مکان‌یابی شوری خاک با استفاده از داده‌های محیطی و نمونه‌برداری هایپرکیوب در شهرستان میبد

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان

2 دانشکده کشاورزی منابع طبیعی، دانشگاه اردکان

3 مرکز ملی تحقیقات شوری

چکیده

نقشه‌برداری رقومی روشی نوین و جایگزینی مناسب برای روش­های سنتی است. در این روش شوری خاک با یک سری متغیرهای محیطی ارتباط داده شده و سپسشوری خاک در نقاط دیگر پیش­بینی می­شود. در این پژوهش بر اساس روش هایپرکیوپ، مکان جغرافیایی 73 نمونه خاک مشخص و نمونه‌برداری و هدایت الکتریکی آن­ها اندازه­گیری شد. سپس با استفاده از مدل شبکه عصبی مصنوعی رابطه بینداده­های زمینی و متغیرهای محیطی (اجزاء سرزمین و داده­های ماهواره لندست 8) به‌دست آمد و در آخر شوری خاک درکل منطقه مورد مطالعه ارزیابی شد. نتایج تحلیل حساسیت مدل شبکه عصبی مصنوعی نشان داد، که متغیر شاخص گیاهی نرمال شده (51/39%)، شاخص گیاهی تعدیل کننده اثر خاک (60/27%)، شاخص شوری (07/27%) و شیب اراضی (80/5%)، جهت بررسی شوری خاک از اهمیت بیشتری برخوردار هستند. همچنین نتایج ارزیابی مدل ضریب تبیین 57/0 و میانگین ریشه مربعات dS/m 40/17کارآیی بالای آن را نشان می­دهد. نتایج کلی این پژوهش نشان داد که استفاده از داده­های ماهواره­ای، مدل رقومی ارتفاع و مدل­سازی با استفاده از شبکه عصبی مصنوعی دارای دقت قابل قبولیاست؛ بنابراین پیشنهاد می­شود در مطالعات آینده جهت تهیه نقشه رقومی خاک از روش مشابه استفاده شود. 

کلیدواژه‌ها


[1] . Andronikov, V.L., & Dorbrolvskiy, G.V. (1991). Theory and methods for the use of remote sensing in the study of soils. Remote Sensing, 28, 92-101.
[2] . Brus, D.J., Kempen B., & Heuvlink, G.B.M. (2011). Sampling for validation of digital soil maps. European Journal of Soil Science, 62, 394-407.
[3] . Buces, F.N., Siebe, C., Cram, S., & Palacio, J.L. (2006). Mapping soil salinity using a combined spectral response index for bare soil and vegetation: (A case study in the former lake Texcoco, Mexico). Journal of Arid Environments, 65, 644-667.
[4] . Cockx, L.M., Van Meirvenne, U.W.A., Vitharana, F.M.B., Vancoillie, L.P.C., Verbeke, Simpson, D.,&  Saey, T. (2010). A neural network approach to topsoil clay prediction using an EMI-Based soil sensor, Proximal Soil Sensing, Springer press, 444p.
[5] . Csillahg, F., Pasztor, L., & Beihl, L. (1993). Spectral band selection for the characterization of salinity status of soils. Remote Sensing of Environment, 43, 231-242.
[6] . Du, C., Linker, R., & Shaviv, A. (2008). Identification of agricultural soils using mid-infrared photo acoustic spectroscopy. Geoderma, 143, 85-90.
[7] . Florinsky, I.V., Eilers, R.G., Manning, G.R.,  and Fuller, L.G. 2002. Prediction of soil properties by digital terrain modelling. Environmental Modelling & Software, 17, 295– 311.
[8] . Grunwald, S. (2009). Multi-criteria characterization of recent digital soil mapping and modeling approaches. Geoderma, 152, 195-207.
[9] . Hengl, T., Huvelink, G.B.M., & Stein, A. (2004). A generic framework for spatial prediction of soil variables based on regression-kriging. Geoderma, 120, 75-93.
[10] . Malone, B. P., McBratney, A. B., Minasny, B., & Laslett G. M. 2009. Mapping continuous depth functions of soil carbon storage and available water capacity. Geoderma, 154: 138–152.
[11] . McBratney, A.B., Mendonca-Santos, M.L., &Minasny, B. (2003). On digital soil mapping. Geoderma, 117, 3-25.
[12] . Metternicht, G.I., & Zinck, J.A. (2003). Remote sensing of soil salinity: Potentials and constraints. Remote Sensing of Environment, 85, 1-20.
[13] . Minasny B., & McBratney, A.B. (2006). A conditioned Latin hypercube method for sampling in the presence of ancillary information. Geology, 32, 1378-1388.
[14] . Schap, M.G., Leij, F.J., & Van Genuchten, M.T. (1998). Neural network analysis for hierarchical prediction of soil hydraulic properties. Journal of Soil science Society of America, 62, 847-855.
[15] . Taghizadeh-Mehrjardi, R., Minasny, B., Sarmadian, F., & Malone, P. B. (2014). Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma, 213, 15-28.
[16] . Taghizadeh-Mehrjardi, R., Sarmadian, F., Omid, M., Savaghebi, G.H., Rousta, M., & Rahimian, M.H. (2013). Mapping of soil salinity using geostatistic and EMI in Ardakan region. Soil Research Journal, 26, 369-380.
[17] . Zhu, A.X., Hudson, B., Burt, J., Lubich, K., & Simonson, D. (2001). Soil mapping using GIS, expert knowledge, and fuzzy logic. Soil Science Society of American Journal, 65, 1463-1472.