مقایسه ی توانایی روش های رقومی در پیش بینی کلاس های خاک بر مبنای سامانه های رده بندی آمریکایی و جهانی (مطالعه ی موردی: دشت شهرکرد، استان چهارمحال و بختیاری)

آب و خاک

مقاله 9، دوره 30، شماره 4 - شماره پیاپی 48، مهر 1395، صفحه 1180-1191   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i4.47091

نویسندگان

زهره مصلح^{* 1}؛ محمد حسن صالحی¹؛ اعظم جعفری²؛ عیسی اسفندیارپور بروجنی³

¹دانشگاه شهرکرد

²دانشگاه شهید باهنر کرمان

³دانشگاه ولیعصر رفسنجان

چکیده

به منظور بررسی تأثیر سامانه های رده بندی و روش های رقومی مختلف بر صحت نتایج پیش بینی کلاس های خاک در دشت شهرکرد استان چهارمحال و بختیاری، 120 خاک رخ با فواصل تقریبی 750 متر حفر، تشریح و از تمامی افق های ژنتیکی آن ها نمونه برداری صورت گرفت. بر اساس اطلاعات حاصل از مشاهدات صحرایی و نتایج آزمایشگاهی، رده بندی خاک رخ ها بر مبنای سامانه های رده بندی آمریکایی (تا سطح فامیل) و جهانی (تا سطح واحد) نهایی گردید. پیش بینی کلاس های خاک در هر سطح بر مبنای دو سامانه ی رده بندی و با استفاده از مدل های شبکه ی عصبی- مصنوعی، درختان تصمیم گیری تصادفی، رگرسیون درختی توسعه یافته و رگرسیون لاجیستیک چند جمله ای انجام شد. نتایج نشان داد که سامانه ی آمریکایی برای رده بندی خاک ها و ایجاد نقشه های رقومی کلاس های خاک از کارایی بالاتری نسبت به سامانه ی جهانی برخوردار است. در تمامی مدل ها و بر مبنای دو سامانه ی رده بندی، مقدار صحت عمومی از سطوح بالای رده بندی به سمت سطوح پایین تر کاهش یافت؛ ولی صحت مدل-های مختلف برای پیش بینی کلاس های خاک در هر یک از سطوح رده بندی آمریکایی تقریبا یکسان بود. در رابطه با سامانه ی جهانی در سطح گروه مرجع، مدل رگرسیون لاجیستیک چندجمله ای کارایی بالاتری داشت. در بین پارامترهای محیطی وارد شده به مدل های مختلف در سطوح مختلف دو سامانه ی رده بندی، اجزای سرزمین مهم ترین پارامترها در پیش بینی کلاس های خاک بودند. سطح و سامانه ی رده بندی مورد نظر، میزان تنوع و مساحت (فراوانی) هر یک از خاک ها، توزیع مکانی خاک ها، تراکم نمونه برداری و نوع پارامترهای محیطی مورد استفاده از مهم ترین عواملی می باشند که می توانند صحت پیش بینی کلاس های خاک را تحت تأثیر قرار دهند.

کلیدواژه‌ها

اجزای سرزمین؛ خاک رخ؛ درختان تصمیم گیری تصادفی؛ سامانه های رده بندی خاک؛ صحت عمومی

مراجع

1- Bagheri Bodaghabadi M., Salehi M.H., Martinez-Casasnovas J., Mohammadi J., Toomanian N., and Esfandiarpoor Borujeni I. 2011. Using Canonical Correspondence Analysis (CCA) to identify the most important DEM attributes for digital soil mapping applications. Catena, 86: 66- 74.

2- Bahmani M., Salehi M.H., and Esfadiarpoor I. 2014. Comparison of Soil Taxonomy and WRB for description of soil properties in some arid and semiarid regions of Central Iran. Journal of Science and Technology of Agriculture and Natural Resource, Water and Soil Science, 18: 11- 21. (in Persian with English abstract)

3- Behrens T., Forster H., Scholten T., Steinrucken U., Spies E.D., and Goldschmitt M. 2005. Digital soil mapping using artificial neural networks. Journal of Plant Nutrition and Soil Science, 168: 21– 33.

4- Brungard C.W., Boettinger J.L., Duniway M.C., Wills S.A., and EdwardsJr T.C. 2015. Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma, 239– 240: 68– 83.

