تهيه نقشه‌هاي سه بعدي توزيع اندازه ذرات نهايي سازنده خاك (بافت خاك) با استفاده از معادلات عمق و شبكه‌هاي عصبي مصنوعي

Three-dimensional mapping of soil texture using spline depth functions and artificial neural networks

در نقشه­ هاي مرسوم معمولا چگونگي تغييرات بافت خاك در فواصل بين نقاط نمونه ­برداري نشان داده نمي­ شود و در اين نقشه­ ها و نقشه ­هاي رقومي، تغييرات تدريجي بافت خاك با عمق به خوبي قابل پيش ­بيني نيست. از تكنيك نقشه برداري رقومي براي تخمين ذرات نهايي سازنده خاك در مكان­ هاي نمونه­ برداري نشده و از معادلات عمق خاك براي نشان دادن تغييرات بافت خاك با عمق و تخمين آن در هر عمق دلخواه مي ­توان استفاده نمود. در اين مطالعه در 103 نقطه مشاهداتي واقع در دشت سيلاخور در شمال غرب شهرستان دورود استان لرستان، معادله عمق اسپلاين با سطح برابر بر داده­ هاي سيلت، شن و رس تا عمق يك متري برازش داده شد و مقادير اين اجزاء در پنج عمق استاندارد شامل 5-0، 15-5، 30-15، 60-30 و 100-60 سانتي­متر تخمين زده شد. اين اطلاعات با متغيرهاي كمكي استخراج شده از تصاوير ETM+سنجنده­ هاي ماهواره لندست و مدل رقومي ارتفاعي (DEM) تلفيق و بر اساس روابط بين آن­ها نقشه پيوسته پيش ­بيني مقدار اندازه ذرات نهايي سازنده خاك و كلاس­ هاي بافت خاك با استفاده از مدل شبكه ­هاي عصبي مصنوعي براي كل منطقه به دست آمد. نتايج تجزيه و تحليل حساسيت نشان داد اهميت نسبي داده­ هاي كمكي در پيش ­بيني بافت خاك براي اجزاء مختلف بافت و در اعماق مختلف متفاوت است. بر طبق نتايج حاصله توانايي شبكه­ هاي عصبي در تخمين بافت خاك در لايه­ هاي سطحي بيشتر از لايه ­هاي پاييني بود. مقادير R2 براي رس، سيلت و شن از سطح به عمق به ترتيب از 0/73 تا 0/49، از 0/76 تا 0/43 و از 0/68 تا 0/26 به دست آمد. اين نتايج در نقشه ­برداري رقومي در حد قابل قبولي هستند. افزون بر اين، نتايج نشان داد داده­ هاي كمكي مستخرج از تصاوير ماهواره­اي در لايه‌هاي سطحي و داده­ هاي مستخرج از DEM در لايه هاي عمقي اهميت بيشتري در تخمين بافت خاك داشتند.

Quantitative, continuous and three-dimensional soil data at appropriate scales are prerequisites for modeling of natural resources and environment. Despite the importance of soil texture, its legacy soil maps are often provided for the surface layers in which vertical and lateral variations of soil properties are not considered. The combination of digital soil mapping (DSM) and soil depth functions is an alternative tool to cope with these problems, especially in countries with limited data such as Iran. Therefore, equal-area spline depth function and DSM techniques were employed to assess the vertical and lateral distribution of soil texture in Silakhor Plain, located in Lorestan province, western Iran. By fitting the depth function to the measured clay, silt and sand percent in 103 sites to a depth of one meter, their estimated percents were obtained at five standard soil depths of Global Soil Map project (0-5, 5-15, 15-30, 30-60 and 60-100 cm). Also artificial neural network model was employed to predict lateral distribution of soil texture fractions using the auxiliary variable derived from satellite image and digital elevation model (DEM) in the standard depths. The results of the sensitivity analysis showed although the relative importance of auxiliary variables in predicting soil texture was different according to the depth and texture fractions, the performance of artificial neural network in upper layers was more than lower layers. R2 values for clay, silt and sand and from the top to the bottom were 0.73 to 0.49, 0.43 to 0.76 and 0.26 to 0.68, respectively. Results also showed, for estimating soil texture, auxiliary variables derived from satellite image were more important in surface layers and of DEM were more important in subsurface layers.