ارزيابي كارائي سنجش از دور و سنجش از نزديك در نقشه برداري رقومي ويژگي هاي خاك و تاثير الگو و تراكم نمونه برداري بر صحت پيش بيني آن

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كشاورزي

دكتري

خاك مهم¬ترين منبع طبيعي تجديد¬پذير هر كشور بوده كه به‌عنوان حلقه‌ي رابط بين اقليم و نظام‌¬هاي زمين‌شيميايي، نقشي مهم در توانايي بوم‌سامان‌هاي خشكي براي تأمين نيازهاي بشري ايفا مي‌¬كند. امروزه مديريت منطقي منابع پايه،‌ براي تأمين غذا و مواد ليفي متناسب با خواسته‌هاي جمعيت آينده، بيش از هر زمان ديگري نيازمند به‌دست آوردن مقادير زيادي اطلاعات دقيق از خاك است. از اين رو درك ارتباط بين خاك و زمين¬نما به¬منظور مديريت پايدار از اهميت زيادي برخوردار است. بدين منظور اين مطالعه در سه بخش شامل بررسي و تعيين بهترين الگو نمونه¬برداي خاك و اثر تراكم بر آن، قابليت و كارايي داده¬هاي طيفي در تخمين ويژگي¬هاي خاك در محدوده مرئي، مادون قرمز نزديك و مياني و پيش¬بيني ويژگي¬هاي خاك با استفاده از مدل-هاي مبتني بر يادگيري ماشين در منطقه¬اي به مساحت تقريبي 110903 هكتار در بخشي از اراضي استان كردستان با برداشت 346 نمونه انجام شد. به¬منظور رسيدن به اهداف اين مطالعه در بخش¬هاي مختلف از داده¬هاي متفاوتي استفاده شد كه به صورت كلي شامل مجموعه¬اي از شاخص¬هاي استخراج شده از تصاوير ماهواره¬اي، مدل رقومي ارتفاع، نقشه زمين¬شناسي، نقشه¬هاي موضوعي و طيف¬هاي بازتابي خاك بودند. نتايج بررسي الگو و تراكم نمونه¬برداي خاك نشان داد كه با افزايش تراكم نمونه¬ها پارامترهاي آماري زيرمجموعه به جامعه اصلي نزديك¬تر مي¬شود و روش CLHS توانايي بيشتري در الگوبندي نمونه¬برداري خاك دارد. نتايج ارزيابي تكنيك¬هاي طيف¬سنجي در محدوده 350 تا 2500 نانومتر براي پيش¬بيني درصد رس، شن، سيلت، كربن آلي خاك، كربنات كلسيم معادل، هدايت الكتريكي و پ-هاش خاك با استفاده از مدل¬هاي MLR، PLSR، SVM، RF، GPR و پيش¬پردازش¬هاي CR، Detrend، SGD، SNV و MSC نشان داد كه عملكرد براي درصد رس (91/1= RPIQ)، سيلت (87/1= RPIQ)، كربن آلي خاك (65/1= RPIQ) مناسب و عملكرد در پيش¬بيني درصد شن (21/2= RPIQ)، درصد كربنات كلسيم معادل (41/3= RPIQ) و پ-هاش (29/2= RPIQ) عالي بود. ضعيف¬ترين عملكرد در پيش¬بيني هدايت الكتريكي (16/1= RPIQ) مشاهده شد. نتايج تخمين ويژگي¬هاي خاك با استفاده از طيف¬هاي بازتابي در محدوده استفاده شده گوياي اين مهم بود كه اين روش به عنوان يك روش غيرمستقيم مي¬تواند، براي برآورد ويژگي¬هاي خاك مورد استفاده قرار بگيرد. نتايج پيش¬بيني مكاني ويژگي¬هاي خاك نشان داد كه تركيبي از شاخص¬‌هاي سنجش از دور، مشتقات توپوگرافي، نقشه-هاي موضوعي و ويژگي‌هاي خاك بهترين عملكرد را در پيش ¬بيني فلزات سنگين و ويژگي¬هاي مغناطيسي خاك داشتند. علاوه بر اين نتايج نشان داد كه تركيب متغيرهاي سنجش از نزديك با متغيرهاي ذكر شده در مدل¬هاي پيش¬بيني ويژگي¬هاي خاك، مي¬تواند نقش بسزايي را ايفا كند. تجزيه و تحليل اهميت متغيرهاي ورودي نشان داد كه بر اساس سناريوهاي استفاده شده برخي از ويژگي‌هاي خاك مانند مقادير رس و سيلت، كربنات كلسيم، كربن آلي خاك و پ-هاش، ويژگي‌هاي توپوگرافي مانند ارتفاع و عمق دره، داده‌هاي سنجش از دور باندهاي 1،2،3، شاخص پوشش گياهي تبديل شده، شاخص آهن، گوسان و لاتريت و نقشه¬هاي موضوعي مانند زمين شناسي و فاصله تا معادن و مولفه¬هاي اصلي بدست آمده از طيف¬هاي بازتابي خاك و پارامترهاي پذيرفتاري مغناطيسي حائز اهميت بودند. نتايج مدل‌سازي و اعتبارسنجي متقابل نشان داد كه جنگل تصادفي و كيوبيست نسبت به مدل ماشين بردار پشتيبان توانايي بيشتري در پيش‌بيني پارامترهاي خاك دارند. اين مطالعه توانايي بالاي روش‌هاي يادگيري ماشين در استفاده از داده‌هاي محيطي براي پيش‌بيني ويژگي‌هاي خاك مورد مطالعه در مقياس بزرگ كه براي تصميم‌گيري در مديريت پايدار كشاورزي و زيست‌محيطي ضروري هستند، ثابت كرد.

212746

منابع خاك و ارزيابي اراضي

مهندسي كشاورزي

دانشگاه صنعتي اصفهان

حسين خادمي، كمال نبي اللهي، محمد محمدي

محمد علي حاج عباسي، احمد جلاليان، سعيد اسلاميان

شمس الله ايوبي