
تعداد نشریات | 13 |
تعداد شمارهها | 626 |
تعداد مقالات | 6,517 |
تعداد مشاهده مقاله | 8,746,411 |
تعداد دریافت فایل اصل مقاله | 8,317,271 |
انبوهشزدایی مکانی نقشه نیمه تفصیلی خاک با استفاده از روش دسمارت | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 3، دوره 25، شماره 2، خرداد و تیر 1397، صفحه 49-69 اصل مقاله (2.36 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2018.13870.2860 | ||
نویسندگان | ||
شاهرخ فاتحی* 1؛ کامران افتخاری2؛ جلال قادری3 | ||
1استادیارپژوهش، بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران. | ||
2استادیار پژوهش، مؤسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران | ||
3عضو هیات علمی، بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران. | ||
چکیده | ||
سابقه و هدف: مدیریت چالشهای جهان امروز مانند امنیت غذایی و مسائل زیست محیطی، نیازمند اطلاعات رقومی خاک با صحت و دقّت کافی و با قدرت تفکیک مکانی ریز است. نقشههای خاک عمدتاً در مقیاس کوچک قابل دسترس هستند. با وجود این، در طی دو دهه اخیر با ظهور روشهای نقشهبرداری و مدلسازی رقومی خاک، امکان انبوهشزدایی مکانی واحدهای نقشه خاک فراهم شده است. انبوهشزدایی مکانی واحدهای نقشه خاک، روشی است که توزیع مکانی کلاسهای منفرد خاک را مدلسازی میکند. طی این فرایند اطلاعات نقشهی خاک از مقیاس کوچک (قدرت تفکیک مکانی درشت) به مقیاس بزرگ (قدرت تفکیک مکانی ریز) تبدیل میشود و برای اجرای آن، روشهای آماری و دادهکاوی مورد استفاده قرار میگیرد. هدف از انجام این پروژه، استفاده از روش انبوهشزدائی و یکنواختسازی واحدهای نقشه خاک از طریق بازچینی توسط درختان طبقهبندی (دسمارت ) برای انبوهشزدایی واحدهای نقشه نیمهتفصیلی خاک است. مواد و روشها: ناحیه مورد مطالعه با وسعتی حدود 14083.9 هکتار در استان کرمانشاه قرار دارد. نقشهی خاک منطقه از 5 واحد نقشه تشکیل شدهاست و در کل واحدهای نقشه مرکب از 4 زیرگروه خاک میباشند. در این پژوهش، با استفاده از مدلهای رقومی ارتفاع با قدرت تفکیک مکانی 10 متر، نقشهی متغیرهای کمکی شامل ارتفاع، درصد شیب، جهت شیب، تحدب، تابش مستقیم، شاخص رسوب و شاخص همواری درّه با درجه تفکیک بالا، شاخص خیسی، عمق دره و فاصله عمودی تا شبکه آبراهه تهیه گردید. همچنین از تصاویر ماهوارهای لندستETM+7، برای تولید متغیر کمکی شاخص رس، شاخص اندازه ذرات و شاخص پوشش گیاهی نرمال شده استفاده شد. نقشه زمین شناسی با مقیاس 1:100000 نیز به عنوان متغیر کیفی ورودی به کار رفت. سپس مدل دسمارت برای انبوهشزدایی نقشه خاک منطقه مورد مطالعه اجرا شد. روش دسمارت از درون واحدهای نقشه به طور تصادفی نمونهبرداری نموده و از درختان طبقهبندی الگوریتم C5.0 برای تولید نقشههای سطوح احتمال توزیع کلاسهای منفرد خاک استفاده میکند. ارزیابی نقشههای سطوح احتمال با استفاده از دادههای اعتبارسنجی شامل 82 نیمرخ خاک و معیارهای مستخرج از ماتریس درهمی شامل صحت تولیدکننده، صحت کاربر، صحت کلی و ضریب کاپا انجام شد. همچنین شاخص آسیمگی بین نقشه احتمال کلاس خاک مرتبه اول و دوم محاسبه گردید. شاخص آسیمگی بیان مختصری از درجه آسیمگی کلاسهای خاک است. یافتهها: فاصله عمودی تا شبکه آبراهه، ارتفاع، لیتولوژی، شاخص اندازه ذرات و شاخص همواری درّه با درجه تفکیک بالا از مهمترین متغیرهای پیشبینی کننده مدل درختان طبقهبندی بودند. شاخص آسیمگی