مکانیابی شوری خاک با استفاده از دادههای محیطی و نمونهبرداری هایپرکیوب در شهرستان میبد | ||
| خشک بوم | ||
| مقاله 6، دوره 6، شماره 1، فروردین 1395، صفحه 69-79 اصل مقاله (2.13 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| روح الله تقی زاده* 1؛ آرزو غزالی2؛ سعیده کلانتری1؛ محمد حسن رحیمیان3 | ||
| 1دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان | ||
| 2دانشکده کشاورزی منابع طبیعی، دانشگاه اردکان | ||
| 3مرکز 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 | ||
| نقشهبرداری رقومی خاک؛ مدل رقومی ارتفاع؛ شبکه عصبی مصنوعی؛ میبد | ||
| عنوان مقاله [English] | ||
| Spatial distribution of soil salinity using auxiliary variables and hypercube sampling method in Meybod | ||
| نویسندگان [English] | ||
| Ruhollah Taghizadeh1؛ A. Ghazali2؛ S. Kalantari1؛ M.H. Rahimian3 | ||
| چکیده [English] | ||
| Digital mapping is a suitable alternative method to the traditional methods. In this method, soil salinity correlated to the environmental variables and then soil salinity predicts in the other locations. At present research, based on thehypercubemethod, the locations of 73 soil samples selected and then sampled. Electrical conductivity was measured in the saturation paste of soil samples. Then using artificial neural network (ANN) the relationship between ground point data and environmental variables (terrain attributes and Landsat 8 image data) was calculated and applied to the other parts of area. Sensitivity analysis indicated some environmental variables had more influence on prediction ANN model including normalized difference vegetation index (39.51%), soil-adjusted vegetation index (27.60%) and slope (5.80%), respectively. Moreover, the cross-validation implied high performance of ANN model to predict soil salinity (R2=0.57 and RMSE=17.40 dS/m). Our results, overall, showed that remote sensing data and digital elevation model and ANN had acceptable performance to predict soil salinity and hence it is recommended the same methodology in the future. | ||
| کلیدواژهها [English] | ||
| Digital soil mapping, digital elevation mode, Auxiliary data | ||
| مراجع | ||
|
[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. | ||
|
آمار تعداد مشاهده مقاله: 1,768 تعداد دریافت فایل اصل مقاله: 1,228 |
||