ريزمقياس‌سازي نقشه‌هاي رقومي برخي از ويژگي‌هاي خاك سطحي (مطالعه موردي: حوضه آبخيز مرك، استان كرمانشاه)

Downscaling digital maps of some soil surface properties (A case study: Merek sub catchment, Kermanshah province)

سابقه و هدف: يكي از نيازهاي اساسي كاربران و برنامه‌ريزان بخش كشاورزي، منابع طبيعي و محيط زيست نقشه رقومي ويژگي‌هاي خاك با قدرت تفكيك مكاني ريز است. اما در كشور، از يك‌سو با كمبود چنين داده‌هايي مواجه هستيم و از سوي ديگر تهيه اين گونه داده بسيار پرهزينه است. در چنين شرايطي، ريزمقياس‌سازي نقشه‌هاي رقومي خاك به‌عنوان گزينه‌اي مناسب براي تهيه نقشه هايي با اندازه پيكسل ريز مطرح مي گردد. هدف از اين پژوهش، بررسي و ارزيابي تهيه نقشه‌هاي رقومي با اندازه پيكسل 10 متر از نقشه هاي رقومي ويژگي هاي سطحي خاك با اندازه پيكسل 50، 100 و 250 متر با استفاده از روش ريز‌مقياس‌سازي مستقيم در سطح 240000 هكتار از اراضي زير حوضه آبخيز مرك واقع در استان كرمانشاه بود. مواد و روش ها: ابتدا ساختار مكاني ويژگي هاي خاك سطحي شامل درصد شن، درصد سيلت، درصد رس، درصد كربن آلي، درصد كربنات كلسيم معادل و درصد سنگريزه بر اساس داده‌هاي ميراثي خاك (320 نمونه با توزيع تصادفي نامنظم) در كل ناحيه مورد مطالعه، با ترسيم تغييرنما و برازش مدل مناسب تعيين گرديد. سپس نقشه كريجينگ بلوكي ويژگي هاي مورد نظر در اندازه پيكسل 50، 100 و 250 متر تهيه شد. اجزا سرزمين، تصاوير ماهواره‌اي، نقشه زمين‌شناسي، ژيومورفولوژي و كاربري اراضي به‌عنوان متغيرهاي كمكي در اين پژوهش مورد استفاده قرار گرفتند. به‌‌منظور انتخاب متغيرهاي كمكي تاثيرگذار بر متغير هدف، از ضريب همبستگي استفاده شد. متغيرهاي كمكي كه در سطح 01/0 با ويژگي‌هاي مورد مطالعه خاك همبستگي معني دار داشتند؛ براي ورود به فرايند مدل‌سازي انتخاب شدند. سپس از روش مستقيم براي ريز‌مقياس‌سازي نقشه هاي مذكور استفاده شد. در اين روش، ابتدا از طريق مدل‌هاي خطي تعميم‌‌يافته و درختان رگرسيون به سادگي رابطه بين خصوصيات خاك و متغيرهاي كمكي (هر دو با اندازه پيكسل درشت) شناسايي مي‌گردد و سپس از پارامترهاي واسنجي مدل و ويژگي هاي محيطي با اندازه پيكسل ريز براي پيش‌بيني خصوصيات خاك در اندازه پيكسل ريز استفاده مي‌شود. آموزش مدل‌ها بر اساس 75 درصد داده‌هاي ساپورت بلوكي منطبق با داده‌هاي اوليه وارزيابي نتايج بر اساس 25 درصد بقيه داده‌ها به روش اعتبارسنجي كا مرتبه با كاي معادل با4 انجام شد. يافته‌ها: نتايج نشان داد مقدار شن كم‌ترين و مقدار سنگريزه بالاترين همبستگي با متغيرهاي كمكي دارند. با در نظر گرفتن همه اندازه پيكسل‌ها، بيش‌ترين همبستگي بين ويژگي‌هاي خاك و ارتفاع، مدت تابش، تحدب، شيب، شاخص خيسي توپوگرافي و شاخص همواري دره با درجه تفكيك بالا مشاهده شد. ريزمقياس‌سازي سنگريزه با استفاده از روش مدل‌هاي خطي تعميم‌يافته از اندازه پيكسل 50 متر به 10 متر بهترين كارايي را نشان داد (ريشه ميانگين مربعات خطاي %5.57). ريزمقياس‌سازي شن، رس، كربنات كلسيم معادل و كربن آلي از اندازه پيكسل 250 و سيلت از اندازه پيكسل 50 متر به اندازه پيكسل 10 متر با روش درختان رگرسيون منجر به برآورد كم‌ترين مقدار ريشه ميانگين مربعات (به‌ترتيب %9/3، %3، %39/4، %21/0 و %31/2) خطا گرديد. همچنين نتايج نشان داد كه درختان رگرسيون در ريزمقياس‌سازي ويژگي‌هاي خاك با اندازه پيكسل مختلف بهتر عمل مي‌كند. نتيجه‌گيري: به‌نظر مي‌رسد روش مستقيم توانسته است نقشه رقومي برخي متغيرهاي خاك (مانند سيلت، كربنات كلسيم معادل، كربن آلي و درصد سنگريزه) را با صحت و كارايي قابل‌قبولي ريزمقياس نمايد. بديهي است همبستگي قوي بين متغير هدف و متغيرهاي كمكي سبب افزايش كارايي مدل‌ها و صحت نقشه‌هاي ريزمقياس شده مي‌گردد. همچنين مشخص گرديد متغيرهاي كمكي در اندازه پيكسل‌هاي مختلف، وابستگي متفاوتي با متغير هدف دارند كه بر كارايي ريزمقياس‌سازي اثر مي‌گذارد.