نزدیک به یک، که گسترش فراوانی در ناحیه مورد مطالعه دارد احتمال وقوع یکسان زیرگروههای خاک در هر موقعیت مکانی در هر دو نقشه احتمال کلاس خاک مرتبه اول و دوم را نشان میدهد. اعتبارسنجی نقشههای سطوح احتمال نشان میدهد که صحت کلی احتمال کلاس خاک مرتبه اول (44 درصد)، احتمال کلاس خاک مرتبه دوم (28 درصد) و احتمال کلاس خاک مرتبه سوم (11 درصد) میباشد. این نتایج بیانگر کارایی نسبتاً خوب این روش برای تولید نقشه رقومی کلاسهای منفرد خاک است. اما ضرایب کاپا برای نقشههای سطوح احتمال خاک مرتبه اول، دوم و سوم به ترتیب 0.04، 0.02 و 0.08- به دست آمد. پایین بودن ضرایب کاپا را میتوان ناشی از ماهیت واقعی دادهها یعنی غالب بودن زیرگروه تیپیک کلسی زرپتز در نقشه سنتی خاک، نقشه پیشبینی مدل دسمارت و دادههای اعتبارسنجی دانست. نتیجهگیری: روش دسمارت قادر است احتمال وقوع تمام کلاسهای خاک ناحیه مورد مطالعه که توزیع آنها در واحدهای نقشه نامشخص است را پیشبینی نماید و فرصتی برای تولید نقشههای رقومی کلاس خاک هنگامی که دادههای میراثی خاک و متغیرهای کمکی در دسترس هستند فراهم میکند. چنین خروجیهایی میتواند به فهم روابط سیمای اراضی و خاک کمک کند. | ||
کلیدواژهها | ||
انبوهش زدایی مکانی؛ نقشه رقومی خاک؛ کلاس خاک؛ واحد نقشه | ||
مراجع | ||
1.Banaei, M.H., Momeni, A., Baybordi, M., and Malakouti, M.J. 2005. The soils of Iran (new achievements in perception, managements and use). Soil and Water Research Institute, AREO, Tehran, Iran, 482p. (In Persian)
2.Bui, E.N., and Moran, C.J. 2001. Disaggregation of polygons of surficial geology and soil maps using spatial modelling and legacy data. Geoderma. 103: 2. 79-94.
3.Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A., and Edwards, T.C. 2015. Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma. 240: 68-83. 4.Brus, D.J., Kempen, B., and Heuvelink, G.B.M. 2011. Sampling for validation of digital soil maps. Europ. J. Soil Sci. 62: 394-407.
5.Burrough, P.A., van Gaans, P.F.M., and Hootsmans, R. 1997. Continuous classification in soil survey: spatial correlation, confusion and boundaries. Geoderma. 77: 115-135.
6.Chaney, N., Hempel, J.W., Odgers, N.P., McBratney, A.B., and Wood, E.F. 2014. Spatial disaggregation and harmonization of gSSURGO. In: ASA, CSSA and SSSA international annual meeting, LongbBeach. ASA, CSSA and SSSA.
7.Collard, C., Kempen, B., Heuvelink, G.B.M., Saby, N.P.A., Richer de Forges, A.C., Lehmann, S., Nehlig, P., and Arrouays, D. 2014. Refining a reconnaissance soil map by calibrating regression models with data from the same map (Normandy, France). Geoderma Regional. 1: 21-30.
8.Dobos, E., Bialkó, T., Micheli, E., and Kobza, J. 2010. Legacy Soil Data Harmonization and Database Development. P 309-324, J.L. Boettinger et al. (eds.), Digital Soil Mapping, Progress in Soil Science 2, Springer.
9.Grinand, C., Arrouays, D., Laroche, B., and Martin, M.P. 2008. Extrapolating regional soil landscapes from an existing soil map: Sampling intensity validation procedures and integration of spatial context. Geoderma. 143: 180-190.
