
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,491 |
تعداد مشاهده مقاله | 8,612,355 |
تعداد دریافت فایل اصل مقاله | 8,201,089 |
بررسی قابلیت تعمیمپذیری نتایج حاصل از مطالعات نقشهبرداری رقومی بهمنظور پیشبینی کلاسهای خاک (مطالعهی موردی: دشت شهرکرد، استان چهارمحال و بختیاری) | ||
مجله مدیریت خاک و تولید پایدار | ||
مقاله 8، دوره 8، شماره 3، آذر 1397، صفحه 129-138 اصل مقاله (717.91 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/ejsms.2018.14463.1796 | ||
نویسندگان | ||
محمدحسن صالحی* 1؛ زهره مصلح2 | ||
1دانشگاه شهرکرد | ||
2گروه علوم خاک/ دانشکده کشاورزی/ دانشگاه شهرکرد | ||
چکیده | ||
سابقه و هدف: در روش نقشهبرداری رقومی، تغییرات خاک بر اساس ارتباط پارامترهای محیطی با کلاسها یا ویژگیهای خاک تعیین میگردد. بنابراین، اگر دو منطقه از نظر پارامترهای محیطی مشابه باشند این انتظار وجود دارد که مدل بهدست آمده برای تخمین کلاسهای خاک در یک منطقه، قابل تعمیم به منطقهی دیگر نیز باشد. از این رو، در این پژوهش قابلیت تعمیم-پذیری نتایج حاصل از مطالعات نقشهبرداری رقومی به مناطق مشابه برای پیشبینی کلاسهای خاک بر مبنای دو سامانهی رده-بندی آمریکایی و ردهبندی جهانی بررسی شد. مواد و روشها: در اراضی دشت شهرکرد استان چهارمحال و بختیاری دو منطقه بهعنوان نمونه و تعمیم در نظر گرفته شد. در منطقهی تعمیم، 15 خاکرخ با فواصل تقریبی 750 متر حفر، تشریح و نمونهبرداری شدند و ویژگیهای فیزیکی و شیمیایی آنها تعیین گردیدند. سپس، ردهبندی خاکرخها بر مبنای سامانههای ردهبندی آمریکایی (تا سطح گروه بزرگ) و ردهبندی جهانی (تا سطح گروه مرجع) نهایی گردید. با استفاده از فاصله ماهالانوبیس میزان شباهت خاکهای دو منطقهی مذکور تعیین گردید. سپس، مدلهای توسعهیافته (درختان تصمیمگیری تصادفی، رگرسیون درختی توسعهیافته، رگرسیون لاجیستیک چند جملهای و شبکههای عصبی مصنوعی) در منطقهی نمونه، برای پیشبینی کلاسهای خاک در منطقهی تعمیم استفاده شدند. بر اساس پارامترهای محیطی انتخابشده در منطقهی نمونه، پارامترهای محیطی برای منطقهی تعمیم نیز تهیه گردیدند. کلاسهای خاک برای منطقهی تعمیم بر اساس مدلهای موجود، پیشبینی شدند و بر اساس شاخص صحت عمومی کارایی مدلها ارزیابی گردید. یافتهها: نتایج نشان داد که بر اساس فاصلهی ماهالانوبیس مناطق نمونه و تعمیم کاملا مشابه میباشند. همچنین، نتایج حاکی از آن است که مشابهت بسیار بالای مناطق مورد مطالعه موجب شده است که در سطوح رده و زیررده بر مبنای سامانه ردهبندی آمریکایی و سطح گروه مرجع در سامانهی ردهبندی جهانی، تخمین صحیحی برای منطقهی تعمیم صورت پذیرد. از سوی دیگر، نتایج گویای آن است که مقادیر صحت عمومی برای پیشبینی کلاسهای خاک با افزایش سطح رده بندی (رده به گروه بزرگ) در هر دو منطقه نمونه و تعمیم، کاهش نشان داد. نتیجهگیری: نتایج پژوهش حاکی از آن است که روش نقشهبرداری رقومی توانایی پیشبینی کلاسهای خاک در شرایط مشابه (مشابه از نظر پارامترهای محیطی و فاکتورهای خاکسازی) را دارا میباشد اگرچه، برای سطوح پایین ردهبندی در پیشبینی و تعمیم پذیری نتایج، ممکن است از صحت کافی برخوردار نباشد. بهنظر میرسد سطح و سامانهی ردهبندی مورد نظر، توزیع مکانی خاکها، تراکم نمونهبرداری و نوع پارامترهای محیطی مورد استفاده از مهمترین عواملی میباشند که میتوانند صحت پیشبینی کلاسهای خاک در مناطق تعمیم را تحت تأثیر قرار دهند. | ||
کلیدواژهها | ||
پارامترهای محیطی؛ فاصلهی ماهالانوبیس؛ مناطق تعمیم و نمونه | ||
مراجع | ||
1.Bagheri Bodaghabadi, M., Salehi, M.H., Esfandiarpoor Borujeni, I., Mohammadi, J., Karimi Karouyeh, A., and Toomanian, N. 2012. Evaluation and Generalization of SoLIM for Digital Soil Mapping Using Digital Elevation Model and its Attributes. Isfahan, J. Sci. Tech. Agric. Natur. Res. Water and Soil Science. 16: 155-166. (In Persian) 2.Batjes, N.H. 2009. Harmonized soil profile data for applications at global and continental scales: updates to the WISE database. Soil. Use. Manage. 25: 124-127. 3.Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A., and Edwards Jr, T.C. 2015. Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma. 239-240: 68-83. 4.Congalton, R. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Rem. Sen. Environ. 37: 35-46. 5.Esfandiarpoor Borujeni, I., Salehi, M.H., Toomanian, N., Mohammadi, J., and Poch, R.M. 2009. The effect of survey density on the results of geopedological approach in soil mapping: A case study in the Borujen region, Central Iran. Catena. 79: 18-26. 6.Esfandiarpoor Borujeni, I., Salehi, M.H., Toomanian, N., Mohammadi, J. 2009. The effect of location of sample area and expert knowledge on the results of geopedological approach in soil mapping, a case study: Borujen area, Chaharmahal- Va-Bakhtiari province. Isfahan, J. Sci Tech. Agric. Natur. Res. Water and Soil Science. 13: 113-127. (In Persian) 7.Goodman, J.M., and Owens, P.R. 2012. Predicting soil organic carbon using mixed conceptual and geostatistical models. P 155-159. In: B. Minasny et al. (eds.) Digital Soil Assessments and Beyond. CRC Press. London. 8.Grunwald, S. 2009. Multi-criteria characterization of recent digital soil mapping and modeling approaches. Geoderma. 152: 195-207. 9.IUSS Working Group WRB. 2015. World Reference Base for Soil Resources 2014, update 2015 International soil classification system for naming soils and creating legends for soil maps. World Soil Resources Reports No. 106. FAO, Rome. 10.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. 11.Mallavan B.P., Minasny, B., and McBratney, A.B. 2010. Homosoil, a methodology for quantitative extrapolation of soil information across the globe. P 137-149. In: Digital soil mapping: Bridging research, environmental application and operation. J.L. Boettinger, D.W. Howell, A.C. Moore, A.E. Hartemink, and S. Kienast-Brown (eds). Springer, Berlin. 12.Malone B.P., Jha, S.K., Minasny, B., and McBratney, A.B. 2016. Comparing regression-based digital soil mapping and multiple-point geostatistics for the spatial extrapolation of soil data. Geoderma. 262: 243-253. 13.McBratney, A.B., Mendonça Santos, M.L., and Minasny, B. 2003. On digital soil mapping. Geoderma. 117: 3-52. 14.Minasny, B., and McBratney, A.B. 2010. Methodologies for global soilmapping. P 429-436. In: Digital Soil Mapping: Bridging Research, Environmental Application and Operation. J.L. Boettinger, D.W. Howell, A.C. More, A.E. Hartemink and S. Kienast-Brown. Springer, London. 15.Mosleh, Z., Salehi, M.H., Jafari, A., Esfandiarpoor Borujeni, I., and Mehnatkesh, A. 2016. The effectiveness of digital soil mapping to predict soil properties over low-relief areas. Environ. Monitor. Assess. 188: 1-13. 16.Mosleh, Z., Salehi, M.H., Jafari, A., Esfandiarpoor Borujeni, I., and Mehnatkesh, A. 2017. Identifying sources of soil classes variations with digital soil mapping approaches in the Shahrekord plain, Iran. Environ. Earth. Sci. 76: 748. 17.Salehi, M.H., Safaei, Z., Esfandiarpour Borujeni, I., and Mohammadi, J. 2013. Generalisation of continuous models to estimate soil characteristics into similar delineations of a detailed soil map. Soil. Res. 51: 350-361. 18.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. 300p. 19.Soil Survey Staff. 2014. Soil Taxonomy: A basic systems of soil classification for making and interpreting soil surveys. Twelfth Edition. NRCS. USDA. 20.Vasques, G.M., Grunwald, S., and Sickman, J.O. 2009. Modeling of soil organic carbon fractions using visible/ near-infrared spectroscopy. Soil. Sci. Soc. Am. J. 73: 176-184. | ||
آمار تعداد مشاهده مقاله: 734 تعداد دریافت فایل اصل مقاله: 249 |