فاطمه تقی پور - Soil Science Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran
سید مصطفی عمادی - Soil Science Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran
مهدی قاجار سپانلو - Soil Science Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran
مجید دانش - Soil Science Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran

چکیده مبسوط مقدمه و هدف: برخی خصوصیات خاک دارای تغییر پذیری در بعد زمان و مکان می باشند. عوامل مختلفی که در طول زمان و مکان متغیرند، در فرآیند های تشکیل خاک دخیل بوده و تشکیل خصوصیات خاک تحت تاثیر آن ها می باشد. برای بررسی خصوصیاتی همچون بافت خاک در مقیاس بزرگ، استفاده از روش­های زمین آمار، که می­توانند با پیش­بینی خصوصیات خاک موجب کاهش در هزینه و وقت شوند، توصیه می­گردد. برای تخمین نقاط در محل نمونه برداری نشده، در این مطالعه از روش­های مختلف زمین آمار شامل کریجینگ، کو-کریجینگ و وزن­دهی فاصله معکوس و همچنین روش شبکه عصبی مصنوعی برای بررسی تغییر پذیری مکانی بافت خاک تحت تاثیر کاربری اراضی و ارتفاع استفاده گردید. مواد و روش­ ها: نمونه ­های خاک به صورت تصادفی مرکب به تعداد ۲۴۹ نقطه از عمق ۱۵-۰ سانتی متر شرق استان مازندران تهیه گردید. برای آزمون نرمال سازی داده ها از آزمون کولموگروف-اسمیرنوف در محیط نرم افزاری SPSS ۲۸ و Develve ۴ استفاده شد. با محاسبه  خطای  میانگین  (ME) و باقیمانده میانگین مجذور خطا( RMSE ) بهترین روش انتخاب گردید. داده های هر پارامتر ابتدا با استفاده از روش تبدیل لگاریتمی و سپس با استفاده از روش باکس-کاکس نرمال، و واریوگرام پارامترها ترسیم گردید. بهترین مدل برای مقادیر شن، رس و سیلت، مدل نمایی انتخاب گردید. یافته ­ها: اگرچه بین مقادیر درصد رس در کاربری­های مختلف تفاوت معنی دار وجود نداشت، بین مقادیر درصد شن و سیلت تفاوت معنی دار وجود داشت، به­گونه ­ای که بیشترین درصد شن به ترتیب در کاربری­های مرتع، جنگل، زراعی، بایر و باغ بوده، و بیشترین درصد سیلت  به ترتیب در کاربری­های باغ، زراعی، جنگل، بایر و مرتع یافت گردید. علاوه بر کاربری­های متنوع اراضی، ارتفاع ( ۲۰- متر الی بیش از ۵۰۰ متر) نیز به­صورت معنی­دار بر بافت خاک موثر بوده است. نتیجه ­گیری: طبق نتایج، روش شبکه عصبی مصنوعی نسبت به روش های زمین­آمار کریجینگ، کو-کریجینگ و روش وزن دهی فاصله معکوس در تخمین بافت خاک، مناسب­تر عمل کرده است. پیشنهاد می­گردد: ۱) این مطالعات در سایر نقاط استان نیز انجام شود، ۲) از سایر روش های هوش مصنوعی (AIM) نیز برای پهنه ­بندی خصوصیات خاک استفاده شود، ۳) از نمونه برداری منظم در این گونه مطالعات در صورت امکان استفاده شود، ۴) از نقشه های به­ دست آمده به­عنوان پایه ای برای تغییرات بافت خاک در استان استفاده گردد.

Co-kriging, exponential model, Geostatistics, soil texture components, Variograms, اجزای بافت خاک, زمین آمار, کو-کریجینگ, مدل نمایی, واریوگرام