پديد آورندگان :
فاتحي، شاهرخ سازمان تحقيقات، آموزش و ترويج كشاورزي - مركز تحقيقات و آموزش كشاورزي و منابع طبيعي - بخش تحقيقات خاك و آب، استان كرمانشاه , افتخاري، كامران سازمان تحقيقات، آموزش و ترويج كشاورزي - مؤسسه تحقيقات خاك و آب، كرج , قادري، جلال سازمان تحقيقات، آموزش و ترويج كشاورزي - مركز تحقيقات و آموزش كشاورزي و منابع طبيعي - بخش تحقيقات خاك و آب، استان كرمانشاه
كليدواژه :
انبوهش زدايي مكاني , نقشه رقومي خاك , كلاس خاك , واحد نقشه
چكيده فارسي :
سابقه و هدف: مديريت چالش‌هاي جهان امروز مانند امنيت غذايي و مسائل زيست محيطي، نيازمند اطلاعات رقومي خاك با صحت و دقّت كافي و با قدرت تفكيك مكاني ريز است. نقشه‌هاي خاك عمدتاً در مقياس كوچك قابل دسترس هستند. با وجود اين، در طي دو دهه اخير با ظهور روش‌هاي نقشه‌برداري و مدل‌سازي رقومي خاك، امكان انبوهش‌زدايي مكاني واحدهاي نقشه خاك فراهم شده است. انبوهش‌زدايي مكاني واحدهاي نقشه خاك، روشي است كه توزيع مكاني كلاس‌هاي منفرد خاك را مدل‌سازي مي‌كند. طي اين فرايند اطلاعات نقشه‌ي خاك از مقياس كوچك (قدرت تفكيك مكاني درشت) به مقياس بزرگ (قدرت تفكيك مكاني ريز) تبديل مي‌شود و براي اجراي آن، روش‌هاي آماري و داده‌كاوي مورد استفاده قرار مي‌گيرد. هدف از انجام اين پروژه، استفاده از روش انبوهش‌زدائي و يكنواخت‌سازي واحدهاي نقشه خاك از طريق بازچيني توسط درختان طبقه‌بندي (دسمارت ) براي انبوهش‌زدايي واحدهاي نقشه نيمه‌تفصيلي خاك است.
مواد و روش‌ها: ناحيه مورد مطالعه با وسعتي حدود 14083.9 هكتار در استان كرمانشاه قرار دارد. نقشه‌ي خاك منطقه از 5 واحد نقشه تشكيل شده‌است و در كل واحدهاي نقشه مركب از 4 زيرگروه خاك مي‌باشند. در اين پژوهش، با استفاده از مدل‌هاي رقومي ارتفاع با قدرت تفكيك مكاني 10 متر، نقشه‌ي متغيرهاي كمكي شامل ارتفاع، درصد شيب، جهت شيب، تحدب، تابش مستقيم، شاخص رسوب و شاخص همواري درّه با درجه تفكيك بالا، شاخص خيسي، عمق دره و فاصله عمودي تا شبكه آبراهه تهيه گرديد. همچنين از تصاوير ماهواره‌اي لندستETM+7، براي توليد متغير كمكي شاخص رس، شاخص اندازه ذرات و شاخص پوشش گياهي نرمال شده استفاده شد. نقشه زمين شناسي با مقياس 1:100000 نيز به عنوان متغير كيفي ورودي به كار رفت. سپس مدل دسمارت براي انبوهش‌زدايي نقشه خاك منطقه مورد مطالعه اجرا شد. روش دسمارت از درون واحدهاي نقشه به طور تصادفي نمونه‌برداري نموده و از درختان طبقه‌بندي الگوريتم C5.0 براي توليد نقشه‌هاي سطوح احتمال توزيع كلاس‌هاي منفرد خاك استفاده مي‌كند. ارزيابي نقشه‌هاي سطوح احتمال با استفاده از داده‌هاي اعتبارسنجي شامل 82 نيمرخ خاك و معيارهاي مستخرج از ماتريس درهمي شامل صحت توليدكننده، صحت كاربر، صحت كلي و ضريب كاپا انجام شد. همچنين شاخص آسيمگي بين نقشه احتمال كلاس خاك مرتبه اول و دوم محاسبه گرديد. شاخص آسيمگي بيان مختصري از درجه آسيمگي كلاس‌هاي خاك است. يافته‌ها: فاصله عمودي تا شبكه آبراهه، ارتفاع، ليتولوژي، شاخص اندازه ذرات و شاخص همواري درّه با درجه تفكيك بالا از مهم‌ترين متغيرهاي پيش‌بيني كننده مدل درختان طبقه‌بندي بودند. شاخص آسيمگي نزديك به يك، كه گسترش فراواني در ناحيه مورد مطالعه دارد احتمال وقوع يكسان زيرگروه‌هاي خاك در هر موقعيت مكاني در هر دو نقشه احتمال كلاس خاك مرتبه اول و دوم را نشان مي‌دهد. اعتبارسنجي نقشه‌هاي سطوح احتمال نشان مي‌دهد كه صحت كلي احتمال كلاس خاك مرتبه اول (44 درصد)، احتمال كلاس خاك مرتبه دوم (28 درصد) و احتمال كلاس خاك مرتبه سوم (11 درصد) مي‌باشد. اين نتايج بيانگر كارايي نسبتاً خوب اين روش براي توليد نقشه رقومي كلاس‌هاي منفرد خاك است. اما ضرايب كاپا براي نقشه‌هاي سطوح احتمال خاك مرتبه اول، دوم و سوم به ترتيب 0.04، 0.02 و 0.08- به دست آمد. پايين بودن ضرايب كاپا را مي‌توان ناشي از ماهيت واقعي داده‌ها يعني غالب بودن زيرگروه تيپيك كلسي زرپتز در نقشه سنتي خاك، نقشه پيش‌بيني مدل دسمارت و داده‌هاي اعتبارسنجي دانست. نتيجه‌گيري: روش دسمارت قادر است احتمال وقوع تمام كلاس‌هاي خاك ناحيه مورد مطالعه كه توزيع آن‌‌ها در واحدهاي نقشه نامشخص است را پيش‌بيني نمايد و فرصتي براي توليد نقشه‌هاي رقومي كلاس خاك هنگامي كه داده‌هاي ميراثي خاك و متغيرهاي كمكي در دسترس هستند فراهم مي‌كند. چنين خروجي‌هايي مي‌تواند به فهم روابط سيماي اراضي و خاك كمك كند.
چكيده لاتين :
