فرسايش‌پذيري خاك و تغييرات مكاني آن در مناطق تحت عمليات حفاظت خاك در منطقه بهبهان

Soil Erodibility and its Spatial Variation in Areas under Erosion Control Measures in Behbahan Region

براي كنترل فرسايش خاك اقدامات مختلفي انجام مي­گيرد كه اطلاع از تأثير اين گونه اقدامات اهميت زيادي در مديريت فرسايش دارد. به‌همين دليل اين مطالعه با هدف بررسي شاخص فرسايش ­پذيري خاك (K) و تغييرات مكاني آن در يك منطقه­ تحت عمليات درخت‌كاري و كنتور­فارو و يك منطقه مشابه بدون اين عمليات در منطقه چاه­ماري بهبهان (استان خوزستان) انجام شد. تعداد 150 نمونه خاك از پنج سانتي­متر سطحي برداشته شد و مقدار K به روش‌هاي ويشماير و اسميت (روش A) و واعظي و همكاران (روش B) تعيين گرديد. مدل­سازي K با استفاده از تكنيك­هاي نقشه ­برداري رقومي خاك (DSM) بر اساس متغيرهاي محيطي استخراج شده از تصوير لندست 8 و مدل رقومي ارتفاع (DEM) و توسط مدل­هاي جنگل تصادفي (RF) و شبكه ­هاي عصبي مصنوعي (ANN) انجام شد. ميانگين K روش­هاي A و B به ترتيب برابر با 0/067 و 0/006 تن بر هكتار ساعت بر هكتار مگاژول ميلي ­متر بود. نتايج بيانگر همبستگي بالا بين K به‌دست آمده از هر دو روش و داده­هاي سنجش از دور بود. بين K روش B با برخي متغيرهاي استخراج شده از DEM همبستگي معني­داري وجود داشت، ولي بين اين متغيرها با K روش A همبستگي معني‌داري وجود نداشت. نتايج مقايسه ميانگين­ ها نيز نشان داد بين ميانگين K به‌دست آمده از روش A در منطقه شاهد با منطقه اجراي عمليات كنترل فرسايش تفاوت معني­داري وجود داشت؛ ولي اين تفاوت براي K روش B معني­دار نبود. ارزيابي كارآيي مدل­ها نشان داد كه هر دو مدل RF و ANN كارآيي نسبتاً بالايي در تخمين K از طريق دو روش A و B داشتند و هر دو روش منجر به تخمين­هاي نااريب گرديدند. به‌طوركلي، نتايج نشان داد كه هر چند كارآيي روش­هاي DSM در مدل­سازي K بالا بود، ولي نتايج كارايي مدل­ها و مقايسه تيمارهاي مختلف حفاظت خاك به روش تعيين K همبستگي داشت.

To control soil erosion, several measures can be conducted which information on their effects is very important in managing soil erosion. Therefore, this study was conducted to assess and model soil erodibility in two adjacent sites in Behbahan region (Khuzestan province). At one site afforestation and contour furrowing were conducted to control soil erosion and the other site without any controlling measures was considered as control. Totally 150 soil samples were collected from the surface layer (0-5 cm) and K was estimated using the methods introduced by Wischmeier and Smith (method A) and Vaezi et al. (method B). For spatial modelling of K, based on digital soil mapping (DSM) techniques, several environmental covariates were derived from a Landsat 8 image and a digital elevation model (DEM) and two models including random forests (RF) and artificial neural networks (ANN) were employed. The values of K for methods A and B varied from 0.025 to 0.087 and 0.002 to 0.008 t.ha.h/ha.Mj.mm with means of 0.067 and 0.006 t.ha.h/ha.Mj.mm, respectively. Results revealed good correlation between K and remotely sensed covariates. Although K (method B) had significant correlation with some of the covariates derived from DEM, but there was no significant correlation between K (method A) with all covariates derived from DEM. Results indicated a significant difference between two sites it terms of K estimated by method A, while there was no significant difference in case of K estimated by method B. Model validation showed that both RF and ANN models resulted in good and unbiased estimates of K (methods A and B). In general, the findings indicated, although the performance of DSM techniques in modeling K were high, performances of the models and the results of means compassion may significantly differ in terms of the method through which K is estimated.