نقشه‌برداري رقومي كلاس‌هاي خاك اراضي سيلابي و با پستي و بلندي كم (مطالعه موردي: شهرستان هيرمند)

Digital Soil Mapping of Soil Classes in Floodplain and Low Relief Lands (Case Study: Hirmand County)

اين مطالعه به منظور نقشه‌برداري رقومي گروه‌هاي مرجع خاك در سيستم مرجع جهاني طبقه‌بندي خاك با استفاده از روش رگرسيون درختي توسعه يافته در منطقه‌اي به وسعت 60000 هكتار از اراضي شهرستان هيرمند اجرا شد. بدين‌منظور 108 خاكرخ حفر گرديد و براساس سيستم مرجع جهاني طبقه‌بندي خاك تشريح و نمونه‌برداري شدند. به‌منظور پيش‌بيني كلاس‌هاي خاك 20 متغير كمكي شامل اجزاي سرزمين و شاخص‌هاي سنجش از دور مورد استفاده قرار گرفتند. نتايج نشان داد خاك‌هاي تشكيل شده در منطقه مورد مطالعه جوان بوده و بيشتر تحت تاثير رسوبات و سيلاب هستند و در گروه‌هاي فلوي‌سول و كمبي سول قرار مي‌گيرند و در مناطقي، شوري خاك سبب تشكيل خاك‌هاي سلونچاك شده است. نتايج اهميت متغيرها در مدل‌سازي نشان داد پارامترهاي سرزميني شامل شاخص همواري دره با درجه تفكيك بالا، عمق دره، شاخص همگرايي، سطح ويژه حوضه به همراه شاخص شوري بيشترين اهميت را در بين تمامي متغيرها در پيش‌بيني گروه‌هاي مرجع خاك در هر دو سطح سيستم مرجع جهاني طبقه‌بندي خاك داشتند. نتايج اعتبارسنجي نشان داد روش رگرسيون درختي توسعه يافته گروه‌هاي مرجع خاك را در دو سطح اول و دوم به ترتيب با خلوص نقشه 47 و 25 درصد پيش‌بيني كرده است و با افزايش كلاس‌هاي خاك از سطح اول به سطح دوم، شاخص‌هاي ارزيابي كاهش مي‌يابند، به‌عبارتي ديگر توانايي مدل در پيش‌بيني صحيح كم شده است. در مناطقي با پستي و بلندي كم و خاك‌هاي جوان كه تنوع خاك شديد نيست، روش نقشه‌برداري رقومي مي‌تواند به عنوان روشي مفيد، كارآمد و سريع جهت تهيه نقشه خاك مورد استفاده قرار گيرد.

This study was conducted in order to digital mapping soil classes according to WRB system was conducted by boosted regression tree (BRT) method on about 60.000 hectares of Hirmand county lands. 108 soil profiles were dug and soil profiles were sampled and described based on WRB system. Twenty environmental covariates were used as estimators for soil mapping including terrain attributes and remote sensing covariates. Results showed that the young soil covered the study area and mostly influenced by flood sediment which classified as Fluvisol and Cambisol groups and Solonchak group in salt -affected area. The variable importance showed that the environmental attributes such as Multi-resolution Valley Bottom Flatness Index (MrVBF), Valley Depth, Convergence Index, Catchment Area and Salinity Index (NDSI) had the highest importance among all covariates for two levels of WRB prediction. The validation results showed that the BRT model could predict WRB1 and WRB2 levels with overall accuracy of 47 and 25%, respectively, and also from WRB1 to WRB2 levels the accuracy decreased. In low relief area and young soil that the low soils variability, digital soil mapping approach could be useful, efficient, and fast technique to produce and predict soil classes map.