004. A gentle introduction to Saga GIS. User manual, The SAGA User Group e.V, Göttingen.

15- Simbahan G.G. and Dobermann A. 2006. Sampling optimization based on secondary information and its utilization in soil carbon mapping. Geoderma, 133:345–362.

16- Soil Survey Staff. 2003. Keys to Soil Taxonomy, Ninth edition, NRCS, USDA.

17- Toomanian N., Jalalian A., Khademi H., KarimianEghbal M., and Papritz A. 2006. Pedodiversity and pedogenesis in Zayandeh-rud Valley, Central Iran. Geomorphology, 81:376-393.

18- Vanclay J.K., Skovsgaard J.P., and Hansen C.P. 1995. Assessing the quality of permanent sample plot databases for growth modeling in forest plantations. Forest Ecology and Management, 71:177–186.

19- Visschers R., Finke P.A., and de Gruijter J.J. 2007. A soil sampling program for the Netherlands. Geoderma, 139:60-72.