تخمين رس زير سطحي خاك‌ها در اقليم خشك

تخمين رس زير سطحي خاك‌ها در اقليم خشك

چكيده اين مقاله سعي در وارد نمودن پيشنهادهاي جديد در مدل كريجينگ جهاني براي به نقشه درآوردن ميزان رس در لايه‌هاي تحت الارضي خاك‌ها دارد. بنابراين روش روباست را در تمام مراحل مدلينگ روند و واريوگرافي و كريجينگ دخالت داده و تخمين كريجينگ را در مقادير مثبت متناسب با طبيعت محدود نموده است. براي كاهش انحراف در روش‌هاي روباست استفاده شده در مدل ها، پارامترهاي واريوگرام را به روش هاي حداكثر شباهت (ML) وحداكثر شباحت محدود شده (REML) محاسبه شدند. ميانيابي ميزان رس تحت الارض خاك‌ها (%) بصورت تبديل شده (arc sin (y1/2)) انجام گرديد. از داده هاي محيطي تنها نقشه لندفرم ها با 58 R2 = در مدل روند باقي ماند و نتايج ارزيابي مدل ها نشان داد كه روش حداكثر شباهت محدود شده بهترين گزينه مي‌باشد. نتايج مشخص نمود كه، اين روش توانسته ميزان رس موجود در لايه دوم خاك را با دقت قابل قبولي ارايه نمايد. چون روش برگرداندن خطاي تخمين در اين حالت بصورت خطي وجود نداشت لذا براي نشان دادن ميزان خطي در هر نقطه از حدود اطمينان بالايي و پاييني خطاها استفاده و براي هر كدام يك نقشه ارايه گرديد. كلمات كليدي: كاربرد نقشه‌برداري رقومي، رگرسيون رباست، واريوگرافي رباست، حداكثر شباهت، حداكثر شباهت محدود شده، كريجينگ جهاني

Subsurface Clay Prediction in an Arid Area NORAIR TOOMANIAN 1*, AHMAD JALALIAN 2 ,HOSSEIN KHADEMI2, JAHANGARD MOHAMMADI3 1- Soil and Water Research Institute, Isfahan Agricultural Research Center, Amir Hamzeh, Isfahan, Iran 2- Department of Soil Science, College of Agriculture, Isfahan University of Technology, 84154 Isfahan, Iran 3-Department of Soil Science, College of Agriculture, Shar e Kord University, Shahr e Kord, Iran Received: 10 January 2009 Accepted:25 October 2009 notoomanian@yahoo.com Corresponding author: Email: ABSTRACT This paper attempts to estimate and map the clay content of soil Substrata by using some innovative inferences in UK system. Therefore, robustness is inferred in trend analysis and variography of UK system. The variogram parameters are estimated also by maximum likelihood (ML) and restricted maximum likelihood (REML) methods to reduce the probability of biasness of robust variography. A restriction is added to UK system not to predict outside the physical range. Interpolating the clay amount (%) in second soil layer was carried out on transformed (arc sin (y1/2)) data. The landform map was the only remaining fixed effect in the regression model with R2 = 58. The x-validation analysis proved that using RE(ML) methods to estimate the covariance parameters gives more realistic results and avoid the bias existing in robust methods of parameter estimation. Due to non-linearity of back transformation formula of kriging variance, instead of calculating the standard error image the lower and upper confidence interval boundaries of predicted variance was calculated for a 0.975 probability. Keywords: DSM applications, Robust regression, Robust variography, ML and REML parameter