تخمین و پهنه بندی میزان کربن آلی خاک با استفاده از آنالیز عوارض زمین(مطالعه موردی: بخشی از اراضی شهرستان مشهد)

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 , 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 R(2) 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 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 0/18 درصد و R(2) برابر با 0/67 را داشت هرچند تفاوت چندانی با روش رگرسیون کریجینگ نداشت . همچنین بین نقشه های حاصل از روش های زمین آماری تف اوت نسبتا کمی مشاهده شد در حالیکه این تفاوت با نقشه های حاصل از روش های ANN,LR محسوس بود . نتایج این تحقیق پیشنهاد میکند که اگرچه بین SOC و مشخصه های عارضهای زمین همبستگی معنی داری وجود دارد و می توان از آنها به عنوان متغیرهای کمکی برای تخمین SOC استفاد ه نمود، اما این همبستگی به میزانی که بتوان نقشه های دقیق ایجاد نمود کافی نیست و باید فاکتورهای مرتبط دیگر نیز که توزیع SOC را کنترل می کنند مورد توجه قرار گیرند

Keywords:

مدل ارتفاع رقومی , مدل رگرسیونی , شبکه عصبی مصنوعی , زمین آمار