
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,645,295 |
تعداد دریافت فایل اصل مقاله | 8,242,446 |
ریزمقیاس سازی مکانی نقشه رقومی کربن آلی خاک با استفاده از الگوریتم دیزور | ||
مجله مدیریت خاک و تولید پایدار | ||
دوره 10، شماره 2، شهریور 1399، صفحه 25-45 اصل مقاله (1.2 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/ejsms.2020.16857.1902 | ||
نویسندگان | ||
شاهرخ فاتحی* 1؛ کامران افتخاری2؛ جلال قادری3 | ||
1استادیار پژوهش، بخش تحقیقات خاک وآب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران، ترویج | ||
2استادیار پژوهش، مؤسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران | ||
3استادیار پژوهش، بخش تحقیقات خاک وآب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران، | ||
چکیده | ||
سابقه و هدف: در بیشتر پروژههای ملی و منطقهای بهمنظور تولید نقشه رقومی ویژگیهای خاک، تراکم نمونهبرداری، به دلیل پرهزینه و زمانبر بودن، کم در نظر گرفته میشود. به همین دلیل نقشههای رقومی تولیدی دارای قدرت تفکیک مکانی درشت (بیش از90 متر) هستند که در مقیاس مزرعهای (قدرت تفکیک مکانی کمتر از30 متر) قابل استفاده نیستند. یکی از راهکارهای حل این مسئله، ریزمقیاسسازی نقشههای رقومی با قدرت تفکیک مکانی درشت با استفاده از متغیرهای محیطی با قدرت تفکیک مکانی ریز است. هدف از انجام تحقیق حاضر، بررسی کارآیی الگوریتم ریزمقیاسسازی دیزور برای تولید نقشه رقومی کربن آلی با قدرت تفکیک مکانی 30 متر از نقشه رقومی کربن آلی خاک با قدرت تفکیک مکانی 90 مترمیباشد. مواد و روشها: ناحیه مورد مطالعه به وسعت تقریبی 14084 هکتار بخش کوچکی از حوضه آبریز کرخه واقع در استان کرمانشاه میباشد. در ابتدا با استفاده از 110 نقطه مشاهداتی تصادفی و روش کریجینگ بلوکی، نقشه رقومی کربن آلی خاک در محدود مورد مطالعه با اندازه پیکسل 90 متر تهیه گردید. سپس مجموعهای شامل 23 متغیر کمکی محیطی مرتبط با فاکتورهای اسکورپن شامل اقلیم، توپوگرافی، موجودات زنده و مواد مادری به عنوان متغیرهای پیشبینیکننده مورد استفاده قرار گرفت. بهمنظور تهیه متغیرهای محیطی اقلیمی و توپوگرافی، از مدل رقومی ارتفاعSTRM و برای تهیه شاخصهای پوشش گیاهی و زمینشناسی از تصاویر ماهواره لندست 5 استفاده شد. از الگوریتم دیزور که یک فرایند تکراری برای نزدیک شدن به راه حلی برای حفظ جرم است و مدلهای خطی چند متغیره، افزودنی تعمیم یافته، کوبیست، جنگل تصادفی و مدل تجمعی برای تولید نقشههای ریزمقیاس استفاده گردید. برای ارزیابی کارآیی روشهای مختلف، از مقایسه نقشههای بازسازی شده (حاصل از تبدبل نقشههای ریزمقیاس با اندازه پیکسل 30 متر به 90 متر با استفاده از فیلتر میانگین) با نقشه پایه (نقشه کریجینگ بلوکی) و معیارهای ارزیابی نااریبی، ضریب تبیین، ریشه میانگین مربعات خطا وضریب همبستگی تطابق استفاده شد. همچنین ساختار مکانی نقشههای بازسازی شده و نقشه پایه با استفاده پارامترهای نیمتغییرنمای تجربی بررسی گردید. یافتهها: رابطه بین متغیرهای کمکی با کربن آلی با