انبوهش زدایی مکانی نقشه نیمه تفصیلی خاک با استفاده از روش دسمارت

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 574

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWSC-25-2_003

تاریخ نمایه سازی: 11 آبان 1398

چکیده مقاله:

سابقه و هدف: مدیریت چالش های جهان امروز مانند امنیت غذایی و مسائل زیست محیطی، نیازمند اطلاعات رقومی خاک با صحت و دقت کافی و با قدرت تفکیک مکانی ریز است. نقشه های خاک عمدتا در مقیاس کوچک قابل دسترس هستند. با وجود این، در طی دو دهه اخیر با ظهور روش های نقشه برداری و مدل سازی رقومی خاک، امکان انبوهش زدایی مکانی واحدهای نقشه خاک فراهم شده است. انبوهش زدایی مکانی واحدهای نقشه خاک، روشی است که توزیع مکانی کلاس های منفرد خاک را مدل سازی می کند. طی این فرایند اطلاعات نقشه ی خاک از مقیاس کوچک (قدرت تفکیک مکانی درشت) به مقیاس بزرگ (قدرت تفکیک مکانی ریز) تبدیل می شود و برای اجرای آن، روش های آماری و داده کاوی مورد استفاده قرار می گیرد. هدف از انجام این پروژه، استفاده از روش انبوهش زدائی و یکنواخت سازی واحدهای نقشه خاک از طریق بازچینی توسط درختان طبقه بندی (دسمارت ) برای انبوهش زدایی واحدهای نقشه نیمه تفصیلی خاک است. مواد و روش ها: ناحیه مورد مطالعه با وسعتی حدود 14083.9 هکتار در استان کرمانشاه قرار دارد. نقشه ی خاک منطقه از 5 واحد نقشه تشکیل شده است و در کل واحدهای نقشه مرکب از 4 زیرگروه خاک می باشند. در این پژوهش، با استفاده از مدل های رقومی ارتفاع با قدرت تفکیک مکانی 10 متر، نقشه ی متغیرهای کمکی شامل ارتفاع، درصد شیب، جهت شیب، تحدب، تابش مستقیم، شاخص رسوب و شاخص همواری دره با درجه تفکیک بالا، شاخص خیسی، عمق دره و فاصله عمودی تا شبکه آبراهه تهیه گردید. همچنین از تصاویر ماهواره ای لندستETM+7، برای تولید متغیر کمکی شاخص رس، شاخص اندازه ذرات و شاخص پوشش گیاهی نرمال شده استفاده شد. نقشه زمین شناسی با مقیاس 1:100000 نیز به عنوان متغیر کیفی ورودی به کار رفت. سپس مدل دسمارت برای انبوهش زدایی نقشه خاک منطقه مورد مطالعه اجرا شد. روش دسمارت از درون واحدهای نقشه به طور تصادفی نمونه برداری نموده و از درختان طبقه بندی الگوریتم C5.0 برای تولید نقشه های سطوح احتمال توزیع کلاس های منفرد خاک استفاده می کند. ارزیابی نقشه های سطوح احتمال با استفاده از داده های اعتبارسنجی شامل 82 نیمرخ خاک و معیارهای مستخرج از ماتریس درهمی شامل صحت تولیدکننده، صحت کاربر، صحت کلی و ضریب کاپا انجام شد. همچنین شاخص آسیمگی بین نقشه احتمال کلاس خاک مرتبه اول و دوم محاسبه گردید. شاخص آسیمگی بیان مختصری از درجه آسیمگی کلاس های خاک است. یافته ها: فاصله عمودی تا شبکه آبراهه، ارتفاع، لیتولوژی، شاخص اندازه ذرات و شاخص همواری دره با درجه تفکیک بالا از مهم ترین متغیرهای پیش بینی کننده مدل درختان طبقه بندی بودند. شاخص آسیمگی نزدیک به یک، که گسترش فراوانی در ناحیه مورد مطالعه دارد احتمال وقوع یکسان زیرگروه های خاک در هر موقعیت مکانی در هر دو نقشه احتمال کلاس خاک مرتبه اول و دوم را نشان می دهد. اعتبارسنجی نقشه های سطوح احتمال نشان می دهد که صحت کلی احتمال کلاس خاک مرتبه اول (44 درصد)، احتمال کلاس خاک مرتبه دوم (28 درصد) و احتمال کلاس خاک مرتبه سوم (11 درصد) می باشد. این نتایج بیانگر کارایی نسبتا خوب این روش برای تولید نقشه رقومی کلاس های منفرد خاک است. اما ضرایب کاپا برای نقشه های سطوح احتمال خاک مرتبه اول، دوم و سوم به ترتیب 0.04، 0.02 و 0.08- به دست آمد. پایین بودن ضرایب کاپا را می توان ناشی از ماهیت واقعی داده ها یعنی غالب بودن زیرگروه تیپیک کلسی زرپتز در نقشه سنتی خاک، نقشه پیش بینی مدل دسمارت و داده های اعتبارسنجی دانست. نتیجه گیری: روش دسمارت قادر است احتمال وقوع تمام کلاس های خاک ناحیه مورد مطالعه که توزیع آن ها در واحدهای نقشه نامشخص است را پیش بینی نماید و فرصتی برای تولید نقشه های رقومی کلاس خاک هنگامی که داده های میراثی خاک و متغیرهای کمکی در دسترس هستند فراهم می کند. چنین خروجی هایی می تواند به فهم روابط سیمای اراضی و خاک کمک کند.

