نقشه‌برداری رقومی تغییرات سطحی و زیرسطحی کربن آلی و شوری خاک در بخشی از اراضی دشت قزوین (مطالعه موردی: مناطق آبیک و نظر آباد)

آب و خاک

مقاله 9، دوره 37، شماره 2 - شماره پیاپی 88، خرداد و تیر 1402، صفحه 315-331   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2023.80369.1238

نویسندگان

گردآفرین رضایی¹؛ فریدون سرمدیان^{* 2}؛ علی محمدی ترکاشوند³؛ جواد سید محمدی⁴؛ مریم مرعشی علی آبادی⁵

¹دانشجوی دکتری پیدایش و رده بندی و ارزیابی خاک، گروه علوم و مهندسی خاک، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی ، تهران، ایران.

²استاد گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

³استاد گروه علوم و مهندسی خاک،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی ، تهران، ایران.

⁴استادیار پژوهش، موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.

⁵استادیار گروه علوم و مهندسی خاک، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی ، تهران، ایران

چکیده

آگاهی از توزیع مکانی شوری و کربن­ آلی خاک منجر به دستیابی به اطلاعات ارزشمندی می­گردد که در اتخاذ تصمیمات مدیریتی برای فعالیت­های کشاورزی موثر است. این مطالعه با هدف بررسی تغییرات مکانی قابلیت هدایت الکتریکی (EC) به عنوان بیانگر وضعیت شوری خاک و کربن­آلی خاک (SOC) در دو لایه سطحی (صفر تا30 سانتی­متر) و زیرسطحی (30-60 سانتی­متر) با استفاده از چهار الگوریتم یادگیری ماشین جنگل تصادفی (RF)، درخت تصمیم (DTr)، رگرسیون بردار پشتیبان (SVR) و شبکه عصبی مصنوعی (ANN) در دشت قزوین انجام شد. بدین منظور، از 278 خاکرخ مطالعاتی نمونه­برداری گردید و پس از عبور از الک دو میلی­متر، مقادیر EC و SOC آنها اندازه­گیری گردید. متغیرهای کمکی مستخرج از مدل رقومی ارتفاع و ماهواره لندست 8، شامل ارتفاع (Elevation)، تابش پخشیدگی (Diffuse)، شاخص همواری کف دره با درجه تفکیک بالا (MrVBF)، شاخص تفاوت پوشش گیاهی نرمال شده (NDVI)، شاخص خیسی ساگا (SWI) و شاخص جهت باد (WE) به­عنوان نمایندگان عوامل خاکسازی مورد استفاده قرار گرفتند. نتایج نشان داد که مدل RF برای پیش­بینی EC خاک در لایه سطحی با R² برابر با 74/0 و RMSE 36/0 و nRMSE 07/0وهمچنین پیش­بینی کربن­آلی در هر دو لایه سطحی و زیر سطحی با R² به­ترتیب برابر با 90/0 و 80/0 و به دنبال آن مدل DTr برای پیش­بینی شوری خاک در لایه زیرسطحی با R² 77/0 و RMSE/ 9/0 و nRMSE 17/0 نسبت به سایر مدل­ها دارای صحت بالاتری بودند. همچنین، متغیرهای توپوگرافی شامل ارتفاع، شدت تابش پخشیدگی و شاخص همواری کف دره با درجه تفکیک بالا بیشترین ارتباط را با تغییرات شوری و کربن­آلی خاک در هر دولایه سطحی و زیرسطحی داشتند. به طور کلی مدل­های RF و DTr به همراه متغیرهای توپوگرافی توانستند تغییرات شوری و کربن­آلی سطحی و زیرسطحی خاک را با صحت قابل قبول در منطقه مورد مطالعه ارائه نمایند؛ که نقشه­های تهیه شده می­توانند برای اعمال تصمیم­­های مدیریتی لازم در مورد خاک­های  منطقه مورد استفاده قرار گیرند.

