پديد آورندگان :
گلمحمدي، فريبا داﻧﺸﮕﺎه ﮐﺮدﺳﺘﺎن - ﮔﺮوه ﻋﻠﻮم و ﻣﻬﻨﺪﺳﯽ ﺧﺎك , نبي اللهي، كمال داﻧﺸﮕﺎه ﮐﺮدﺳﺘﺎن - ﮔﺮوه ﻋﻠﻮم و ﻣﻬﻨﺪﺳﯽ ﺧﺎك , تقي زاده مهرجردي، روح الله دانشگاه اردكان - گروه مديريت مناطق خشك و بياباني
كليدواژه :
كاربري اراضي , تصوير ماهواره‌اي , مدل رقومي ارتفاع , شبكه عصبي مصنوعي
چكيده فارسي :
سابقه و هدف: فرسايش‌پذيري خاك يكي از خصوصيات بسيار مهم خاك مي‌باشد كه بررسي تغييرات مكاني آن، جهت مديريت زراعي، تخريب اراضي و مطالعات زيست محيطي حائز اهميت مي‌باشد. بنابراين اطلاع از تغيير‌پذيري مكاني فرسايش‌پذيري خاك نقش مهمي در مدل‌سازي فرسايش آبي دارد. بررسي تغييرات فرسايش‌پذيري خاك به شيوه‌هاي مرسوم گران و زمان‌بر است . لذا يكي از راه‌هاي حل اين چالش استفاده از نقشه‌برداري رقومي خاك است كه مي‌تواند خصوصيات خاك را با استفاده از داده‌هاي كمكي و مدل‌هاي داده‌كاوي به صورت رقومي پيش‌بيني كند. هدف از اين تحقيق استفاده از مدل‌هاي شبكه عصبي مصنوعي و جنگل تصادفي و داده‌هاي كمكي براي تهيه نقشه فرسايش‌پذيري خاك مي‌باشد. مواد و روش: با استفاده از روش نمونه‌برداري تصادفي طبقه‌بندي، تعداد 100 نمونه خاك از عمق 30-0 سانتي‌متري خاك‌هاي منطقه دهگلان استان كردستان (با وسعت 48701 هكتار) برداشت شده و خصوصيت بافت خاك، شن ريز، كربن آلي، نفوذپذيري، ساختمان خاك و فرسايش‌پذيري خاك (با استفاده از معادله ويشماير و اسميت) اندازه‌گيري و محاسبه شد. متغيرهاي محيطي در اين پژوهش اجزاء سرزمين و داده‌هاي تصوير +etm بودند. پارامترهاي سرزمين ( شامل 15 پارامتر) و شاخص رس و شاخص گياهي نرمال شده (ndvi) به ترتيب با استفاده از نرم‌افزار saga و arcgis10.3 محاسبه و استخراج گرديد. جهت ارتباط بين فرسايش‌پذيري خاك و متغيرهاي كمكي از مدل‌هاي جنگل تصادفي و شبكه عصبي مصنوعي بهره گرفته شد و با استفاده از روش اعتبارسنجي دوجانبه مورد ارزيابي قرار گرفت. در نهايت نقشه شوري خاك با استفاده از مدل بهتر تهيه شد. يافته‌ها: براي پيش‌بيني فرسايش‌پذيري خاك، متغيرهاي كمكي شامل شاخص خيسي، شاخص همواري دره، شيب، شاخص رس، شاخص ndvi و باند 7 مهمترين بودند. نتايج اين تحقيق نشان داد كه دو مدل (شبكه عصبي مصنوعي با 0.80، 0.003 و 021/ و جنگل تصادفي با 0.76، 0.005 و 024/ به ترتيب0براي ضريب تبيين، ميانگين خطا و ميانگين ريشه مربعات خطا) داراي دقت نزديك به‌هم براي پيش‌بيني فرسايش‌پذيري خاك بودند. فرسايش‌پذيري خاك در محدوه بين 0.05-0 تن ساعت بر مگا ژول ميلي‌متر قرار داشت و بيشترين مقادير فرسايش‌پذيري خاك در مناطق مرتفع جنوبي با شيب زياد و پوشش گياهي كم مشاهده شد. در كلاس شيب بيشتر از 10 درصد فرسايش‌پذيري خاك بيشتر از ساير كلاس‌هاي شيب بود. همچنين كلاس شيب بيشتر از 10 درصد، داراي كمترين مقادير داده‌هاي كمكي شامل شاخص خيسي، شاخص همواري دره با درجه تفكيك بالا، شاخص رس و باند7 و بيشترين مقدار شاخص ndvi بود. نتيجه گيري: در پژوهش حاضر از مدل‌هاي شبكه عصبي مصنوعي و جنگل تصادفي جهت بررسي تغييرات مكاني فرسايش‌پذيري خاك در منطقه دهگلان استان كردستان استفاده شد. ميزان فرسايش‌پذيري خاك در كلاس شيب >10% در مقايسه با ساير كلاس‌هاي شيب بيشتر بود. شاخص ndvi مهمترين متغير كمكي در پيش بيني فرسايش‌پذيري خاك در منطقه بود. همچنين شبكه عصبي مصنوعي و جنگل تصادفي بر اساس نتايج شاخص‌هاي آماري شامل ضريب تبيين، ميانگين خطا و ميانگين ريشه مربعات خطا ( به ترتيب 0.80، 0.003 و 021/ براي شبكه عصبي مصنوعي و 0.76، 0.005 و 024 براي جنگل تصادفي) برآورد دقيقي از فرسايش‌پذيري خاك داشتند. پيشنهاد مي‌گردد جهت نقشه‌برداري رقومي خصوصيات خاك و به روز كردن نقشه‌هاي قديمي از تكنيك‌هاي پدومتري (همچون مدل شبكه عصبي مصنوعي و جنگل تصادفي) و داده‌هاي كمكي اجزاء سرزمين و تصاوير ماهواره‌اي استفاده شود. همچنين پيشنهاد مي‌گردد كه فرسايش‌پذيري خاك مستقيماً اندازه گيري شده و نتايج آن با اين مطالعه مقايسه گردد.
