مدلسازی پراکنش ماده آلی خاک با استفاده از سنجش از دور و مدل جنگل تصادفی و کریجینگ در شهرستان لنجان
محورهای موضوعی : مباحث نوین در فیزیک خاکفاطمه شیرانی تبار 1 , مژگان احمدی ندوشن 2
1 - دانشجوی کارشناس ارشد آلودگی محیط زیست، گروه محیط زیست، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران.
2 - استادیار، گروه محیط زیست، مرکز تحقیقات پسماند و پساب، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران.
کلید واژه: کریجینگ, کربن آلی خاک, مدل جنگل تصادفی, تصاویر ماهواره ای سنتینل-2, رگرسیون کاربری اراضی,
چکیده مقاله :
زمینه و هدف: خاک یکی از منابع طبیعی بسیار مهم است که تامین بیش از 97 درصد نیازهای غذایی بشر را به عهده دارد. ماده آلی خاک یکی از فاکتورهای مهم کیفی خاک است که بر ویژگی های فیزیکی، شیمیایی و زیستی خاک تاثیر زیادی دارد. مدلسازی و تهیه نقشه ویژگی‌های خاک برای بسیاری از کاربردهای محیط زیستی، اقلیمی، اکولوژیکی و هیدرولوژیکی ضروری است. هدف این مطالعه مدلسازی پراکنش ماده آلی و کربن آلی خاک با استفاده از تصاویر ماهواره ای سنتینل 2 و مدل جنگل تصادفی و کریجینگ در شهرستان لنجان است.روش پژوهش: در این مطالعه ، نقشه‌های رقومی چهار پارامتر اصلی خاک شامل کربن آلی خاک، مواد آلی خاک، هدایت الکتریکی و اسیدیته خاک با استفاده از روش جنگل تصادفی و کریجینگ در محدوده شهرستان لنجان تهیه شد. براساس واحدهای زمینی همگن، در مجموع 110 نقطه در محدوده منطقه مورد مطالعه تعیین و از عمق 0 تا 30 سانتی متری سطح خاک در این نقاط اقدام به نمونه برداری شد. نمونه برداری در تیرماه 1400 انجام گرفته و تصاویر ماهواره ای سنتینل-2 نیز از همین ماه دریافت شد زیرا در این ماه به علت ابر کمتر و افزایش بازتاب مستقیم از سطح خاک، اطلاعات بهتری دسترس قرار می گیرد. به علاوه از 16 متغیر محیطی تاثیرگذار بر پراکنش پارامترهای خاک استفاده شد. متغیرهای کمکی مختلف از جمله NDVI، NDWI، DEM، Slope که همگی به صورت مستقیم یا غیر مستقیم از تصاویر ماهواره ای استخراج شده بود برای پیش بینی استفاده شد.یافته‌ها: نقشه های به دست آمده از روش جنگل تصادفی از صحت بسیار بهتری نسبت به روش کریجینگ برخوردار بوده است. نقشه‌ی پهنه بندی تهیه شده با استفاده از روش جنگل تصادفی جزئیات بسیار بیشتری را نسبت به نقشه کریجینگ نمایش می‌دهد. خروجی مدل جنگل تصادفی با ترکیب متغیرهای کمکی مختلف به ترتیب مقادیری معادل 312/0، 54/0، 73/0و 16/0 از خطای مدل سازی کربن آلی، مواد آلی، هدایت الکتریکی و اسیدیته خاک را نشان داد. در منطقه مورد مطالعه، مقادیر بیشینه کربن آلی و مواد آلی خاک در کاربری شهری و بیشترین مقدار هدایت الکتریکی و اسیدیته خاک در زمین‌های کشاورزی مشاهده شد. مهم ترین متغیرهای موثر بر توزیع فضایی کربن آلی و مواد آلی خاک clay، slope و silt بودند. در حالی که در مدلسازی هدایت الکتریکی، silt، BI و Aspect و در مدل سازی اسیدیته متغیرهای MNDWI، NDWI و DEM مهم تر از سایر متغیرها ثبت شدند.نتایج: به طور کلی این مطالعه نشان داد که مدل های رگرسیون کاربری اراضی براساس روش جنگل تصادفی می‌تواند به ترسیم سریع تر و کارآمدتر پارامترهای خاک کمک کند. نیاز به روش های کارآمد و دقیق، از جمله رگرسیون کاربری اراضی، برای نظارت مستمر بر تغییرات کیفیت خاک در سیماهای سرزمین های مختلف به شدت وجود دارد. رگرسیون کاربری اراضی می‌تواند به توسعه نقشه‌های پیشرفته پارامترهای کیفیت خاک با استفاده از اطلاعات مکانی مقرون به صرفه و در دسترس کمک کند.
Background and Aim: Soil is one of the most important natural resources that provides more than 97% of human food needs. Soil organic matter (SOM) is an important soil quality factor that greatly affects soil’s physical, chemical, and biological properties. Modeling and mapping of soil properties are critical in many environmental, climatic, ecological, and hydrological applications. The main objective of this study is to model the distribution of soil organic matter and organic carbon using satellite images and random forest and kriging models in Lenjan County.Method: In this study, digital maps of four main soil parameters including soil organic carbon, soil organic matter, electrical conductivity, and pH are prepared using random forest and Kriging methods in Lenjan County. Based on homogeneous land units, a total of 110 points in the study area are determined, and in these points, samples are taken from a depth of 0 to 30 cm of soil surface. Sampling is done in July 2021 and Sentinel-2 satellite images are acquired from the same month because better information is available this month due to fewer clouds and increased direct reflection from the soil surface. In addition, 16 environmental variables affecting the distribution of soil parameters are used. Various auxiliary variables such as NDVI, NDWI, DEM, and Slope are used for prediction, which are all directly or indirectly extracted from satellite images.Results: The maps obtained by the random forest method showed more accuracy than the kriging method. The zoning map prepared using the random forest method displays much more details than the map prepared by kriging method. The output of the random forest model with the combination of different auxiliary variables showed values equal to 0.312, 0.54, 0.73 and 0.16 of the modeling error for soil organic carbon, organic matter, electrical conductivity and pH, respectively. In the study area, the maximum values of soil organic carbon and organic matter were observed in urban areas and the highest values of electrical conductivity and pH were observed in agricultural lands. The most important variables affecting the spatial distribution of organic carbon and soil organic matter are clay, slope and silt. While in modeling electrical conductivity, silt BI and Aspect and in modeling pH, MNDWI, NDWI and DEM variables are recorded as more important than other variables.Conclusion: In general, this study demonstrates that land use regression models based on random forest method can help mapping soil parameters faster and more efficiently. There is a strong need for efficient and accurate methods, including land use regression, for continuous monitoring of changes in soil quality in different landscapes. Land use regression contributes developing advanced maps of soil quality parameters using cost-effective and accessible spatial information.
_||_
