تخمين و پهنه بندي ميزان كربن آلي خاك با استفاده از آناليز عوارض زمين (مطالعه موردي: بخشي از اراضي شهرستان مشهد)

(Estimation and Mapping Soil Organic Carbon content using Terrain Analysis(Case study: Mashhad, Iran

اين مطالعه به منظور ارزيابي قابليت استفاده از مشخصه هاي مشتق شده از مدل ارتفاع رقومي به عنوان متغير كمكي براي تخمين كربن آلي خاك (SOC) و با به كارگيري آن ها در روش هاي مختلف آماري و زمين آماري طراحي شده است. مدل رگرسيون خطي (LR)، مدل شبكه عصبي مصنوعي (ANN)، كريجينگ معمولي (OK)، كوكريجينگ معمولي (CoK)، رگرسيون كريجينگ (RK) و كريجينگ با روند بيروني (KED) به منظور پيش بيني توزيع مكاني SOC در منطقه اي به مساحت 2400 كيلومتر مربع در بخشي از اراضي شهرستان مشهد مورد استفاده قرار گرفتند. SOC براي 200 نمونه خاك سطحي در منطقه مورد مطالعه اندازه گيري و مشخصه هاي متناظر هر نقطه از روي مدل ارتفاع رقومي (DEM) با دقت 10 متر استخراج شد. همبستگي بين SOC اندازه گيري شده و هر يك از مشخصه ها تعيين شد. تعداد 160 داده براي مدل سازي و 40 داده براي ارزيابي انتخاب و روش هاي مختلف تخمين به وسيله دو پارامتر ضريب تبيين (R2) و ميانگين خطاي مطلق (MAE) حاصل از مقايسه داده هاي انداره گيري و تخميني، مورد ارزيابي قرار گرفتند. نتايج نشان داد كه همبستگي معني دار ولي نه چندان قوي بين مشخصه هاي عارضه اي و SOC وجود دارد. مقايسه تكنيك هاي مختلف تخمين نشان داد كه در بين تكنيك هاي استفاده شده، روش KED، زماني كه با شاخص خيسي به عنوان متغير كمكي به كارگرفته شد بهترين كارآيي (مقدار MAE معادل 18/0 درصد و R2 برابر با 67/0) را داشت هرچند تفاوت چنداني با روش رگرسيون كريجينگ نداشت. همچنين بين نقشه هاي حاصل از روش هاي زمين آماري تفاوت نسبتاً كمي مشاهده شد در حاليكه اين تفاوت با نقشه-هاي حاصل از روشهاي LR و ANN محسوس بود. نتايج اين تحقيق پيشنهاد مي كند كه اگرچه بين SOC و مشخصه هاي عارضه اي زمين همبستگي معني داري وجود دارد و مي توان از آنها به عنوان متغيرهاي كمكي براي تخمين SOC استفاده نمود، اما اين همبستگي به ميزاني كه بتوان نقشه هاي دقيق ايجاد نمود كافي نيست و بايد فاكتورهاي مرتبط ديگر نيز كه توزيع SOCرا كنترل مي كنند مورد توجه قرار گيرند.

This study was conducted to evaluate using terrain attributes derived from digital elevation model (DEM) as ancillary data to predict soil organic carbon (SOC) by implementing different statistical and geostatistical techniques. A linear regression model (LR), Artificial Neural Network model (ANN), ordinary kriging (OK), ordinary co-kriging (OCK), regression kriging (RK) and kriging with an external drift (KED) were performed to predict spatial distribution of SOC in an area of 2400 km2 in mashhad, iran. The SOC was measured for 200 soil samples of the study area and their corresponding Terrain attributes value was extracted from derived from 10-m resolution DEM. correlation between measured SOC and individual terrain attributes was determined, the number of 160 data were used for model development and 40 as validation data set. Resulting maps of different interpolation methods were compared to evaluate map quality using MAE and R2 criteria calculated from plotting measured versus estimated data. The results showed that there is a significant but not strong correlation between SOC and terrain attributes. The comparison of estimation techniques showed that the KED technique with wetness index as ancillary data has the best performance (MAE=0.18 %, R2=0.67) of all, but no significant difference with RK. There were modest differences between maps created with geostaistical technique but sensible difference with LR and ANN ones. The results of this study propose that although there is a significant correlation between SOC and terrain attributes therefore It can be use for enhancing the quality of map, but it is not able to express the spatial variability of SOC as it is necessary for detailed soil map. Because there is other factors controlling SOC spatial distribution