استفاده از روشهای دادهکاوی در چهارچوب الگوریتم دیزور منجر به تولید نقشههای ریزمقیاس شد. نتایج نشان داد توابع تراکم احتمال نقشههای بازسازی در مدل کوبیست بسیار نزدیک به تابع تراکم احتمال نقشه پایه است. همچنین نقشه ریزمقیاسشده حاصل از مدل کوبیست دارای بیشترین ضریب تبیین بازسازی (75/0) و ضریب همبستگی تطابق بازسازی (8/0) و کمترین ریشه میانگین مربعات خطای بازسازی (06/0) و نااریبی بازسازی (001/0) بوده و بنابراین دارای بالاترین کارآیی در ریزمقیاسسازی نسبت به مدلهای مختلف دادهکاوی مورد بررسی است. همچنین مشخص شد استفاده از روش مدلسازی تجمعی در مقایسه با مدلهای دادهکاوی منفرد، صحت و دقت نقشههای ریز مقیاس شده را افزایش میدهد. مطالعه ساختار مکانی نقشههای ریزمقیاسشده با روشهای دادهکاوی در مقایسه با نقشه پایه (نقشه کریجینگ بلوکی کربن آلی خاک) نشان داد که واریانس کل نیم-تغییرنمای نقشه بازسازی شده مدل کوبیست نسبت به سایر مدلها به واریانس کل نیمتغییرنمای نقشه پایه بسیار نزدیکتر است. نتیجهگیری: الگوریتم دیزور اصلاح شده بهدلیل استفاده از روشهای مختلف دادهکاوی و مدل تجمعی، یک گزینه عملی برای ریزمقیاس-سازی نقشه ویژگیهای خاک با قدرت تفکیک مکانی درشت است. با توجه به کارایی بالای این روش، میتوان از آن برای تولید نقشههای ویژگیهای خاک در مقیاس مزرعهای از نقشههای رقومی در مقیاس منطقهای و ملی استفاده نمود. | ||
کلیدواژهها | ||
نقشهبرداری رقومی خاک؛ قدرت تفکیک مکانی؛ کریجینگ بلوکی؛ داده کاوی | ||
مراجع | ||
1.Gallant, J.C., and Dowling, T.I. 2003. A multiresolution index of valley bottom flatness for mapping depositional areas. Water Resource Research. 39: 1347-1359.
2.Grunwald, S., Thampson, J.A., and Boettinger, J.L. 2011. Digital soil mapping and modeling at continental scales: finding solutions global issues. Soil Sci. Soc. Amer. J. 75: 1201-1213.
3.Fatehi, Sh. 2008. Semi-detailed soil survey of Merek plain in Kharkeh river basin. Soil and Water Research Institute. 87p. (In Persian) 4.Fatehi, Sh., Mohammadi, J., Salehi, M.H., Momeni, A., Toomanian, N., and Jafari, A. 2016. Downscaling Digital Soil Organic Carbon Map. J. Water Soil.30: 4. 1142-1157. (In Persian)
5.Hengl, T. 2006. Finding the right pixel size. Computers and Geosciences. 32: 1283-1298.
6.Huete, A. R.1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment. 25: 295-309.
7.Hijmans, R.J. 2015. Raster: Geographic Data Analysis and Modeling. R Package Version 2.3-40. (http://CRAN.R-project.org/package=raster).
8.Jenny, H. 1941. Factors of Soil Formation: A System of Quantitative Pedology. Dover Publications, New York, 281p.
9.Kempen, B., Brus, D.J., Heuvelink, G.B.M., and Stoorvogel, J.J. 2009. Updating the 1:50000 Dutch soil map using legacy soil data: a multinomial logistic regression approach. Geoderma. 151: 311-326.