چكيده لاتين :
Background and Objectives: Soil erodibility is one of the most important soil properties which investigation of its spatial variability is essential to crop management, land degradation and environmental studies. Therefore, information about spatial variability of soil erodibility has important role to modeling of water erosion. Investigation of variability of soil erodibility using traditional methods is expensive and time consuming. Therefore, one of the ways to solve this challenge is using digital soil mapping that digitally can predict soil characteristics using auxiliary data and data mining models. The aim of this research is using artificial neural network (ANN) and random forest (RF) models and auxiliary data to make soil erodibility map.
Materials and Methods: Using stratified random soil sampling method 100 soil samples in depths 0-30 cm of Dehgolan soils, Kurdistan Province (covers 48710 ha) were taken and soil texture, fin sand, infiltration, soil structure and soil erodibility (using Wischmeier and Smith equation) were measured and computed. Auxiliary data in this study were terrain attributes and Landsat ETM+ data. Terrain parameters (include 15 parameters) and clay index (SI) and normalized difference vegetative index (NDVI) were computed and extracted using SAGA and ArcGIS10.3 software, respectively. To make a relationship between soil erodibility and auxiliary data, RF and ANN models were applied and were validated using cross validation method. Finally, soil salinity map were made using better model.
Results: To prediction of soil erodibility, auxiliary variables include wetness index, Multi-resolution Valley Bottom Flatness (MrVBF), slope, clay index, NDVI index and B7 were the most important. The results of the study showed that two models (0.80, 0.003 and 0.021 for ANN and 0.76, 0.005 and 0.024 RF for determination of coefficient, mean error, and root mean square root, respectively) were closely matched to predict soil erodibility. Soil erodibility content ranged between 0 to 0.05 t h MJ-1mm-1 and the highest its contents were observed in southern high regions with high slope and low vegetation. In slope class > 10% soil erodibility was higher than other slope classes. Slope class > 10% also had the lowest contents of auxiliary data including Wetness index, MrVBF, clay index and band 7 and the highest content of NDVI index.
Conclusion: In this research to investigate spatial variability of soil erodibility ANN and RF models was used in Dehgolan region, Kurdistan province. Soil erodibility content was higher in slope class > 10% compared to other slope classes. NDVI index was the most important auxiliary data to predict soil erodibility of the study area. ANN and RF also based on the results of statistics indices including determination of coefficient, mean error, and root mean square root (0.80, 0.003 and 0.021 for ANN and 0.76, 0.005 and 0.024 for RF) had accurate estimation of soil erodibility. It is suggested using pedometric techniques such as ANN model and auxiliary data of terrain attributes and satellite images to digital mapping of soil properties and updating old maps. It is suggested also direct measurement of soil erodibility and its result will be compared to this study.
