ارزيابي عدم قطعيت مربوط به تخمين مرز تغييرات شوري خاك در دشت اروميه با روش انتروپي حداكثر اريب

Uncertainty assessment of the soil salinity boundary in Urmia plain using Bayesian Maximum Entropy Method

سابقه و هدف: كاهش سطح آب درياچه اروميه و باقي ماند پهنه وسيعي از زمين هاي شور در سال هاي اخير، باعث افزايش خطر شوري در اراضي كشاورزي مجاور درياچه شده است. اهداف اين پژوهش عبارت بودند از: 1- بررسي تغييرات مكاني شوري خاك با استفاده از داده هاي نامطمين و روش انتروپي حداكثر اريب؛ 2- تخمين مرز بين اراضي شور و كشاورزي و نيز 3- پيش بيني عدم قعطيت همراه با تخمين مرز بين اراضي در جنوب دشت اروميه بود. مواد و روش ها: براي انجام اين پژوهش نمونه برداري بر روي شبكه اي با فاصله نقاط 500 متر صورت گرفت اما در مناطقي كه تغييرات شوري خاك شديد بود، نمونه برداري با فواصل 250 متر انجام شد. منطقه مطالعاتي مساحتي در حدود 5000 هكتار از اراضي حاشيه غربي درياچه اروميه در جنوب دشت اروميه در استان آذربايجان غربي را در بر داشت. نمونه برداري يك بار در پاييز 1388 و بار ديگر در بهار 1389 انجام گرفت. هدايت الكتريكي نمونه ها در 1 خاك به آب يك بار در صحرا با هدايت سنج قابل حمل و بار ديگر در آزمايشگاه اندازه گيري شدند. : 2/ محلول 5 داده هاي اندازه گيري شده در صحرا به عنوان داده نامطمين و اندازه گيري هاي آزمايشگاهي به عنوان داده مطمين در نظر گرفته شدند. دو سوم داده هاي پاييز 1388 براي مدل سازي و تخمين مكاني شوري خاك و مابقي براي اعتبارسنجي استفاده شدند. از پارامترهاي آماري ميانگين خطا و ميانگين مربعات خطا براي مقايسه نتايج استفاده گرديد. از واريانس خطاي تخمين به دست آمده از معادلات روش انتروپي حداكثر اريب، براي محاسبه عدم قطعيت همراه با تخمين مرز شوري خاك در منطقه استفاده گرديد. يافته ها و نتيجه گيري: نتايج نشان داد كه رابطه معني داري بين اندازه گيري هاي صحرايي و آزمايشگاهي شوري خاك 0) و كم ترين / وجود دارد و در بين مدل هاي مورد مقايسه، مدل خطي توانست با كم ترين ميانگين خطاي مطلق ( 38 0- به عنوان بهترين مدل برازش انتخاب شود. سپس براي هر / 0 و 72 / 0-) به ترتيب برابر 38 / ميانگين خطاي اريب ( 72 دور نمونه برداري به طور جداگانه، بهترين مدل كوواريوگرامي برازش شد و پارامترهاي مدل به دست آمدند. نتايج اعتبارسنجي روش انتروپي حداكثر اريب نشان داد اين روش تنها با استفاده از داده هاي نامطمين از نوع احتمالي به ترتيب با ميانگين خطا و ميانگين مجموع مربعات خطاي برابر 0.042 و 0.33 براي پاييز 1388 و 0.2- و 0.64 براي بهار 1389 از دقت قابل قبولي در تخمين مكاني شوري خاك برخوردار است. همچنين نتايج نشان داد مرز نسبتاً مشخصي بين اراضي شور و غيرشور وجود دارد و روش انتروپي حداكثر اريب از قدرت بالايي در تخمين عدم قطعيت همراه با پيش بيني مرز شوري خاك برخوردار است. پايش تغييرات ويژگي هاي خاك از جمله شوري آن اغلب به دليل هزينه هاي بالا و زمان مورد نياز براي جمع آوري داده هاي مطمين با محدوديت مواجه است. روش انتروپي حداكثر اريب به دليل توانايي در استفاده از داده هاي نامطمين، حتي در نبود داده هاي مطمين نيز از دقت خوبي در تخمين مكاني شوري خاك برخوردار است.

Background and Objectives: In recent years, decrease in depth of Urmia Lake and remain of vast saline areas has resulted in higher increase of salinity threat in agricultural lands around the Lake. The aims of this study were 1- Investigation of the spatial changes in soil salinity using the Bayesian Maximum Entropy method (BME); 2- prediction of the boundary between saline and agricultural lands; and 3- Assessment of the uncertainty involved with salinity boundary prediction in South Urmia Plane, North West of Iran. Materials and Methods: The research was done on a grid of 500 m, but in areas with high salinity changes, samples were taken from each 250 m. the study area contained an area of approximately 5000 ha of lands in western shores of Urmia Lake, south of Urmia Plain in west Azerbaijan Province. Soil samples were gathered in autumn 2009 and repeated in spring 2010. Electrical conductivity of soil samples were measured twice, once in the field, using a portable EC meter in 1:2.5 soil to water ratio and again in the laboratory. Field measured soil salinity was considered as soft data and laboratory measurements as hard data. Two third of the samples for autumn were used for modeling and prediction and the rest were used for validation. ME and MSE criteria were used for comparison of the results. Prediction error variance resulted from BME equations, was used for assessing the uncertainty of the soil salinity boundary prediction. Results and Conclusion: Results revealed that there was a significant relation between field and laboratory measurements of soil salinity and among compared models, linear method with least mean absolute error and least bias error of 0.37 and -0.72 respectively, was chosen as best fitted model. Then for each sampling campaign best covariance model was fitted and model parameters were calculated. Cross-validation results showed that BME method with ME and MSE equal to 0.42 and 0.33 for autumn 2009 and 0.2 and 0.64 for spring 2010 respectively, had a high accuracy in spatial prediction of soil salinity, considering that only probabilistic type soft data was used. A sharp boundary was detected between salty and non-salty lands in the area and the BME method had a high ability in predicting the uncertainty involved with boundary predictions. Monitoring soil property variation such as salinity is sometimes limited because it is costly and requires time to gather necessary hard data. BME method has shown potential for using soft data in cases that hard data are not readily available.