مدل سازي رابطه عمق خاك و ويژگي هاي پستي و بلندي زميننما به منظور پيشبيني عمق خاك در زير حوضه ريمله استان لرستان

Modeling Soil Depth and Topographic Attributes Relationship for Predicting Soil Depth in Rimeleh Catchment, Lorestan Province

پي بردن به عمق خاك و تغييرات آن با انجام مطالعه خاك­شناسي و حفاري خاك امكان­پذير است ولي مستلزم صرف بودجه، وقت و نيروي انساني ماهر و متخصص است. رهيافت مدل­سازي روابط خاك - زمين ­نما اين امكان را مي­دهد تا با توجه به ويژگي­ هاي پستي و بلندي زمين­نما بتوانيم مدل پيش ­بيني عمق خاك را از طريق روش آماري رگرسيون خطي چندگانه تهيه نماييم. در اين تحقيق ويژگي ­هاي اوليه و ثانويه پستي و بلندي زير حوضه ريمله واقع در استان لرستان (منطقه زاگرس مياني) از مدل رقومي ارتفاع (DEM) استخراج گرديدند. سپس، در 189 نقطه در سطح زير حوضه كه به روش تصادفي سيستماتيك انتخاب شدند عمق خاك با حفاري (با مته)به وسيله متر اندازه ­گيري شد.داده ­هاي مربوط به عمق خاك و ويژگي ­هاي پستي و بلندي زمين­نما به روش آماري رگرسيون خطي چندگانه (شيوه گام به گام) با استفاده از نرم­افزار SPSS 19 تجزيه و تحليل شد. نتايج نشان داد كه پيش­بيني عمق خاك با مدل با دو ويژگي درصد شيب و ارتفاع از سطح دريا رابطه منفي معنادار (0/01>P) دارد. ضريب همبستگي مدل برابر با 0/63 به دست آمد. نمودار عمق پيش­بيني شده در مقابل عمق مشاهده شده خاك نيز رابطه خطي با ضريب همبستگي 0/65 را نشان داد. ساير ويژگي­ هاي پستي و بلندي زمين نما نيز بر عمق خاك مؤثر بوده ­اند، اما تأثير آن­ها در سطح 5 درصد معنادار نشده است. بنابراين، در مدل پيش­بيني عمق خاك دخالت داده نشده­اند.

Determination of soil depth and its variations is possible through soil survey and drilling. This requires budget, time, and skilled personnel. Soil – landscape relationships approach makes it possible to develop the soil depth predictor model from topographic attributes by using multiple linear regression statistic method. In this research, primary and secondary topographic attributes of the Rimeleh catchment were derived from a Digital Elevation Model (DEM). Soil depth was determined at 189 systematically randomized positions of the catchment by soil drilling. Data of soil depth and topographic attributes were analyzed using SPSS 19 software. Results showed that the soil depth predicted by the model had significant negative correlation (P<0.01) with slope gradient and elevation. The correlation coefficient of the model was 0.63. The fitted line to the scattered plot of observed soil depths and predicted soil depths had also a correlation coefficient of 0.65. Other topographic attributes affected the soil depth but their effects were not significant statistically. So, they were not included in the model.