نوع مقاله : مقالات پژوهشی
نویسندگان
دانشگاه فردوسی مشهد
چکیده
این مطالعه به منظور ارزیابی قابلیت استفاده از مشخصه های مشتق شده از مدل ارتفاع رقومی به عنوان متغیر کمکی برای تخمین کربن آلی خاک (SOC) و با به کارگیری آن ها در روش های مختلف آماری و زمین آماری طراحی شده است. مدل رگرسیون خطی (LR)، مدل شبکه عصبی مصنوعی (ANN)، کریجینگ معمولی (OK)، کوکریجینگ معمولی (CoK)، رگرسیون کریجینگ (RK) و کریجینگ با روند بیرونی (KED) به منظور پیش بینی توزیع مکانی SOC در منطقه ای به مساحت 2400 کیلومتر مربع در بخشی از اراضی شهرستان مشهد مورد استفاده قرار گرفتند. SOC برای 200 نمونه خاک سطحی در منطقه مورد مطالعه اندازه گیری و مشخصه های متناظر هر نقطه از روی مدل ارتفاع رقومی (DEM) با دقت 10 متر استخراج شد. همبستگی بین SOC اندازه گیری شده و هر یک از مشخصه ها تعیین شد. تعداد 160 داده برای مدل سازی و 40 داده برای ارزیابی انتخاب و روش های مختلف تخمین به وسیله دو پارامتر ضریب تبیین (R2) و میانگین خطای مطلق (MAE) حاصل از مقایسه داده های انداره گیری و تخمینی، مورد ارزیابی قرار گرفتند. نتایج نشان داد که همبستگی معنی دار ولی نه چندان قوی بین مشخصه های عارضه ای و SOC وجود دارد. مقایسه تکنیک های مختلف تخمین نشان داد که در بین تکنیک های استفاده شده، روش KED، زمانی که با شاخص خیسی به عنوان متغیر کمکی به کارگرفته شد بهترین کارآیی (مقدار MAE معادل 18/0 درصد و R2 برابر با 67/0) را داشت هرچند تفاوت چندانی با روش رگرسیون کریجینگ نداشت. همچنین بین نقشه های حاصل از روش های زمین آماری تفاوت نسبتاً کمی مشاهده شد در حالیکه این تفاوت با نقشه-های حاصل از روشهای LR و ANN محسوس بود. نتایج این تحقیق پیشنهاد می کند که اگرچه بین SOC و مشخصه های عارضه ای زمین همبستگی معنی داری وجود دارد و می توان از آنها به عنوان متغیرهای کمکی برای تخمین SOC استفاده نمود، اما این همبستگی به میزانی که بتوان نقشه های دقیق ایجاد نمود کافی نیست و باید فاکتورهای مرتبط دیگر نیز که توزیع SOCرا کنترل می کنند مورد توجه قرار گیرند.
کلیدواژه‌ها
عنوان مقاله [English]
Estimation and Mapping Soil Organic Carbon content using Terrain Analysis(Case study: Mashhad, Iran)
نویسندگان [English]
- A. Lakzian
- M. Fazeli Sangani
- Alireza Astaraei
- A. Fotovat
چکیده [English]
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
کلیدواژه‌ها [English]
- Digital Elevation Model
- Regression model
- Artificial neural network
- Geostatistics
)
ارسال نظر در مورد این مقاله