نویسندگان

شاهرخ فاتحی

استادیارپژوهش، بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران.

کامران افتخاری

استادیار پژوهش، موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

جلال قادری قادری

عضو هیات علمی، بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • 1.Banaei, M.H., Momeni, A., Baybordi, M., and Malakouti, M.J. 2005. ...
  • achievements in perception, managements and use). Soil and Water Research ...
  • AREO, Tehran, Iran, 482p. (In Persian) ...
  • Bui, E.N., and Moran, C.J. 2001. Disaggregation of polygons of ...
  • maps using spatial modelling and legacy data. Geoderma. 103: 2. ...
  • Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A., and Edwards, ...
  • Machine learning for predicting soil classes in three semi-arid landscapes. ...
  • Brus, D.J., Kempen, B., and Heuvelink, G.B.M. 2011. Sampling for ...
  • maps. Europ. J. Soil Sci. 62: 394-407. ...
  • Burrough, P.A., van Gaans, P.F.M., and Hootsmans, R. 1997. Continuous ...
  • survey: spatial correlation, confusion and boundaries. Geoderma. 77: 115-135. ...
  • Chaney, N., Hempel, J.W., Odgers, N.P., McBratney, A.B., and Wood, ...
  • disaggregation and harmonization of gSSURGO. In: ASA, CSSA and SSSA ...
  • annual meeting, LongbBeach. ASA, CSSA and SSSA. ...
  • Collard, C., Kempen, B., Heuvelink, G.B.M., Saby, N.P.A., Richer de ...
  • Lehmann, S., Nehlig, P., and Arrouays, D. 2014. Refining a ...
  • calibrating regression models with data from the same map (Normandy, ...
  • Dobos, E., Bialkó, T., Micheli, E., and Kobza, J. 2010. ...
  • Database Development. P 309-324, J.L. Boettinger et al. (eds.), Digital ...
  • Progress in Soil Science 2, Springer. ...
  • Grinand, C., Arrouays, D., Laroche, B., and Martin, M.P. 2008. ...
  • landscapes from an existing soil map: Sampling intensity validation procedures ...
  • integration of spatial context. Geoderma. 143: 180-190. ...
  • Fatehi, Sh. 2008. Semi-detailed soil survey of Merek plain in ...
  • Water Research Institute, 54p. (In Persian) ...
  • Fatehi, Sh., Mohammadi, J., Salehi, M.H., Toomanian, N., Momeni, A., ...
  • Spatial disaggregating conventional soil map using multiple logistic regression and ...
  • classification tree, (Case study: Merek sub catchment in Kermanshah province). ...
  • soil science congress, September 28-30, Rafsanjan, Iran, Pp: 208-213. (In ...
  • Häring, T., Dietz, E., Osenstetter, S., Koschitzki, T., and Schroder, ...
  • disaggregation of complex soil map units: A decision-tree based approach ...
  • soils. Geoderma. 37: 185-186. ...
  • Holmes, K.W., Griffin, E.A., and Odgers, N.P. 2015. Large-area spatial ...