10.Kuhn, M., Wing, J., Weston, S., Williams, A., Keefer, C., Engelhardt, A., Cooper, T., Mayer, Z., Kenkel, B., Team, T.R.C., Benesty, M., Lescarbeau, R., Ziem, A., Scrucca, L., Tang, Y., and Candan, C. 2016. Caret: Classification and Regression Training. R Package Version 6.0-64. (https://CRAN.R-project. org/package=caret).
11.Lagacherie, P., Bailly, J.S., Monestiez, P., and Gomez, C. 2012. Using scattered hyperspectral imagery data to map the soil properties of a region. Europ. J. Soil Sci. 63: 110-119.
12.Lal, R. 2014. Soil Carbon Management and Climate Change. Carbon Management. 4: 439-462.
13.Lin, A. 1989. Concordance correlation-coefficient to evaluate reproducibility. Biometrics. 45: 255-268.
14.McBratney, A.B., Mendonça-Santos, M.L., and Minasny, B. 2003. On digital soil mapping. Geoderma. 117: 3-52.
15.Malone, B.P., McBratney, A.B., Minasny B., and Wheeler, I. 2012. General method for downscaling earth resource information. Computers and Geosciences. 41: 119-125.
16.Malone, B.P., McBratney, A.B., and Minasny, B. 2013. Spatial scaling for digital soil mapping. Soil Sci. Soc. Amer. J. 77: 890-902.
17.Malone, B.P., Styc, Q., Minasny, B.,and McBratney, A.B. 2017. Digital soil mapping of soil carbon at the farm scale: A spatial downscaling approach in consideration of measured and uncertain data. Geoderma. 290: 91-99.
18.Minasny, B., and McBratney, A.B. 2010.Methodologies for Global Soil Mapping. P 429-437. In: J.L. Boettinger, D.W. Howell, A.C. Moore, A.E. Hartemink, and S. Kienast-Brown (eds.) Digital Soil Mapping: Bridging Research Environmental Application and Operation Progress in Soil Science. Springer Netherlands.
19.Moore, I.D., Grayson, R.B., and Ladson, A.R. 1991. Digital terrain modelling: a review of hydrological, geomorphological and biological applications. Hydrological Processes.5: 3-30.
20.Padarian, J., Minasny, B., and McBratney, A.B. 2014. The evolving methodology for global soil mapping.P 215-220. In: D. Arrouays, N. McKenzie, J. Hempel, A. Richer de Forges, A.B. McBratney, (eds.), Global Soil Map: Basis of the Global Spatial Soil Information System. CRC Press.
21.Pebesma, E. 2004. Multivariable geostatistics in S: the gstat package. Computer and Geoscience. 30: 683-691.
22.Pelletier, J.D. 2008. Quantitative Modeling of Earth Surface Processes. Cambridge. 295p.
23.R Core Team, 2015. R: A language and environment for statistical computing.R Foundation for Statistical Computing, Vienna, Austria URL. http://www.R-project.org/.
24.Riley, S.J., DeGloria, S.D., and Elliot, R., 1999. A terrain ruggedness index that quantifies topographic heterogeneity. Intermoun. J. Sci. 5: 23-27.
25.Roudier, P., Malone, B.P., Hedley, C.B., Minasny, B., and McBratney, A.B. 2017. Comparison of regression methods for spatial downscaling of soil organic carbon stocks maps. Computers and Electronics in Agriculture. 142: 91-100.
26.SAGA Development Team. 2011. System for Automated Geoscientific Analyses (SAGA). (Available at http://www.saga-gis.org/ en/ index.html, verified 28 October 2014).
27.Smith, M.P., Zhu, A.X., Burt, J.E.,and Stiles, C. 2006. The effects of DEM resolution and neighborhood size on digital soil survey. Geoderma. 137: 1. 58-69.
28.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 and Remote Sensing. 63: 87-93.
29.Walkley, A., and Black, I.A. 1934. An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method. Soil Science.37: 29-38.
30.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: 459 تعداد دریافت فایل اصل مقاله: 351 |