مكان‌يابي شوري خاك با استفاده از داده‌هاي محيطي و نمونه‌برداري هايپركيوب در شهرستان ميبد

Spatial distribution of soil salinity using auxiliary variables and hypercube sampling method in Meybod

نقشه‌برداری رقومی روشی نوین و جایگزینی مناسب برای روش­های سنتی است. در این روش شوری خاك با یك سری متغیرهای محیطی ارتباط داده شده و سپسشوری خاك در نقاط دیگر پیش­بینی می­شود. در این پژوهش بر اساس روش هایپركیوپ، مكان جغرافیایی 73 نمونه خاك مشخص و نمونه‌برداری و هدایت الكتریكی آن­ها اندازه­گیری شد. سپس با استفاده از مدل شبكه عصبی مصنوعی رابطه بینداده­های زمینی و متغیرهای محیطی (اجزاء سرزمین و داده­های ماهواره لندست 8) به‌دست آمد و در آخر شوری خاك دركل منطقه مورد مطالعه ارزیابی شد. نتایج تحلیل حساسیت مدل شبكه عصبی مصنوعی نشان داد، كه متغیر شاخص گیاهی نرمال شده (51/39%)، شاخص گیاهی تعدیل كننده اثر خاك (60/27%)، شاخص شوری (07/27%) و شیب اراضی (80/5%)، جهت بررسی شوری خاك از اهمیت بیشتری برخوردار هستند. همچنین نتایج ارزیابی مدل ضریب تبیین 57/0 و میانگین ریشه مربعات dS/m 40/17كارآیی بالای آن را نشان می­دهد. نتایج كلی این پژوهش نشان داد كه استفاده از داده­های ماهواره­ای، مدل رقومی ارتفاع و مدل­سازی با استفاده از شبكه عصبی مصنوعی دارای دقت قابل قبولیاست؛ بنابراین پیشنهاد می­شود در مطالعات آینده جهت تهیه نقشه رقومی خاك از روش مشابه استفاده شود. 

Digital mapping is a suitable alternative method to the traditional methods. In this method, soil salinity correlated to the environmental variables and then soil salinity predicts in the other locations. At present research, based on thehypercubemethod, the locations of 73 soil samples selected and then sampled. Electrical conductivity was measured in the saturation paste of soil samples. Then using artificial neural network (ANN) the relationship between ground point data and environmental variables (terrain attributes and Landsat 8 image data) was calculated and applied to the other parts of area. Sensitivity analysis indicated some environmental variables had more influence on prediction ANN model including normalized difference vegetation index (39.51%), soil-adjusted vegetation index (27.60%) and slope (5.80%), respectively. Moreover, the cross-validation implied high performance of ANN model to predict soil salinity (R2=0.57 and RMSE=17.40 dS/m). Our results, overall, showed that remote sensing data and digital elevation model and ANN had acceptable performance to predict soil salinity and hence it is recommended the same methodology in the future.