کلیدواژه‌ها

تغییرات سطحی و عمقی؛ متغیرهای محیطی؛ مدلسازی رقومی؛ نقشه‌برداری ویژگی‌های خاک

مراجع

1. Abd El-Aziz, S.H., Gameh, M.A., & Ghallab, A. (2018). Applications of geographic information systems in studying changes in groundwater quality and soil salinity in Sohag Governorate. Eurasian Journal of Soil Science, 7(3), 213-223. https://doi.org/10.18393/ejss.416675.
2. Abd-Elmabod, S.K., Fitch, A.C., Zhang, Z., Ali, R.R., & Jones, L. (2019). Rapid urbanisation threatens fertile agricultural land and soil carbon in the Nile delta. Journal of Environmental Management,252, 109668. https://doi.org/10.1016/j.jenvman.2019.109668
3. Ardakani, M.A., & Vahdati, A.R. (2018). Monitoring of organic matter and soil salinity by using IRS-LissIII satellite data in the Harat plain, of Yazd province. Desert23(1): 1-8
4. Avliyakulov, M.A., Kumari, M., Rajabov, N.Q., & Durdiev, N.K. (2020). Characterization of soil salinity and its impact on wheat crop using space-borne hyperspectral data. Geoinformation Support of Sustainable Development of Territories,26(Part 3), 271-285.
5. Batista, F. (2020). Geostatistical analysis of soil properties of the karstic sub-horizontal plain of the Yucatan Peninsula. Tropical and Subtropical Agroecosystems, 24, 09.
6. Boehner, J., Koethe, R., Conrad, O., Gross, J., Ringeler, A., & Selige, T. (2002): Soil regionalisation by means of Terrain analysis and process parameterisation. In: Micheli, E., Nachtergaele, F., Montanarella, L. [Ed.]: Soil Classification 2001. European Soil Bureau, Research Report No. 7, EUR 20398 EN, Luxembourg. pp.213-222.
7. Boser, B.E., Guyon, I.M., & Vapnik, V.N. (1992). A training algorithm for optimal margin classifiers. In Proceedings of the Fifth Annual Workshop on Computational Learning Theory, Association for Computing Machinery, pp. 144–152.
8. Breiman, L. (2001). Random forests: Machine Learning 45(1): 5-32. https://doi.org/10.1023/A:1010933404324.
9. Corwin, D.L. (2021). Climate change impacts on soil salinity in agricultural areas. European Journal of Soil Science,72(2), 842-862. https://doi.org/10.1111/ejss.13010
10. de Anta, R.C., Luís, E., Febrero-Bande, M., Galiñanes, J., Macías, F., Ortíz, R., & Casás, F. (2020). Soil organic carbon in peninsular Spain: influence of environmental factors and spatial distribution. Geoderma,370, 114365.
11. Esfandiarpour-Boroujeni, I., Shahini-Shamsabadi, M., Shirani, H., Mosleh, Z., Bagheri-Bodaghabadi, M., & Salehi, M.H. (2020). Assessment of different digital soil mapping methods for prediction of soil classes in the Shahrekord plain, Central Iran. Catena,193, 104648
12. FAO and ITPS. (2015). Status of the World’s Soil Resources (SWSR) – Main Report. Food and Agriculture 439 Organization of the United Nations and Intergovernmental Technical Panel on Soils, Rome, Italy.
13. Fathizad, H., Ali Hakimzadeh Ardakani, M., Sodaiezadeh, H., Kerry, R., & Taghizadeh Mehrjardi, R. (2020). Investigation of the spatial and temporal variation of soil salinity using random forests in the central desert of Iran. Geoderma, 365, 114233.
14. Fu, T., Gao, H., & Liu, J. (2021). Comparison of different interpolation methods for prediction of soil salinity in arid irrigation region in northern China. Agronomy 11(8): 1535. https://doi.org/10.3390/agronomy11081535
15. Gholizadeh, A., Žižala, D., Saberioon, M., & Borůvka, L. (2018). Soil organic carbon and texture retrieving and mapping using proximal, airborne and Sentinel-2 spectral imaging. Remote Sensing of Environment218: 89-103. https://doi.org/10.1016/j.rse.2018.09.015
16. Gomes, L.C., Faria, R. M., de Souza, E., Veloso, G.V., Schaefer, C.E.G., & Fernandes Filho, E.I. (2019). Modelling and mapping soil organic carbon stocks in Brazil. Geoderma,340, 337-350. https://doi.org/10.1016/j.geoderma.2019.01.007.
17. .Halima, O.I., Azzouzi, M.E., Douaik, A., Azim, K., & Zouahri, A. (2019). Organic and inorganic remediation of soils affected by salinity in the Sebkha of Sed El Mesjoune–Marrakech (Morocco). Soil and Tillage Research,193, 153-160. https://doi.org/10.1016/j.still.2019.06.003.
18. Hamzehpour, N., Shafizadeh-Moghadam, H., & Valavi, R. (2019). Exploring the driving forces and digital mapping of soil organic carbon using remote sensing and soil texture. Catena,182, 104141. https://doi.org/10.1016/j.catena.2019.104141