Background and Objectives: Digital soil maps with fine resolution are one of the basic needs of users and decision-makers in agriculture, natural resource and environment. However, in our country, there is scarcity of this kind of data and producing fine resolution soil data is very costly. Therefore, downscaling digital soil maps arises as a suitable option in order to produce fine resolution soil data. Objectives of this study were to examine and evaluate downscaling digital maps of some soil surface properties from block supports 50, 100 and 250 m to block support 10 m using direct approach across Merek sub catchment in Kermanshah province with an area of 24000 ha. Materials and Methods: Firstly, spatial structure information of soil surface properties including %sand, %silt, %clay, %organic carbon, %equivalent calcium carbonate and %gravel were determined using legacy data (320 randomized point samples) and variography. Then, block kriging maps were produced with block support 50, 100 and 250 m. Terrain attributes, Landsat images, geology map, geomorphology and land use maps were used in this study as auxiliary variables. Correlation coefficient between auxiliary variables and target variables was calculated and auxiliary variables were significant at the 0.01 level selected as model inputs. Afterwards, downscaling direct approach was used. In this approach, relationship between the soil properties and auxiliary variables with coarse resolution were identified using generalized linear models (GLMs) and regression tree. Next, calibrated parameters and fine resolution covariates were applied to prediction soil properties in fine resolution. Models were trained on 75% of the block support data in accordance with original data and evaluated on the remaining 25%, using k-fold validation (k=4) procedure. Results: The results showed that amount of sand and gravel had minimum and maximum correlations with covariates, respectively. Considering all the pixel sizes, the highest correlation were obtained among soil properties and elevation, direct duration, convexity, slope, topographic wetness index and mrvbf. Downscaling gravel map from block support 50 m to 10 m by GLMs showed best performance (RMSE=5.57%). Downscaling sand, clay, equivalent calcium carbonate and organic carbon from 250 m block support and silt from of 50 m to 10 m block support using regression tree led to estimate the lowest root mean square error (3.9%, 3%, 4.39%, 0.21% and 2.31% respectively). Besides, regression trees showed the best performance in downscaling of soil properties with different pixel size. Conclusion: It seems that direct approach would be able to downscale digital maps of soil variables (such as silt, calcium carbonate equivalent, organic carbon content and gravel) with acceptable accuracy and efficiency. Obviously, GLMs and regression tree can lead to strong results if the correlation between soil properties and auxiliary variables is high. It can be concluded that various auxiliary variables at diverse pixel sizes have different relationships with the target variable which affect the performance of the downscaling.