این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های حفاظت آب و خاک، جلد ۲۴، شماره ۶، صفحات ۸۷-۱۰۳
عنوان فارسی نقشه‌برداری رقومی فرسایش‌پذیری خاک (مطالعه موردی: دهگلان، استان کردستان)
چکیده فارسی مقاله سابقه و هدف: فرسایش‌پذیری خاک یکی از خصوصیات بسیار مهم خاک می‌باشد که بررسی تغییرات مکانی آن، جهت مدیریت زراعی، تخریب اراضی و مطالعات زیست محیطی حائز اهمیت می‌باشد. بنابراین اطلاع از تغییر‌پذیری مکانی فرسایش‌پذیری خاک نقش مهمی در مدل‌سازی فرسایش آبی دارد. بررسی تغییرات فرسایش‌پذیری خاک به شیوه‌های مرسوم گران و زمان‌بر است . لذا یکی از راه‌های حل این چالش استفاده از نقشه‌برداری رقومی خاک است که می‌تواند خصوصیات خاک را با استفاده از داده‌های کمکی و مدل‌های داده‌کاوی به صورت رقومی پیش‌بینی کند. هدف از این تحقیق استفاده از مدل‌های شبکه عصبی مصنوعی و جنگل تصادفی و داده‌های کمکی برای تهیه نقشه فرسایش‌پذیری خاک می‌باشد. مواد و روش: با استفاده از روش نمونه‌برداری تصادفی طبقه‌بندی، تعداد 100 نمونه خاک از عمق 30-0 سانتی‌متری خاک‌های منطقه دهگلان استان کردستان (با وسعت 48701 هکتار) برداشت شده و خصوصیت بافت خاک، شن ریز، کربن آلی، نفوذپذیری، ساختمان خاک و فرسایش‌پذیری خاک (با استفاده از معادله ویشمایر و اسمیت) اندازه‌گیری و محاسبه شد. متغیرهای محیطی در این پژوهش اجزاء سرزمین و داده‌های تصویر +ETM بودند. پارامترهای سرزمین ( شامل 15 پارامتر) و شاخص رس و شاخص گیاهی نرمال شده (NDVI) به ترتیب با استفاده از نرم‌افزار SAGA و ArcGIS10.3 محاسبه و استخراج گردید. جهت ارتباط بین فرسایش‌پذیری خاک و متغیرهای کمکی از مدل‌های جنگل تصادفی و شبکه عصبی مصنوعی بهره گرفته شد و با استفاده از روش اعتبارسنجی دوجانبه مورد ارزیابی قرار گرفت. در نهایت نقشه شوری خاک با استفاده از مدل بهتر تهیه شد. یافته‌ها: برای پیش‌بینی فرسایش‌پذیری خاک، متغیرهای کمکی شامل شاخص خیسی، شاخص همواری دره، شیب، شاخص رس، شاخص NDVI و باند 7 مهم‌ترین بودند. نتایج این تحقیق نشان داد که دو مدل (شبکه عصبی مصنوعی با 80/0، 003/0 و 021/ و جنگل تصادفی با 76/0، 005/0 و 024/ به ترتیب0برای ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا) دارای دقت نزدیک به‌هم برای پیش‌بینی فرسایش‌پذیری خاک بودند. فرسایش‌پذیری خاک در محدوه بین 05/0 -0 تن ساعت بر مگا ژول میلی‌متر قرار داشت و بیش‌ترین مقادیر فرسایش‌پذیری خاک در مناطق مرتفع جنوبی با شیب زیاد و پوشش گیاهی کم مشاهده شد. در کلاس شیب بیشتر از 10 درصد فرسایش‌پذیری خاک بیشتر از سایر کلاس‌های شیب بود. همچنین کلاس شیب بیشتر از 10 درصد، دارای کمترین مقادیر داده‌های کمکی شامل شاخص خیسی، شاخص همواری دره با درجه تفکیک بالا، شاخص رس و باند7 و بیشترین مقدار شاخص NDVI بود. نتیجه گیری: در پژوهش حاضر از مدل‌های شبکه عصبی مصنوعی و جنگل تصادفی جهت بررسی تغییرات مکانی فرسایش‌پذیری خاک در منطقه دهگلان استان کردستان استفاده شد. میزان فرسایش‌پذیری خاک در کلاس شیب >10% در مقایسه با سایر کلاس‌های شیب بیشتر بود. شاخص NDVI مهمترین متغیر کمکی در پیش بینی فرسایش‌پذیری خاک در منطقه بود. همچنین شبکه عصبی مصنوعی و جنگل تصادفی بر اساس نتایج شاخص‌های آماری شامل ضریب تبیین، میانگین خطا و میانگین ریشه مربعات خطا ( به ترتیب 80/0، 003/0 و 021/ برای شبکه عصبی مصنوعی و 76/0، 005/0 و 024 برای جنگل تصادفی) برآورد دقیقی از فرسایش‌پذیری خاک داشتند. پیشنهاد می‌گردد جهت نقشه‌برداری رقومی خصوصیات خاک و به روز کردن نقشه‌های قدیمی از تکنیک‌های پدومتری (همچون مدل شبکه عصبی مصنوعی و جنگل تصادفی) و داده‌های کمکی اجزاء سرزمین و تصاویر ماهواره‌ای استفاده شود. همچنین پیشنهاد می‌گردد که فرسایش‌پذیری خاک مستقیماً اندازه گیری شده و نتایج آن با این مطالعه مقایسه گردد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Digital mapping of soil erodibility (Case study: Dehgolan, Kurdistan Province)