19. Hassani, A., Azapagic, A., & Shokri, N. (2020). Predicting long-term dynamics of soil salinity and sodicity on a global scale. Proceedings of the National Academy of Sciences,117(52), 33017-33027. https://doi.org/10.1073/pnas.2013771117
20. 17-Hengl, T., Heuvelink, G.B.M., & Stein, A. (2004). A generic framework for spatial prediction of soil variables based on regression-kriging. Geoderma, 120, 75–93. https://doi.org/10.1016/j.geoderma.2003.08.018
21. Heung, B., Ho, H.C., Zhang, J., Knudby, A., Bulmer, C.E., Schmidt, M.G. (2016). An overview and comparison of machine-learning techniques for classification purposes in digital soil mapping. Geoderma265: 62-77. https://doi.org/10.1016/j.geoderma.2015.11.014
22. Holmquist, J. R., Windham-Myers, L., Bliss, N., Crooks, S., Morris, J.T., Megonigal, J. P., & Woodrey, M. (2018). Accuracy and precision of tidal wetland soil carbon mapping in the conterminous United States. Scientific Reports, 8(1), 1-16. https://doi.org/10.1038/s41598-018-26948-7
23. Jackson, M.L. (1967). Soil Chemical Analysis–Prentice Hall Inc. Englewood Cliffs, NJ, USA.
24. Khamoshi, S. E., Sarmadian, F., & Keshavarzi, A. (2018). Digital soil mapping using random forests model in Abyek, Qazvin province. Iranian Journal of Soil Research, 32(3).
25. Khaledian, Y., & Miller, B.A. (2020). Selecting appropriate machine learning methods fordigital soil mapping. Appl. Math Model 81: 401–418. https://doi.org/10.1016/j.apm.2019.12.016.
26. Khazaie, E., Bostani, A. A., & Davatgar, N. (2017). Geostatic and GIS evaluation of spatial variability of nitrogen, phosphorus, potassium, and cation exchange capacity in agro-industrial land of Sharif Abad in Qazvin. Iranian Journal of Soil Research, 31(2), 195-213. http://doi.org/10.22092/ijsr.2017.11310.
27. Lamichhane, S., Kumar, L., & Wilson, B. (2019). Digital soil mapping algorithms and covariates for soil organic carbon mapping and their implications: A review. Geoderma,352, 395-413. https://doi.org/10.1016/j.geoderma.2019.05.031
28. Ma, G., Ding, J., Han, L., Zhang, Z., & Ran, S. (2021). Digital mapping of soil salinization based on Sentinel-1 and Sentinel-2 data combined with machine learning algorithms. Regional Sustainability,2(2), 177-188. https://doi.org/10.1016/j.regsus.2021.06.001
29. Mahmoudzadeh, H., Matinfar, H. R., Taghizadeh-Mehrjardi, R., & Kerry, R. (2020). Spatial prediction of soil organic carbon using machine learning techniques in western Iran. Geoderma Regional,21, e00260. https://doi.org/10.1016/j.geodrs.2020.e00260
30. Mashalaba, L., Galleguillos, M., Seguel, O., & Olivares, J. (2020). Predicting spatial variability of selected soil properties using digital soil mapping in a rainfed vineyard of central Chile. Geoderma Regional, 22, e00289 https://doi.org/10.1016/j.geodrs.2020.e00289
31. McBratney, A., Santos, M.M., & Minasny, B. (2003). On digital soil mapping. Geoderma, 117, 3–52. https://doi.org/10.1016/S0016-7061(03)00223-4
32. Mousavi, S. R., Sarmadian, F., Omid, M., & Bogaert, P. (2021). Digital modeling of three-dimensional soil salinity variation using machine learning algorithms in arid and semi-arid lands of Qazvin plain. Iranian Journal of Soil and Water Research,52(7), 1915-1929. (In Persian with English abstract)
33. Mousavi, S. R., Sarmadian, F., Omid, M., & Bogaert, P. (2022). Three-dimensional mapping of soil organic carbon using soil and environmental covariates in an arid and semi-arid region of Iran. Measurement,201, 111706. (In Persian with English abstract)
34. Nabiollahi, K., Eskandari, S., Taghizadeh-Mehrjardi, R., Kerry, R., & Triantafilis, J. (2019). Assessing soil organic carbon stocks under land-use change scenarios using random forest models. Carbon Management,10(1), 63-77. https://doi.org/10.1016/j.measurement.2022.111706
35. Nawar, S., & Mouazen, A.M. (2017). Comparison between random forests, artificial neural networks and gradient boosted machines methods of on-line Vis-NIR spectroscopy measurements of soil total nitrogen and total carbon. Sensors,17(10), 2428. https://doi.org/10.3390/s17102428
36. Osmani, M., Osmani, F., & Pourhoseingholi, M.A. (2019). Comparison of decision tree and logistic regression for prediction of functional dyspepsia and gastroesophageal reflux disease in tehran province using rome iii. Modern Care Journal,16(4).
37. Rahmani, A., Sarmadian, F., & Arefi, H. (2022). Digital mapping of top-soil thickness and associated uncertainty using machine learning approach in some part of arid and semi-arid lands of Qazvin Plain. Iranian Journal of Soil and Water Research,53(3), 585-602. (In Persian with English abstract)
38. Rhoades, J.D. (1982). Cation exchangeable capacity. In: Page, A.L., Miller, R.H., Keeney, D.R. (Eds.), Methods of Soil Analysis: Part2. Chemical and Microbiological Properties. Agronomy Monograph, 9, 149–157.
39. Rossel, R.A.V. & McBratney, A.B. (2009). Diffuse reflectance spectroscopy as a tool for digital soil mapping. In: Digital soil mapping with limited data.
40. Shabani, S., Samadianfard, S., Sattari, M. T., Mosavi, A., Shamshirband, S., Kmet, T., & Várkonyi-Kóczy, A.R. (2020). Modeling pan evaporation using Gaussian process regression K-nearest neighbors’ random forest and support vector machines; comparative analysis. Atmosphere,11(1), 66. https://doi.org/10.3390/atmos11010066
41. Swileam, G.S., Shahin, R.R., Nasr, H.M., & Essa, K.S. (2019). Assessment of soil variability using electrical resistivity technique for normal alluvial soils, Egypt. Plant Archives,19(1), 905-912.
42. Taati, A., Sarmadian, F., Motaghian, H., & Mousavi, S.R. (2020). Mapping Features of Surface and Depth, Soil Profiles by Using Geostatistical Techniques in Part of Qazvin Plain. Human & Environment,18(1), 67-81.
43. Taghadosi, M.M., Hasanlou, M., & Eftekhari, K. (2019). Soil salinity mapping using dual-polarized SAR Sentinel-1 imagery. International Journal of Remote Sensing,40(1), 237-252. https://doi.org/10.1080/01431161.2018.1512767
44. Taghizadeh-Mehrjardi, R., Schmidt, K., Toomanian, N., Heung, B., Behrens, T., Mosavi, A., & Scholten, T. (2021). Improving the spatial prediction of soil salinity in arid regions using wavelet transformation and support vector regression models. Geoderma,383, https://doi.org/10.1016/j.geoderma.2020.114793
45. Tripathi, A., & Tiwari, R.K. (2021). A simplified subsurface soil salinity estimation using synergy of SENTINEL‐1 SAR and SENTINEL‐2 multispectral satellite data, for early stages of wheat crop growth in Rupnagar, Punjab, India. Land Degradation & Development,32(14), 3905-3919. https://doi.org/10.1002/ldr.4009
46. Wallach, D., Makowski, D., Jones, J.W., & Brun, F. (2006). Working with dynamic crop models: evaluation, analysis, parameterization, and applications. Elsevier.
47. Wang, J., Peng, J., Li, H., Yin, C., Liu, W., Wang, T., & Zhang, H. (2021). Soil salinity mapping using machine learning algorithms with the sentinel-2 MSI in Arid Areas, China. Remote Sensing,13(2), 305. https://doi.org/10.3390/rs13020305
48. Wilding, L.P. (1985). Spatial variability: its documentation, accommodation, and implication to soil surveys. In: Soil Spatial Variability, Las Vegas NV, pp. 166–194.
49. Wu, W., Zucca, C., Muhaimeed, A. S., Al‐Shafie, W. M., Fadhil Al‐Quraishi, A. M., Nangia, V., & Liu, G. (2018). Soil salinity prediction and mapping by machine learning regression in C entral M esopotamia, I raq. Land Degradation & Development,29(11), 4005-4014. https://doi.org/10.1002/ldr.3148
50. Zhang, H., Wu, P., Yin, A., Yang, X., Zhang, M., & Gao, C. (2017). Prediction of soil organic carbon in an intensively managed reclamation zone of eastern China: A comparison of multiple linear regressions and the random forest model. Science of the Total Environment,592, 704-713. https://doi.org/10.1016/j.scitotenv.2017.02.146
51. Zhao, C., Zhang, H., Song, C., Zhu, J.K., & Shabala, S. (2020). Mechanisms of plant responses and adaptation to soil salinity. The Innovation1(1): 100017. https://doi.org/10.1016/ j.xinn.2020.100017
52. Zhou, T., Geng, Y., Chen, J., Pan, J., Haase, D., & Lausch, A. (2020). High-resolution digital mapping of soil organic carbon and soil total nitrogen using DEM derivatives, Sentinel-1 and Sentinel-2 data based on machine learning algorithms. Science of The Total Environment,729, 138244. https://doi.org/10.1016/j.scitotenv.2020.138244
53. Zhou, Y., Hartemink, A.E., Shi, Z., Liang, Z., & Lu, Y. (2019). Land use and climate change effects on soil organic carbon in North and Northeast China. Science of the Total Environment,647, 1230-1238. https://doi.org/10.1016/j.scitotenv.2018.08.016
54. Žížala, D., Minařík, R., & Zádorová, T. (2019). Soil organic carbon mapping using multispectral remote sensing data: Prediction ability of data with different spatial and spectral resolutions. Remote Sensing,11(24), 2947. https://doi.org/10.3390/rs11242947.