نقشه‌برداری رقومی تغییرات سطحی و زیرسطحی کربن آلی و شوری خاک در بخشی از اراضی دشت قزوین (مطالعه موردی: مناطق آبیک و نظر آباد)

آگاهی از توزیع مکانی شوری و کربن آلی خاک منجر به دستیابی به اطلاعات ارزشمندی می گردد که در اتخاذ تصمیمات مدیریتی برای فعالیت های کشاورزی موثر است. این مطالعه با هدف بررسی تغییرات مکانی قابلیت هدایت الکتریکی (ec) به عنوان بیانگر وضعیت شوری خاک و کربن آلی خاک (soc) در دو لایه سطحی (صفر تا30 سانتی متر) و زیرسطحی (30-60 سانتی متر) با استفاده از چهار الگوریتم یادگیری ماشین جنگل تصادفی (rf)، درخت تصمیم (dtr)، رگرسیون بردار پشتیبان (svr) و شبکه عصبی مصنوعی (ann) در دشت قزوین انجام شد. بدین منظور، از 278 خاکرخ مطالعاتی نمونه برداری گردید و پس از عبور از الک دو میلی متر، مقادیر ec و soc آنها اندازه گیری گردید. متغیرهای کمکی مستخرج از مدل رقومی ارتفاع و ماهواره لندست 8، شامل ارتفاع (elevation)، تابش پخشیدگی (diffuse)، شاخص همواری کف دره با درجه تفکیک بالا (mrvbf)، شاخص تفاوت پوشش گیاهی نرمال شده (ndvi)، شاخص خیسی ساگا (swi) و شاخص جهت باد (we) به عنوان نمایندگان عوامل خاکسازی مورد استفاده قرار گرفتند. نتایج نشان داد که مدل rf برای پیش بینی ec خاک در لایه سطحی با r2 برابر با 0/74 و rmse 0/36 و nrmse 0/07وهمچنین پیش بینی کربن آلی در هر دو لایه سطحی و زیر سطحی با r2 به ترتیب برابر با 0/90 و 0/80 و به دنبال آن مدل dtr برای پیش بینی شوری خاک در لایه زیرسطحی با r2 0/77 و rmse/ 0/9 و nrmse 0/17 نسبت به سایر مدل ها دارای صحت بالاتری بودند. همچنین، متغیرهای توپوگرافی شامل ارتفاع، شدت تابش پخشیدگی و شاخص همواری کف دره با درجه تفکیک بالا بیشترین ارتباط را با تغییرات شوری و کربن آلی خاک در هر دولایه سطحی و زیرسطحی داشتند. به طور کلی مدل های rf و dtr به همراه متغیرهای توپوگرافی توانستند تغییرات شوری و کربن آلی سطحی و زیرسطحی خاک را با صحت قابل قبول در منطقه مورد مطالعه ارائه نمایند؛ که نقشه های تهیه شده می توانند برای اعمال تصمیم های مدیریتی لازم در مورد خاک های  منطقه مورد استفاده قرار گیرند.

digital mapping of surface and subsurface soil organic carbon and soil salinity variation in a part of qazvin plain (case study: abyek and nazarabad regions)

introductionknowledge of the spatial distribution of soil salinity and soil organic carbon (soc) leads to obtaining valuable information that is effective in decision-making for agricultural activities. more than a third of the world’s land is affected by salt, which threatens the growth and production of crops, and prevents the development of sustainable agriculture. the high electrical conductivity (ec) content in soils poses significant challenges in arid and semi-arid regions, greatly impacting agricultural production. saline and sodic soils often exhibit high levels of sodium which is a key characteristic. the presence of sodium ions leads to the destabilization of soil aggregates and the dispersion of soil particles resulting in the closure of soil pores. consequently, unfavorable changes occur in the soil physical, chemical, and biological properties increasing its susceptibility to water and wind erosion. additionally, high sodium levels can lead to the decomposition of soil organic carbon (soc). soc is crucial for water retention, cation exchange, and nutrient availability, making its reduction in agricultural soils a significant threat to sustainable soil management. therefore, the investigation of soils in terms of ec and soc contents and their spatial distribution is of great importance to support decision-makers in agricultural development planning to reduce challenges related to food security in arid and semi-arid regions.materials and methodsthis study was conducted with the aim of investigating the ec and soc in topsoil (0-30 cm) and subsoil (30-60 cm) layers using four machine learning (ml) algorithms namely, random forest (rf), decision tree (dtr), support vector regression (svr) and artificial neural network (ann) performed in qazvin plain. the study area includes a part of agricultural lands and natural areas of alborz and qazvin provinces, between the nazarabad and abyek cities in iran. this region with an area of 60,000 hectares is located at latitude 35° 54´ to 36° 54´ to the north and 50° 15´ to 50° 39´ to the east. this research was carried out in four stages including (i) soil sampling and measuring the physical and chemical properties of the soil and preparation of environmental covariates from a digital elevation model (dem) with spatial resolution 12.5 m and landsat 8 satellite imagery with spatial resolution 30 m by saga gis and envi software, (ii) spatial modeling of soil ec and soc in the topsoil and subsoil layers by the rf, svr, ann, and dtr ml algorithms, (iii) evaluating the efficiency of the ml algorithms and determining the relative importance of environmental covariates, and (iv) preparation of spatial prediction maps of ec and soc in the topsoil (0-30 cm) and subsoil (30-60 cm) layers in the study area.results and discussion         the result of the spatial prediction maps of ec showed that the studied area has non-saline to very saline soils up to a depth of 60 cm. it is also possible that the ec equivalent shows a decreasing trend in soil salinity with a depth from 6.05 to 5.55 ds/m from the topsoil to the subsoil layer.