پيش‌‌بيني تغييرات مكاني شوري و رس خاك با استفاده از روش‌هاي زمين‌آمار و شبكه عصبي مصنوعي

Predicting spatial variability of soil salinity and clay content using geostatistics and Artificial Neural Networks methods

سابقه و هدف: نقشه‌هاي خاك از منابع عمده اطلاعات براي مديريت اراضي، منابع طبيعي و محيط زيست هستند. شوري خاك از عوامل محدود‌كننده توليد در اراضي شهرستان زهك دشت سيستان مي‌باشد و رس خاك نيز نقش مهمي در حاصلخيزي خاك دارد. تهيه نقشه‌هاي دقيق شوري و رس خاك در اراضي اين منطقه مي‌تواند كمك زيادي به بهبود مديريت اراضي در اين منطقه بنمايد. روش هاي مختلفي براي تخمين خصوصيات خاك در مناطقي كه نمونه‌برداري نشده‌اند وجود دارد كه روش هاي زمين آماري و شبكه عصبي مصنوعي از جمله آن‌ها هستند و در اين پژوهش از آن‌ها استفاده گرديد. مواد و روش‌ها: به‌منظور مقايسه روش‌هاي زمين‌آماري و شبكه عصبي مصنوعي در تخمين مقادير شوري و رس خاك، اين پژوهش در بخشي از اراضي شهرستان زهك منطقه سيستان انجام شد. تعداد 121 نمونه خاك با فواصل 750 متر از عمق 30-0 سانتي‌متر برداشت و مقادير شوري و درصد رس خاك تعيين شد. 105 نمونه براي آموزش مدل‌ها و 16 نمونه جهت اعتبار‌سنجي مدل ها استفاده شد. مدل‌هاي مختلف زمين‌آماري و شبكه عصبي مصنوعي برازش و بهترين مدل‌ها انتخاب و با استفاده از اعتبارسنجي مستقل دقت دو روش با هم مقايسه گرديد. يافته‌ها: نتايج نشان داد كه اراضي منطقه تحت‌تاثير شوري قرار دارند. در تخمين شوري خاك، روش شبكه عصبي مصنوعي با ضريب تبيين (R2) 59/0 و معيار خطاي (RMSE) 2/10 نسبت به روش زمين‌آمار با ضريب تبيين 53/0 و معيار خطاي 3/12 دقت بيش‌تري داشت. در تخمين رس خاك نيز روش شبكه عصبي با ضريب تبيين 67/0 و معيار خطاي 18/6 در مقايسه با روش زمين‌آمار با ضريب تبيين 62/0 و با معيار خطاي 2/8 مقدار رس خاك را بهتر پيش‌بيني كرد. نتيجه‌گيري: دقت روش شبكه عصبي در تخمين شوري و رس خاك اندكي بيش‌تر از روش زمين‌آمار بود. در هر دو روش مقدار دقت تخمين براي شوري خاك كم‌تر از رس خاك بود كه مي‌تواند مربوط به تاثير مديريت بر شوري خاك در منطقه مطالعاتي باشد. آبياري و فعاليت‌هاي كشاورزي باعث شسته شدن نمك و كاهش شوري خاك شده‌اند.

Background and Objectives: Soil maps are the major sources for lands management, natural resources and environmental aspects. Soil salinity is one of the most important factor of limiting product and soil clay also has important effects on soil fertility in Zahak city in Sistan plain. Accurate maps of soil salinity status and clay content could highly help to manage the proper of lands in this area. There are different techniques for prediction of soil characteristics in not sampled areas such as geostatistics and artificial neural networks (ANN) which were used in this study. Materials and Methods: This investigation were done to compare geostatistical and artificial neural networks (ANN) methods in predicting soil salinity and clay content in Zahak city in Sistan plain. 121 soil samples were taken from the depth of 0-30 cm within the grid of 750×750 m and soil EC and clay percentage were determined. 105 samples were used for training and 16 samples were used for validation in both models. The different models were fitted for each technique and the best models were selected and independent validation was used to determine accuracy of two techniques. Results: Results showed that soil was affected by salinity in study area. ANN with R2=0.59 and RMSE=10.2 comparing to geostatistics with R2=0.53 and RMSE=12.3 had more accuracy in soil salinity prediction. Also in predicting soil clay content, ANN estimated better compared to geostatistics with R2=0.67 and RMSE=6.18 against R2=0.62 and RMSE=8.2. Conclusion: The accuracy of neural network method to estimate the soil salinity and clay content was slightly higher than geostatistical method. In both techniques the accuracy of estimation for soil salinity was lower than clay content that can be related to management effect on soil salinity in study area. Irrigation and agricultural activities caused leaching salts and reducing soil salinity.