چکیده انگلیسی مقاله Background and Objectives: Soil erodibility is one of the most important soil properties which investigation of its spatial variability is essential to crop management, land degradation and environmental studies. Therefore, information about spatial variability of soil erodibility has important role to modeling of water erosion. Investigation of variability of soil erodibility using traditional methods is expensive and time consuming. Therefore, one of the ways to solve this challenge is using digital soil mapping that digitally can predict soil characteristics using auxiliary data and data mining models. The aim of this research is using artificial neural network (ANN) and random forest (RF) models and auxiliary data to make soil erodibility map. Materials and Methods: Using stratified random soil sampling method 100 soil samples in depths 0-30 cm of Dehgolan soils, Kurdistan Province (covers 48710 ha) were taken and soil texture, fin sand, infiltration, soil structure and soil erodibility (using Wischmeier and Smith equation) were measured and computed. Auxiliary data in this study were terrain attributes and Landsat ETM+ data. Terrain parameters (include 15 parameters) and clay index (SI) and normalized difference vegetative index (NDVI) were computed and extracted using SAGA and ArcGIS10.3 software, respectively. To make a relationship between soil erodibility and auxiliary data, RF and ANN models were applied and were validated using cross validation method. Finally, soil salinity map were made using better model. Results: To prediction of soil erodibility, auxiliary variables include wetness index, Multi-resolution Valley Bottom Flatness (MrVBF), slope, clay index, NDVI index and B7 were the most important. The results of the study showed that two models (0.80, 0.003 and 0.021 for ANN and 0.76, 0.005 and 0.024 RF for determination of coefficient, mean error, and root mean square root, respectively) were closely matched to predict soil erodibility. Soil erodibility content ranged between 0 to 0.05 t h MJ-1mm-1 and the highest its contents were observed in southern high regions with high slope and low vegetation. In slope class > 10 % soil erodibility was higher than other slope classes. Slope class > 10 % also had the lowest contents of auxiliary data including Wetness index, MrVBF, clay index and band 7 and the highest content of NDVI index . Conclusion: In this research to investigate spatial variability of soil erodibility ANN and RF models was used in Dehgolan region, Kurdistan province. Soil erodibility content was higher in slope class > 10 % compared to other slope classes. NDVI index was the most important auxiliary data to predict soil erodibility of the study area. ANN and RF also based on the results of statistics indices including determination of coefficient, mean error, and root mean square root (0.80, 0.003 and 0.021 for ANN and 0.76, 0.005 and 0.024 for RF) had accurate estimation of soil erodibility. It is suggested using pedometric techniques such as ANN model and auxiliary data of terrain attributes and satellite images to digital mapping of soil properties and updating old maps. It is suggested also direct measurement of soil erodibility and its result will be compared to this study.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فریبا گلمحمدی |
دانشجوی کارشناسی ارشد

کمال نبی اللهی |
استادیار گروه علوم و مهندسی خاک، دانشگاه کردستان

روح اله تقی زاده مهرجردی |
استادیار و عضو هیأت علمی دانشگاه اردکان

مسعود داوری |
هیات علمی

نشانی اینترنتی http://jwsc.gau.ac.ir/article_3971_22c18ea5f0d45f9318b98f3336be6241.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1379/article-1379-578537.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات