نقشه‌برداری رقومی فرسایش‌پذیری خاک (مطالعه موردی: دهگلان، استان کردستان)

گلمحمدی, فریبا; نبی اللهی, کمال; تقی زاده مهرجردی, روح اله; داوری, مسعود

doi:10.22069/jwsc.2017.13388.2808

دانشگاه علوم کشاورزی و منابع طبیعی گرگان

تعداد نشریات	14
تعداد شماره‌ها	680
تعداد مقالات	7,068
تعداد مشاهده مقاله	10,665,830
تعداد دریافت فایل اصل مقاله	9,766,612

	نقشه‌برداری رقومی فرسایش‌پذیری خاک (مطالعه موردی: دهگلان، استان کردستان)
مجله پژوهش‌های حفاظت آب و خاک
مقاله 5، دوره 24، شماره 6، بهمن و اسفند 1396، صفحه 87-103 اصل مقاله (1.34 M)
نوع مقاله: مقاله کامل علمی پژوهشی
شناسه دیجیتال (DOI): 10.22069/jwsc.2017.13388.2808
نویسندگان
فریبا گلمحمدی¹؛ کمال نبی اللهی^* ²؛ روح اله تقی زاده مهرجردی³؛ مسعود داوری⁴
¹دانشجوی کارشناسی ارشد
²استادیار گروه علوم و مهندسی خاک، دانشگاه کردستان
³استادیار و عضو هیأت علمی دانشگاه اردکان
⁴هیات علمی
چکیده
سابقه و هدف: فرسایش‌پذیری خاک یکی از خصوصیات بسیار مهم خاک می‌باشد که بررسی تغییرات مکانی آن، جهت مدیریت زراعی، تخریب اراضی و مطالعات زیست محیطی حائز اهمیت می‌باشد. بنابراین اطلاع از تغییر‌پذیری مکانی فرسایش‌پذیری خاک نقش مهمی در مدل‌سازی فرسایش آبی دارد. بررسی تغییرات فرسایش‌پذیری خاک به شیوه‌های مرسوم گران و زمان‌بر است . لذا یکی از راه‌های حل این چالش استفاده از نقشه‌برداری رقومی خاک است که می‌تواند خصوصیات خاک را با استفاده از داده‌های کمکی و مدل‌های داده‌کاوی به صورت رقومی پیش‌بینی کند. هدف از این تحقیق استفاده از مدل‌های شبکه عصبی مصنوعی و جنگل تصادفی و داده‌های کمکی برای تهیه نقشه فرسایش‌پذیری خاک می‌باشد. مواد و روش: با استفاده از روش نمونه‌برداری تصادفی طبقه‌بندی، تعداد 100 نمونه خاک از عمق 30-0 سانتی‌متری خاک‌های منطقه دهگلان استان کردستان (با وسعت 48701 هکتار) برداشت شده و خصوصیت بافت خاک، شن ریز، کربن آلی، نفوذپذیری، ساختمان خاک و فرسایش‌پذیری خاک (با استفاده از معادله ویشمایر و اسمیت) اندازه‌گیری و محاسبه شد. متغیرهای محیطی در این پژوهش اجزاء سرزمین و داده‌های تصویر +ETM بودند. پارامترهای سرزمین ( شامل 15 پارامتر) و شاخص رس و شاخص گیاهی نرمال شده (NDVI) به ترتیب با استفاده از نرم‌افزار SAGA و ArcGIS10.3 محاسبه و استخراج گردید. جهت ارتباط بین فرسایش‌پذیری خاک و متغیرهای کمکی از مدل‌های جنگل تصادفی و شبکه عصبی مصنوعی بهره گرفته شد و با استفاده از روش اعتبارسنجی دوجانبه مورد ارزیابی قرار گرفت. در نهایت نقشه شوری خاک با استفاده از مدل بهتر تهیه شد. یافته‌ها: برای پیش‌بینی فرسایش‌پذیری خاک، متغیرهای کمکی شامل شاخص خیسی، شاخص همواری دره، شیب، شاخص رس، شاخص NDVI و باند 7 مهم‌ترین بودند. نتایج این تحقیق نشان داد که دو مدل (شبکه عصبی مصنوعی با 80/0، 003/0 و 021/ و جنگل تصادفی با 76/0، 005/0 و 024/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا) دارای دقت نزدیک به‌هم برای پیش‌بینی فرسایش‌پذیری خاک بودند. فرسایش‌پذیری خاک در محدوه بین 05/0 -0 تن ساعت بر مگا ژول میلی‌متر قرار داشت و بیش‌ترین مقادیر فرسایش‌پذیری خاک در مناطق مرتفع جنوبی با شیب زیاد و پوشش گیاهی کم مشاهده شد. در کلاس شیب بیشتر از 10 درصد فرسایش‌پذیری خاک بیشتر از سایر کلاس‌های شیب بود. همچنین کلاس شیب بیشتر از 10 درصد، دارای کمترین مقادیر داده‌های کمکی شامل شاخص خیسی، شاخص همواری دره با درجه تفکیک بالا، شاخص رس و باند7 و بیشترین مقدار شاخص NDVI بود. نتیجه گیری: در پژوهش حاضر از مدل‌های شبکه عصبی مصنوعی و جنگل تصادفی جهت بررسی تغییرات مکانی فرسایش‌پذیری خاک در منطقه دهگلان استان کردستان استفاده شد. میزان فرسایش‌پذیری خاک در کلاس شیب >10% در مقایسه با سایر کلاس‌های شیب بیشتر بود. شاخص NDVI مهمترین متغیر کمکی در پیش بینی فرسایش‌پذیری خاک در منطقه بود. همچنین شبکه عصبی مصنوعی و جنگل تصادفی بر اساس نتایج شاخص‌های آماری شامل ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا ( به ترتیب 80/0، 003/0 و 021/ برای شبکه عصبی مصنوعی و 76/0، 005/0 و 024 برای جنگل تصادفی) برآورد دقیقی از فرسایش‌پذیری خاک داشتند. پیشنهاد می‌گردد جهت نقشه‌برداری رقومی خصوصیات خاک و به روز کردن نقشه‌های قدیمی از تکنیک‌های پدومتری (همچون مدل شبکه عصبی مصنوعی و جنگل تصادفی) و داده‌های کمکی اجزاء سرزمین و تصاویر ماهواره‌ای استفاده شود. همچنین پیشنهاد می‌گردد که فرسایش‌پذیری خاک مستقیماً اندازه گیری شده و نتایج آن با این مطالعه مقایسه گردد.
کلیدواژه‌ها
کاربری اراضی؛ تصویر ماهواره‌ای؛ مدل رقومی ارتفاع؛ شبکه عصبی مصنوعی

مراجع
1.Bonilla, C.A., and Johnson, O.I. 2012. Soil erodibility mapping and its correlation with soil properties in Central Chile. Geoderma. 189: 116-123. 2.Brus, D.J., Kempen, B., and Heuvlink, G.B.M. 2011. Sampling for validation of digital soil maps. Eur. J. Soil Sci. 62: 394-407. 3.Dai, P.F., Qigang, Z., Zhiqiang, L.V., Xuemei, W., and Gangcai, W.L. 2014. Spatial prediction of soil organic matter content integrating artificial neural network and ordinary kriging in Tibetan Plateau. Ecol. Ind. 45: 184-194. 4.Gallant, J.C., and Dowling, T.I. 2003. A multiresolution index of valley bottom flatness for mapping depositional areas. Water Resour. Res. 39: 12. 1347-1360. 5.Gee, G.W., and Bauder, J.W. 1986. Particle size analysis. P 383-411, In: A. Klute (Ed.), Methods of Soil Analysis. Part 1. American Society of Agronomy. Madison, WI. 6.Hengel, T., Rossiter, D.G., and Stein, A. 2003. Soil sampling strategies for spatial prediction by correlation with auxiliary maps. Geoderma. 120: 75-93. 7.Heung, B., Bulmer, C.E., and Schmidt, M.G. 2014. Predictive soil parent material mapping at a regional-scale: a random forest approach. Geoderma. 214-215: 141-154. 8.Jafari, A., Khademi, H., Finke, P., Wauw, J.V.D., and Ayoubi, S. 2014. Spatial prediction of soil great groups by boosted regression trees using a limited point dataset in an arid region, southeastern Iran. Geoderma. 232-234: 148-163. 9.Kang, S., Zhang, L., Song, X., Zhang, S., Liu, X., Liang, Y., and Zheng, S. 2001. Runoff and sediment loss responses to rainfall and land use in two agricultural catchments on the Loess Plateau of China. Hydrol. Process. 15: 977-988. 10.Lado, M., Paz, A., and Ben-Hur, M. 2004. Organic matter and aggregate size interactions in infiltration, seal formation, and soil loss. Soil Sci. Soc. Am J. 68: 3. 935-942. 11.Malone, B.P., McBratney, A.B., Minasny, B., and Laslett, G.M. 2009. Mapping continuous depth functions of soil carbon storage and available water capacity. Geoderma. 154: 138-152. 12.Marcel, G.S., Feike, J.L., Martinus, T., and van Genuchten, H. 1998. Neural Network Analysis for Hierarchical Prediction of Soil Hydraulic Properties. Soil Sci. Soc. Am. J. 62: 847-855. 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., Santos, M.L.M., and Minasny, B. 2003. On digital soil mapping. Geoderma. 117: 3-52. 15.McIntosh, P., and Laffan, M. 2005. Soil erodibility and erosion hazard: Extending these cornerstone soil conservation concepts to headwater streams in the forestry estate in Tasmania. For. Ecol. Manage. 220: 1. 128-139. 16.Minasny, B., and McBratney, A. 2002. The method for fitting neural network parametric pedotransfer functions. Soil Sci. Soc. Am. J. 66: 2. 352-361. 17.Nabiollhi, K., Haidari, A., and Taghizadeh-Mehrjardi, M. 2014. Digital mapping of soil texture using regression tree and ann in Bijar, Kurdistan. J. Water Soil. 28: 5. 1025-1036. (In Persian) 18.Nelson, D.W., and Sommers, L.E. 1982. Total carbon, organic carbon, and organic matter. P 539-594, In: A.L. Page and D.R. Keeney (Eds.), Methods of Soil Analysis, Part 2- Chemical and Microbiological Properties. ASA-SSSA, Madison, WI. 19.Nosrati, H., and Eftekhari, M. 2014. A new approach for variable selection using fuzzy logic. Comput. Intell. Electron. Syst. 4: 71-83. (In Persian) 20.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. 21.Panagos, P., Meusburger, K., Ballabio, C., Borrelli, P., and Alewell, C. 2014. Soil erodibility in Europe: A high-resolution dataset based on LUCAS. Sci. Total Environ. 479: 189-200. 22.Parvizi, Y., Manochehr, G., Mahmoud, O., Mahdian, M.H., and Amini, M. 2010. Determination of Soil Organic Carbon Variability of Rainfed Crop Land in Semi-arid Region (Neural Network Approach). Mod Appl Sci. 4: 7. 25-33. 23.Shirazi, M.A., and Boersma, L. 1984. A unifying quantitative analysis of soil texture. Soil Sci. Soc. Am. J. 48: 142-147. 24.Somaratne, S., Seneviratne, G., and Coomaraswamy, U. 2005. Prediction of Soil Organic Carbon across Different Land-use Patterns: A Neural Network Approach. Soil Sci. Soc. Am. J. 69: 1580-1589. 25.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. 26.Taghizadeh-Mehrjardi R., Nabiollahi K., and Kerry, R. 2016. Digital mapping of soil organic carbon at multiple depths using different data mining techniques in Baneh region, Iran. Geoderma. 253-254: 67-77. 27.Taghizadeh-Mehrjardi, R. 2016. Modern concepts in Soil Science (Pedometric). Ardakan Univ. Press, 311p. (In Persian) 28.Taghizadeh-Mehrjardi, R., Minasny, B., Sarmadian, F., and Malone, B.P. 2014. Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma. 213: 15-28. 29.Vasques, G.M., Dematte, J.A.M., Viscarra Rossel, R.A., Ramirez-Lopez, L., and Terra, F.S. 2014. Soil classification using visible/near-infrared diffuse reflectance spectra frommultiple depths. Geoderma. 223-225: 73-78. 30.Wischmeier, W.H., and Smith, D.D. 1978. Predicting rainfall erosion losses: a guide to conservation planning. Agric. No. 282. US of Agriculture, Washington, DC. 31.Yu, D.S., Xue-Zheng, S., and Weindorf, D.C. 2006. Relationships between permeability and erodibility of cultivated acrisols and cambisols in subtropical China. Pedosphere. 16: 3. 304-311.
آمار تعداد مشاهده مقاله: 1,132 تعداد دریافت فایل اصل مقاله: 1,462

سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب

پیوندهای مفید

آمار

نقشه‌برداری رقومی فرسایش‌پذیری خاک (مطالعه موردی: دهگلان، استان کردستان)