Background and objectives: Digital soil data with high spatial resolution and enough accuracy and precision are necessary for management of global challenges such as food security, environment problems. Generally, soil data are available in small scale. Nevertheless, in the last decades, with the advent of soil digital mapping and modeling approaches, it is possible to disaggregate soil map units. The spatial disaggregation of soil map units is a method for modeling the spatial distribution of individual soil classes. During this process, the soil map data from a small scale (coarse resolution) is converted to a large scale (fine resolution). The statistical and data mining methods are used to implement it. The purpose of this research was to predict the spatial distribution of soil classes by disaggregating the soil map units of a semi detailed soil map using disaggregating and harmonizing soil map units through resampled classification trees algorithm (DSMART method).
Materials and methods: The study area is located in Kermanshah province. The total area of the study was approximately 14083.9 ha. Soil polygon map include 5 map units and 4 soil subgroups. In this study, elevation, slope, aspect, convexity, direct duration, sediment index, topographic wetness index, valley depth and Vertical distance to channel network as covariates produced using DEM 10 m. Grain size index, clay index and NDVI were also calculated using Landsat 7 ETM+ imagery. Geological map at scale of 1:100,000 were also used as a qualitative covariate. Then dsmart method is run as a novel approach for disaggregation soil maps. In this method, disaggregated soil classes are represented by raster probability surfaces. DSMART samples randomly within the soil map units and uses classification trees (C5.0 algorithm) to produce probability surface maps of soil class distribution. External validation was performed using 82 profiles. The validation dataset was intersected with the corresponding probability surface maps and validation quantified by overall accuracy, producer’s accuracy, user’s accuracy and kappa coefficients. Furthermore, confusion index calculated between the most probable and second-most-probable soil class. The CI expresses concisely degree of confusion about soil class given. Results: The most important predictive variables in the tree classification model were Vertical distance to channel network, Elevation, lithology, grain size index and MRVBF. The confusion index close to 1 has a large extent in the study area. It shows that occurrence probability of soil subgroups is near equal in each location in both the most probable soil class and second probable soil class maps. Validation of probability surfaces showed that overall accuracy the most probable soil class, second probable soil class and third probable soil class are 44%, 28% and 11%, respectively. These results indicated the relatively good performance of dsmart method for generating digital individual soil class map. However, kappa coefficients for first, second and third probable surfaces soil maps were obtained 0.04, 0.02, -0.08, respectively. Low kappa coefficients can be attributed to the true nature of the data, i.e the dominance of the Typic Calcixerepts subgroup as compared to other subgroups of the soil in the traditional soil map and the dsmart model prediction map and validation data.
Conclusion: Dsmart method is able to predict the occurrence probability of all soil classes which its distribution is unclear in soil map unit. This provides the opportunity to produced digital soil class maps when legacy soil data and covariate information becomes available. Such outputs may help us to recognize better soil- landscape relationship.
