نقشه‌برداري رقومي افق‌هاي مشخصه و گروه‌هاي بزرگ خاك در منطقه زرند كرمان

Digital Mapping of Soil Diagnostic Horizons and Great Groups in Zarand Region of Kerman

نقشه‌برداري رقومي خاك شامل پيش‌بيني مكاني خاك‌ها و ويژگي‌هاي آنها براساس ارتباط با متغيرهاي كمكي مي‌باشد. اين مطالعه به منظور نقشه‌برداري رقومي خاك با استفاده از مدل‌هاي رگرسيوني لاجيستيك دوتايي و درختي توسعه‌يافته در منطقه زرند كرمان طراحي گرديد. يك طرح نمونه‌برداري طبقه‌بندي شده در منطقه‌اي به مساحت نود هزار هكتار تعريف شد و در نهايت، 123 خاك‌رخ حفر و تشريح گرديد. در هر دو مدل، ابتدا احتمال حضور افق‌هاي مشخصه از طريق ارتباط دادن با متغيرهاي كمكي، تخمين زده شد و سپس حضور كلاس‌هاي مختلف خاك پيش‌بيني گرديد. متغيرهاي كمكي شامل نقشه ژئومرفولوژي، اجزاي سرزمين و شاخص‌هاي سنجش از دور بودند. نتايج نشان داد كه نقشه ژئومرفولوژي، يك ابزار مهم در روش‌هاي نقشه-برداري رقومي خاك است كه به افزايش دقت پيش‌بيني كمك مي‌كند. پس از سطوح ژئومرفيك، اجزاي سرزمين به‌عنوان پارامترهاي كمكي مؤثر شناخته شدند. هر دو مدل، احتمال بالاي حضور افق ساليك را در سيماي اراضي پلايا، افق جيپسيك را در تپه‌هاي گچي و افق كلسيك را در مخروط‌افكنه‌ها پيش‌بيني كردند. در بين كلاس‌هاي خاك مورد پيش‌بيني، كلاس "كلسي‌جيپسيدز"، دقت و قابليت اعتبار تخمين پاييني را نشان داد، در صورتي‌كه تخمين كلاس‌هاي "هپلوساليدز" و "هپلوجيپسيدز" از دقت بالايي برخوردار بود.

Digital soil mapping includes soils, spatial prediction and their properties based on the relationship with covariates. This study was designed for digital soil mapping using binary logistic regression and boosted regression tree in Zarand region of Kerman. A stratified sampling scheme was adopted for the 90,000 ha area based on which, 123 soil profiles were described. In both approaches, the occurrence of relevant diagnostic horizons was first mapped, and subsequently, various maps were combined for a pixel-wise classification by combining the presence or absence of diagnostic horizons. Covariates included a geomorphology map, terrain attributes and remote sensing indices. Among the predictors, geomorphology map was identified as an important tool for digital soil mapping approaches as it helped increase the prediction accuracy. After geomorphic surfaces, the terrain attributes were identified as the most effective auxiliary parameters in predicting the diagnostic horizons. The methods predicted high probability of salic horizon in playa landform, gypsic horizon in gypsiferous hills and calcic horizon in alluvial fans. Both models predicted Calcigypsids with very low reliability and accuracy, while prediction of Haplosalids and Haplogypsids was carried out with high accuracy.