10.Fatehi, Sh. 2008. Semi-detailed soil survey of Merek plain in Karkheh river basin. Soil and Water Research Institute, 54p. (In Persian)
11.Fatehi, Sh., Mohammadi, J., Salehi, M.H., Toomanian, N., Momeni, A., and Jafari, A. 2015. Spatial disaggregating conventional soil map using multiple logistic regression and classification tree, (Case study: Merek sub catchment in Kermanshah province). 14th Iranian soil science congress, September 28-30, Rafsanjan, Iran, Pp: 208-213. (In Persian)
12.Häring, T., Dietz, E., Osenstetter, S., Koschitzki, T., and Schroder, B. 2012. Spatial disaggregation of complex soil map units: A decision-tree based approach in Bavarian forest soils. Geoderma. 37: 185-186.
13.Holmes, K.W., Griffin, E.A., and Odgers, N.P. 2015. Large-area spatial disaggregation
of a mosaic of conventional soil maps: evaluation over Western Australia. Soil Research. 53: 865-880. 14.Lagacherie, P., Legros, J.P., and Burrough, P. 1995. A soil survey procedure using the knowledge of soil pattern established on a previously mapped reference area. Geoderma. 65: 4. 283-301. 15.McBratney, A.B. 1998. Some considerations on methods for spatially aggregating and disaggregating soil information. Nutr. Cycl. Agroecosyst. 50: 3. 51-62.
16.McBratney, A.B., Field, D.J., and Koch, A. 2014. The dimensions of soil security. Geoderma. 13: 203-213.
17.Malone, B.P., Minasny, B., and McBratney, A.B. 2017. Using R for Digital Soil Mapping. Springer, the Netherlands, Pp: 221-230.
18.Nauman, T.W., and Thompson, J.A. 2014. Semi-automated disaggregation of conventional soil maps usingknowledge driven data mining and classification tree. Geoderma. 213: 385-399.
19.Odgers, N.P., Sun, W., McBratney, A.B., Minasny, B., and Clifford, D. 2014. Disaggregating and harmonizing soil map units through resampled classification trees. Geoderma. 215: 91-100.
20.Rouse, J.W., Hass, R.H.J., Schell, A., and Deering, D.W. 1973. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium, NASA SP-351, Vol. 1, Washington, DC. Pp: 309-317.
21.Quinlan, J.R. 1994. C4.5: Programs for machine learning. Machine Learning. 16: 235-240.
22.Subburayalu, S., Jenhan, I., and Slater, B.K. 2014. Disaggregation of component soil series using possibilistic decision trees from an OhioCounty soil survey map. Geoderma. 213: 334-345.
23.Soil Survey Staff. 1993. Soil survey manual. U. S. Department of Agriculture Handbook. United States Department of Agriculture Soil Conservation Service.
24.Thompson, J.A., Prescott, T., Moore, A.C., Bell, J., Kautz, D.R., Hempel, J.W., Walt man, S.W., and Perry, C. 2010. Regional approach to soil property mapping using legacy data and spatial disaggregation. Techniques. In: 19th world congress of soil science. IUSS, Brisbane.
25.Van Deventer, A.P., Ward, A.D., Gowda, P.H., and Lyon, J.G. 1997. Using Thematic Mapper Data to Identify Contrasting Soil Plains and Tillage Practices. Photogrammetric Engineering & Remote Sensing. 63: 87-93.
26.Vincent, S., Lemercier, B., Berthier, L., and Walter, C. 2018. Spatial disaggregation of complex Soil Map Units at the regional scale based on soil-landscape relationships. Geoderma. 311: 130-142.
27.Wei, S., McBratney, A., Hempel, J., Minasny, B., Malone, B., D’Avello, T., Burras, L., and Thompson, J. 2010. Digital harmonisation of adjacent analogue soil survey areas-4 Iowa counties. 19th World Congress of Soil Science: Soil solutions for a changing world 2010, Wien (Vienna), Austria: International Union of Soil Sciences (IUSS).
28.Xiao, J., Shen, Y., Tateishi, R., and Bayaer, W. 2006. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. Inter. J. Rem. Sens. 27: 2411-2422. | ||
آمار تعداد مشاهده مقاله: 596 تعداد دریافت فایل اصل مقاله: 700 |