  • of a mosaic of conventional soil maps: evaluation over Western ...
  • Lagacherie, P., Legros, J.P., and Burrough, P. 1995. A soil ...
  • knowledge of soil pattern established on a previously mapped reference ...
  • McBratney, A.B. 1998. Some considerations on methods for spatially aggregating ...
  • disaggregating soil information. Nutr. Cycl. Agroecosyst. 50: 3. 51-62. ...
  • McBratney, A.B., Field, D.J., and Koch, A. 2014. The dimensions ...
  • Geoderma. 13: 203-213. ...
  • Malone, B.P., Minasny, B., and McBratney, A.B. 2017. Using R ...
  • Springer, the Netherlands, Pp: 221-230. ...
  • Nauman, T.W., and Thompson, J.A. 2014. Semi-automated disaggregation of conventional ...
  • maps usingknowledge driven data mining and classification tree. Geoderma. 213: ...
  • Odgers, N.P., Sun, W., McBratney, A.B., Minasny, B., and Clifford, ...
  • Disaggregating and harmonizing soil map units through resampled classification trees. ...
  • Geoderma. 215: 91-100. ...
  • Rouse, J.W., Hass, R.H.J., Schell, A., and Deering, D.W. 1973. ...
  • systems in the Great Plains with ERTS. Third ERTS Symposium, ...
  • Washington, DC. Pp: 309-317. ...
  • Quinlan, J.R. 1994. C4.5: Programs for machine learning. Machine Learning. ...
  • Subburayalu, S., Jenhan, I., and Slater, B.K. 2014. Disaggregation of ...
  • possibilistic decision trees from an Ohio County soil survey map. ...
  • Soil Survey Staff. 1993. Soil survey manual. U. S. Department ...
  • United States Department of Agriculture Soil Conservation Service. ...
  • Thompson, J.A., Prescott, T., Moore, A.C., Bell, J., Kautz, D.R., ...
  • S.W., and Perry, C. 2010. Regional approach to soil property ...
  • spatial disaggregation. Techniques. In: 19th world congress of soil science. ...
  • Van Deventer, A.P., Ward, A.D., Gowda, P.H., and Lyon, J.G. ...
  • Mapper Data to Identify Contrasting Soil Plains and Tillage Practices. ...
  • Engineering & Remote Sensing. 63: 87-93. ...
  • Vincent, S., Lemercier, B., Berthier, L., and Walter, C. 2018. ...
  • complex Soil Map Units at the regional scale based on ...
  • Geoderma. 311: 130-142. ...
  • Wei, S., McBratney, A., Hempel, J., Minasny, B., Malone, B., ...
  • Thompson, J. 2010. Digital harmonisation of adjacent analogue soil survey ...
  • counties. 19th World Congress of Soil Science: Soil solutions for ...
  • Wien (Vienna), Austria: International Union of Soil Sciences (IUSS). ...
  • Xiao, J., Shen, Y., Tateishi, R., and Bayaer, W. 2006. ...
  • index for monitoring desertification in arid land using remote sensing. ...
  • نمایش کامل مراجع