5- Cline M.G. 1949. Basic principles of soil classification. Soil Science, 67: 81– 91.

6- Esfandiarpour Boroujeni I., Farpoor M.H., and Kamali A. 2011. Comparison between soil taxonomy and WRB for classifying saline soils of Kerman province. Journal of Water and Soil, 25: 1158- 1171. (in Persian with English abstract)

7- Esfandiarpour Borujeni I., Salehi M.H., Karimi A., and Kamali A. 2013. Correlation between soil taxonomy and World Reference Base for soil resources in classifying calcareous soils: (A case study of arid and semi-arid regions of Iran). Geoderma, 197- 198: 126- 136.

8- Eswaran H., Rice T., Ahrens R., and Stewart B.A. 2002. Soil Classification: A Global Desk Reference. CRC Press, Boca Raton.

9- Gerasimova M.I. 2010. Chinese soil taxonomy: between the American and the international classification systems. Eurasian Soil Science, 43: 945– 949.

10- Hengl T., Toomanian N., Reuter H.I., and Malakouti M.J. 2007. Methods to interpolate soil categorical variables from profile observations: lessons from Iran. Geoderma, 140: 417– 427.

11- IUSS Working Group WRB. 2014. World Reference Base for Soil Resources 2014. International soil classification system for naming soils and creating legends for soil maps. World Soil Resources Reports No. 106. FAO, Rome.

12- Jafari A., Finke P.A., Van deWauw J., 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. European Journal of Soil Science, 63: 284– 298.

13- Jafari A., Ayoubi S., Khademi H., Finke P.A., and Toomanian N. 2013. Selection of a taxonomic level for soil mapping using diversity and map purity indices: a case study from an Iranian arid region. Geomorphology, 201: 86– 97.

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

15- Pahlavan Rad M.R., Toomanian N., Khormali F., Brungard C.W., Komaki, C.B., and Bogaert P. 2014. Updating soil survey maps using random forest and conditioned Latin hypercube sampling in the loess derived soils of northern Iran. Geoderma, 232– 234: 97– 106.

16- Rossiter D.G. 2000. Methodology for Soil Resource Inventories. Soil Science Division, International institute for Aerospace Survey & Earth Science (ITC). 2nd Revised Version.

17- Salehi M.H., and Khademi H. 2008. Fundamentals of soil survey. Isfahan University of Technology Publication. (In Persian).

18- Sarshogh M. 2009. The effect of aspect and position on some of morphological, physical, chemical and mineralogical properties of soils in Chelgerd region, Chaharmahal–va- Bakhtiari province. M.Sc. thesis, Shahrekord university. (In Persian).

19- Schoeneberger P.J., Wysocki D.A., Benham E.C., and Soil Survey Staff. 2012. Field book for describing and sampling soils. 3nd Version. Natural Resources Conservation Service. National Soil Survey Center. Lincoln, NE.

20- Soil Survey Staff. 2014. Soil Taxonomy: A basic systems of soil classification for making and interpreting soil surveys. Twelfth Edition. NRCS. USDA.

21- Stoorvogel J., Kempen J., Heuvelink B., and Bruin S. 2009. Implementation and evaluation of existing knowledge for digital soil mapping in Senegal. Geoderma, 149: 161- 170.

22- Taghizadeh-Mehrjard R., Minasny B., McBratney A.B., Triantafilis J., Sarmadian F., and Toomanian, N. 2012. Digital soil mapping of soil classes using decision trees in central Iran. p. 197– 202. In B. Minasny et al. (eds.) Digital Soil Assessments and Beyond: Proceedings of the 5th Global Workshop on Digital Soil Mapping. CRC Press, Sydney.

23- Taghizadeh-Mehrjardi R., Nabiollahi K., Minasny B., and Triantafilis J. 2015. Comparing data mining classifiers to predict spatial distribution of USDA-family soil groups in Baneh region, Iran. Geoderma, 253–254: 67– 77.

24- The Ministry of Economy, Trade and Industry of Japan (METI) and the National Aeronautics and Space Administration (NASA). 2009. Aster Global Digital Elevation Model (Aster GDEM). NASA Official. http://www.gdem.aster.ersdac.or.jp.