بررسي قابليت تعميم‌پذيري نتايج حاصل از مطالعات نقشه‌برداري رقومي به‌منظور پيش‌بيني كلاس‌هاي خاك (مطالعه‌ي موردي: دشت شهركرد، استان چهارمحال و بختياري)

Generalization of digital soil mapping results for prediction of soil classes (A Case Study: Shahrekord Plain, Chaharmahal-Va-Bakhtiari Province

سابقه و هدف: در روش نقشه‌برداري رقومي، تغييرات خاك بر اساس ارتباط پارامترهاي محيطي با كلاس‌ها يا ويژگي‌هاي خاك تعيين مي‌گردد. بنابراين، اگر دو منطقه از نظر پارامترهاي محيطي مشابه باشند اين انتظار وجود دارد كه مدل به‌دست آمده براي تخمين كلاس‌هاي خاك در يك منطقه، قابل تعميم به منطقه‌ي ديگر نيز باشد. از اين رو، در اين پژوهش قابليت تعميم-پذيري نتايج حاصل از مطالعات نقشه‌برداري رقومي به مناطق مشابه براي پيش‌بيني كلاس‌هاي خاك بر مبناي دو سامانه‌ي رده-بندي آمريكايي و رده‌بندي جهاني بررسي شد. مواد و روش‌ها: در اراضي دشت شهركرد استان چهارمحال و بختياري دو منطقه به‌عنوان نمونه و تعميم در نظر گرفته شد. در منطقه‌ي تعميم، 15 خاك‌رخ با فواصل تقريبي 750 متر حفر، تشريح و نمونه‌برداري شدند و ويژگي‌هاي فيزيكي و شيميايي آن‌ها تعيين گرديدند. سپس، رده‌بندي خاك‌رخ‌ها بر مبناي سامانه‌هاي رده‌بندي آمريكايي (تا سطح گروه بزرگ) و رده‌بندي جهاني (تا سطح گروه مرجع) نهايي گرديد. با استفاده از فاصله ماهالانوبيس ميزان شباهت خاك‌هاي دو منطقه‌ي مذكور تعيين گرديد. سپس، مدل‌هاي توسعه‌يافته (درختان تصميم‌گيري تصادفي، رگرسيون درختي توسعه‌يافته، رگرسيون لاجيستيك چند جمله‌اي و شبكه‌هاي عصبي مصنوعي) در منطقه‌ي نمونه، براي پيش‌بيني كلاس‌هاي خاك در منطقه‌ي تعميم استفاده شدند. بر اساس پارامترهاي محيطي انتخاب‌شده در منطقه‌ي نمونه، پارامترهاي محيطي براي منطقه‌ي تعميم نيز تهيه گرديدند. كلاس‌هاي خاك براي منطقه‌ي تعميم بر اساس مدل‌هاي موجود، پيش‌بيني شدند و بر اساس شاخص صحت عمومي كارايي مدل‌ها ارزيابي گرديد. يافته‌ها: نتايج نشان داد كه بر اساس فاصله‌ي ماهالانوبيس مناطق نمونه و تعميم كاملا مشابه مي‌باشند. همچنين، نتايج حاكي از آن است كه مشابهت بسيار بالاي مناطق مورد مطالعه موجب شده است كه در سطوح رده و زيررده بر مبناي سامانه رده‌بندي آمريكايي و سطح گروه مرجع در سامانه‌ي رده‌بندي جهاني، تخمين صحيحي براي منطقه‌ي تعميم صورت پذيرد. از سوي ديگر، نتايج گوياي آن است كه مقادير صحت عمومي براي پيش‌بيني كلاس‌هاي خاك با افزايش سطح رده بندي (رده به گروه بزرگ) در هر دو منطقه نمونه و تعميم، كاهش نشان داد. نتيجه‌گيري: نتايج پژوهش حاكي از آن است كه روش نقشه‌برداري رقومي توانايي پيش‌بيني كلاس‌هاي خاك در شرايط مشابه (مشابه از نظر پارامترهاي محيطي و فاكتورهاي خاك‌سازي) را دارا مي‌باشد اگرچه، براي سطوح پايين رده‌بندي در پيش‌بيني و تعميم پذيري نتايج، ممكن است از صحت كافي برخوردار نباشد. به‌نظر مي‌رسد سطح و سامانه‌ي رده‌بندي مورد نظر، توزيع مكاني خاك‌ها، تراكم نمونه‌برداري و نوع پارامترهاي محيطي مورد استفاده از مهم‌ترين عواملي مي‌باشند كه مي‌توانند صحت پيش‌بيني كلاس‌هاي خاك در مناطق تعميم را تحت تأثير قرار ‌دهند.

Background and Objectives: Digital soil mapping (DSM) predicts soil variability based on the relationship between soil classes and auxiliary information. Therefore, it is expected that if two regions have similar auxiliary information, the model developed to estimate soil variability for one of these regions could be generalized to the other. The aim of this study was to predict soil classes up to great group level of Soil Taxonomy (ST) and Reference Soil Group (RSG) level of World Reference Base for Soil Resources (WRB) across the area with little soil data (recipient site) on the basis of constructed model in area that has sufficient soil data (reference site) using DSM approaches in the Shahrekord plain of Chaharmahal-Va-Bakhtiari Province. Materials and Methods: The reference and recipient sites are located in the Shahrekord region of Chaharmahal-Va-Bakhtiari Province. The Mahalanobis distance is used to determine the distance between the mean of the reference’s soil forming factors and the recipient’s soil forming factors (Mallavan et al. 2010). The reference site for this study was surveyed using digital soil mapping approaches at semi-detailed scale (i.e., raster maps with pixel size 50×50 m) up to family level by Mosleh (2016). Different machine learning algorithms consisting of artificial neural networks (ANNs), boosted regression tree (BRT), random forest (RF) and multinomial logistic regression (MLR) were considered for each soil taxonomic level to identify the relationship between soil classes and auxiliary information. Fifteen pedons were excavated at the recipient site with 750 m intervals. All the pedons were described and the soil samples were taken from different genetic horizons, air dried, crashed and passed through a 2 mm sieve. The soil samples were classified the soils according to the Soil Taxonomy (Soil Survey Staff 2014) and WRB (IUSS Working Group WRB 2015) up to great group and Reference Soil Group levels, respectively. Results: The results showed that the Mahalanobis distance at the reference and recipient sites is equal. Therefore, the two studied sites are entirely similar and can be considered as Homosoil. Summary statistics of auxiliary information for the reference and recipient sites indicated that the difference between the mean of the reference’s soil forming factors and the recipient’s soil forming factors is negligible. Extrapolated models across the recipient site lead to similar results with the reference site. These results include: (i) no significant differences were observed between different models to predict soil classes based on the ST system; (ii) OA values showed a decreasing trend with increasing the taxonomic levels for all the studied models (Figure 3); (iii) the MLR model has the highest performance to predict the RSG. Conclusion: The results indicated that DSM could be used for prediction of soil classes in the Homosoil framework (both sites have similar auxiliary information or soil forming factors). It is expected that the accuracy of predictions is accrued if there is a high agreement between the reference and recipient sites in terms of the auxiliary information.