مقايسه روش‌هاي زمين آمار، توابع انتقالي و توابع پيش‌‌بيني فضايي خاك و تركيب آنها براي برآورد مقاومت برشي لايه رويين خاك

Comparison of Geostatistics, PTFs, SSPFs Methods and their Combination for Estimating Soil Surface Shear Strength

مقاومت برشي لايه رويين خاك، از جمله پارامترهاي مهم و مورد نياز براي برآورد يا شبيه‌سازي فرسايش خاك در حوزه‌هاي آبخيز است. اغلب به دليل نبود داده هاي مقاومت برشي لايه رويين خاك، شبيه‌سازي خاك در حوزه‌هاي آبخيز با مشكل مواجه مي‌گردد. به دليل تغييرپذيري بالاي مقاومت برشي خاك و در نتيجه نياز به نمونه‌برداري فراوان، اندازه‌گيري آن پرهزينه، دشوار و زمان‌بر مي‌باشد. بنابراين‌، استفاده از روش‌هاي غيرمستقيم براي اندازه‌گيري آن ضروري به‌نظر مي‌رسد. هدف از اين پژوهش مقايسه روش‌هاي كريجينگ، توابع انتقالي و توابع پيش‌بيني كننده فضايي خاك و تركيب آنها براي برآورد اين پارامتر است. بدين منظور، منطقه‌اي به مساحت 23562 هكتار (داراي كاربري مرتع و مرتع تخريب شده) در زاگرس مركزي و مستعد به فرسايش آبي انتخاب گرديد. در اين منطقه، بر اساس نقشه‌‌هاي زمين‌‌شناسي، توپوگرافي و كاربري و قابليت اراضي، 14 واحد كاري ايجاد شده است. در كل 90 نمونه در سه تكرار به منظور تعيين تغييرپذيري در هر واحد كاري از عمق 10-0 سانتي‌متري برداشت گرديد. ويژگي‌هاي زوديافت و ديريافت مورد نياز براي پي‌ريزي توابع انتقالي و پيش بيني فضايي برآوردكننده‌ي مقاومت برشي لايه رويين، اندازه‌گيري شد. ويژگي‌هاي زوديافت اندازه‌گيري‌شده شامل توزيع اندازه ذرات، كربن آلي، كربنات كلسيم لايه‌ي رويين خاك به انضمام خواص توپوگرافي و پوشش گياهي از قبيل شيب، جهت شيب، ارتفاع و شاخص پوشش گياهي (NDVI) بود. تغييرپذيري مكاني پارامترها با استفاده از تغييرنماها و نسبت اثر قطعه‌اي به كل تغييرنما بررسي و براي تهيه نقشه‌‌هاي كريجينگ مورد استفاده قرار گرفت. در روش تركيبي، ويژگي‌هاي زوديافت ميان‌‌يابي شده به روش زمين‌آمار، به عنوان ورودي توابع انتقالي و توابع پيش‌بيني كننده فضايي خاك، براي برآورد مقاومت برشي لايه رويين خاك مورد استفاده قرار گرفتند. از ريشه ميانگين مربعات خطا (RMSE)، متوسط خطاي مطلق (MAE)، ميانگين هندسي خطا (GMER) و انحراف معيار هندسي خطا (GSDER) براي ارزيابي كارايي روش‌هاي يادشده استفاده شد. نتايج نشان داد كه كارايي عملكرد توابع تركيبي كريجينگ- توابع انتقالي در مقايسه با توابع انتقالي و توابع پيش‌بيني كننده فضايي خاك مشابه بود و همه پارامترها داراي وابستگي مكاني متوسط مي‌باشند.

Surface soil shear strength (SSS) is among the most important and needed parameters that is required in soil erosion simulation and prediction. Lack of the SSS is often a problem in erosion simulation at watersheds. Because of SSS high variability and too sampling, SSS are too difficult, too time consuming, and/or too expensive to measure directly. Therefore it is necessary to measure indirectly. This study was conducted to predict this parameter using kriging, PTFs, SSPFs methods and their combination. In this reason, the study was conducted in central Zagros region on water erosion susceptibility with an area of 23562 ha (rangeland and degraded-rangeland landuse). Based on the maps of geology, topography, landuse and soil capability, 14 Land Unit Tracts (LUT) was created. A total of 90 samples were collected in triplicates in order to determine sample variability of each LUT. Soil samples were collected from the 0-10 cm of soil depthes. Routinely measured (available) parameters for surface shear strength PTFs and SSPFs included soil surface and subsurface attributes in addition to topographic and vegetation attributes: particle size distribution, soil organic carbon, gravel, slope, aspect, elevation and normalized difference vegetation index (NDVI) were used. Three MLR PTFs (pedo-transfer functions) and SSPFs (soil spatial prediction functions) were tested and investigated in this study. Spatial variability of parameters was investigated using semivariograms and the ratio of nugget to total semivariance. Krigin method was used to create map of the needed data. Interpolated easily-obtained parameters by kriging maps are subsequently input into PTFs and SSPFs to predict surface soil shear strength. The performances of the models were evaluated using mean absolute error (MAE) between the observed and the estimated values, root mean square error (RMSE), Geometric standard deviation of the error ratio (GSDER), and Geometric mean of error ratio (GMER). Results showed that the performance of PTFs and SSPFs as compared to combining kriging-PTFs and SSPFs was similar. All of the parameters were moderately spatially dependent.