تهیه نقشه های سه بعدی توزیع اندازه ذرات نهایی سازنده خاک (بافت خاک) با استفاده از معادلات عمق و شبکه های عصبی مصنوعی

در نقشه­های مرسوم معمولا چگونگی تغییرات بافت خاک در فواصل بین نقاط نمونه­برداری نشان داده نمی­شود و در این نقشه­ها و نقشه­های رقومی، تغییرات تدریجی بافت خاک با عمق به خوبی قابل پیش­بینی نیست. از تکنیک نقشه­برداری رقومی برای تخمین ذرات نهایی سازنده خاک در مکان­های نمونه­برداری نشده و از معادلات عمق خاک برای نشان دادن تغییرات بافت خاک با عمق و تخمین آن در هر عمق دلخواه می­توان استفاده نمود. در این مطالعه در ۱۰۳ نقطه مشاهداتی واقع در دشت سیلاخور در شمال غرب شهرستان دورود استان لرستان، معادله عمق اسپلاین با سطح برابر بر داده­های سیلت، شن و رس تا عمق یک متری برازش داده شد و مقادیر این اجزاء در پنج عمق استاندارد شامل ۵-۰، ۱۵-۵، ۳۰-۱۵، ۶۰-۳۰ و ۱۰۰-۶۰ سانتی­متر تخمین زده شد.  این اطلاعات با متغیرهای کمکی استخراج شده از تصاویر ETM+سنجنده­های ماهواره لندست و مدل رقومی ارتفاعی (DEM) تلفیق و بر اساس روابط بین آن­ها نقشه پیوسته پیش­بینی مقدار اندازه ذرات نهایی سازنده خاک و کلاس­های بافت خاک با استفاده از مدل شبکه­های عصبی مصنوعی برای کل منطقه به دست آمد. نتایج تجزیه و تحلیل حساسیت نشان داد اهمیت نسبی داده­های کمکی در پیش­بینی بافت خاک برای اجزاء مختلف بافت و در اعماق مختلف متفاوت است. بر طبق نتایج حاصله توانایی شبکه­های عصبی در تخمین بافت خاک در لایه­های سطحی بیشتر از لایه­های پایینی بود. مقادیر R۲ برای رس، سیلت و شن از سطح به عمق به ترتیب از ۷۳/۰ تا ۴۹/۰، از ۷۶/۰ تا ۴۳/۰ و از ۶۸/۰ تا ۲۶/۰ به دست آمد. این نتایج در نقشه­برداری رقومی در حد قابل قبولی هستند. افزون بر این، نتایج نشان داد داده­های کمکی مستخرج از تصاویر ماهواره­ای در لایه های سطحی و داده­های مستخرج از DEM در لایه­های عمقی اهمیت بیشتری در تخمین بافت خاک داشتند.

کلیدواژه ها:

digital soil mapping ، Silakhor Plain ، scorpan model ، remote sensing