ریزمقیاس سازی مکانی نقشه رقومی کربن آلی خاک با استفاده از الگوریتم دیزور

سابقه و هدف: در بیشتر پروژه‌های ملی و منطقه‌ای به‌منظور تولید نقشه رقومی ویژگی‌های خاک، تراکم نمونه‌برداری، به دلیل پرهزینه و زمان‌بر بودن، کم در نظر گرفته می‌شود. به همین دلیل نقشه‌های رقومی تولیدی دارای قدرت تفکیک مکانی درشت (بیش از90 متر) هستند که در مقیاس مزرعه‌ای (قدرت تفکیک مکانی کمتر از30 متر) قابل استفاده نیستند. یکی از راه‌کارهای حل این مسئله، ریزمقیاس‌سازی نقشه‌های رقومی با قدرت تفکیک مکانی درشت با استفاده از متغیرهای محیطی با قدرت تفکیک مکانی ریز است. هدف از انجام تحقیق حاضر، بررسی کارآیی الگوریتم ریزمقیاس‌سازی دیزور برای تولید نقشه رقومی کربن آلی با قدرت تفکیک مکانی 30 متر از نقشه رقومی کربن آلی خاک با قدرت تفکیک مکانی 90 مترمی‌باشد.مواد و روش‌ها: ناحیه مورد مطالعه به وسعت تقریبی 14084 هکتار بخش کوچکی از حوضه آبریز کرخه واقع در استان کرمانشاه می‌باشد. در ابتدا با استفاده از 110 نقطه مشاهداتی تصادفی و روش کریجینگ بلوکی، نقشه رقومی کربن آلی خاک در محدود مورد مطالعه با اندازه پیکسل 90 متر تهیه گردید. سپس مجموعه‌ای شامل 23 متغیر کمکی محیطی مرتبط با فاکتورهای اسکورپن شامل اقلیم، توپوگرافی، موجودات زنده و مواد مادری به عنوان متغیرهای پیش‌بینی‌کننده مورد استفاده قرار گرفت. به‌منظور تهیه متغیرهای محیطی اقلیمی و توپوگرافی، از مدل رقومی ارتفاعstrm و برای تهیه شاخص‌های پوشش گیاهی و زمین‌شناسی از تصاویر ماهواره لندست 5 استفاده شد. از الگوریتم دیزور که یک فرایند تکراری برای نزدیک شدن به راه حلی برای حفظ جرم است و مدل‌های خطی چند متغیره، افزودنی تعمیم یافته، کوبیست، جنگل تصادفی و مدل تجمعی برای تولید نقشه‌های ریزمقیاس استفاده گردید. برای ارزیابی کارآیی روش‌های مختلف، از مقایسه نقشه‌های بازسازی شده (حاصل از تبدبل نقشه‌های ریزمقیاس با اندازه پیکسل 30 متر به 90 متر با استفاده از فیلتر میانگین) با نقشه پایه (نقشه کریجینگ بلوکی) و معیارهای ارزیابی نااریبی، ضریب تبیین، ریشه میانگین مربعات خطا وضریب همبستگی تطابق استفاده شد. همچنین ساختار مکانی نقشه‌های بازسازی شده و نقشه پایه با استفاده پارامترهای نیم‌تغییرنمای تجربی بررسی گردید.یافته‌ها: رابطه بین متغیرهای کمکی با کربن آلی با استفاده از روش‌های داده‌کاوی در چهارچوب الگوریتم دیزور منجر به تولید نقشه‌های ریزمقیاس شد. نتایج نشان داد توابع تراکم احتمال نقشه‌های بازسازی در مدل کوبیست بسیار نزدیک به تابع تراکم احتمال نقشه پایه است. همچنین نقشه ریزمقیاس‌شده حاصل از مدل کوبیست دارای بیشترین ضریب تبیین بازسازی (0.75) و ضریب همبستگی تطابق بازسازی (0.8) و کمترین ریشه میانگین مربعات خطای بازسازی (0.06) و نااریبی بازسازی (0.001) بوده و بنابراین دارای بالاترین کارآیی در ریزمقیاس‌سازی نسبت به مدل‌های مختلف داده‌کاوی مورد بررسی است. همچنین مشخص شد استفاده از روش مدل‌سازی تجمعی در مقایسه با مدل‌های داده‌کاوی منفرد، صحت و دقت نقشه‌های ریز مقیاس شده را افزایش می‌دهد. مطالعه ساختار مکانی نقشه‌های ریزمقیاس‌شده با روش‌های داده‌کاوی در مقایسه با نقشه پایه (نقشه کریجینگ بلوکی کربن آلی خاک) نشان داد که واریانس کل نیمتغییرنمای نقشه بازسازی شده مدل کوبیست نسبت به سایر مدل‌ها به واریانس کل نیم‌تغییرنمای نقشه پایه بسیار نزدیکتر است. نتیجه‌گیری: الگوریتم دیزور اصلاح شده به‌دلیل استفاده از روش‌های مختلف داده‌کاوی و مدل تجمعی، یک گزینه عملی برای ریزمقیاسسازی نقشه ویژگی‌های خاک با قدرت تفکیک مکانی درشت است. با توجه به کارایی بالای این روش، می‌توان از آن برای تولید نقشه‌های ویژگی‌های خاک در مقیاس مزرعه‌ای از نقشه‌های رقومی در مقیاس منطقه‌ای و ملی استفاده نمود.

Spatial downscaling of digital soil organic carbon map using Dissever algorithm

Background and objectives: In most national and regional projects, in order to produce a digital map of soil properties, usually sampling density is low due to costly and timeconsuming. Because of this, produced digital maps have a large spatial resolution (more than 90 meters) that can’t be used on a farm scale (spatial resolution less than 30 meters). One way to solve this problem is to downscale of digital maps with coarse spatial resolution using covariates with fine spatial resolution. The purpose of this study was to investigate the efficiency of the Dissever algorithm for producing an organic carbon map with a spatial resolution of 30 m from a carbonorganic digital map with a spatial resolution of 90 meters. Materials and methods: The study area is approximately 14084 hectares and formed a small part of the Karkhe catchment in Kermanshah province. Initially, using 110 random observations and block Kriging method, an organic carbon map was prepared with a pixel size of 90 m. Then a set of 23 environmental covariates associated with scorpan factors including climate, topography, living organisms and maternal materials were used as predictor variables. SRTM digital elevation model and Landsat 5 satellite imagery were used to provide climatic and topographic predictors and vegetation and geology indicators. The dissever algorithm is a repetitive process for approaching a mass balance solution. Multiple regression model, generalized additive model, cubist, random forest, and ensemble model used for production fine spatial resolution map. In order to evaluate the efficiency of different methods, restored maps (obtained by converting downscaled maps with 30 m resolution to maps with 90 m resolution using mean filter) were compared with base map (block kriging map) using validation criteria include Bias, R2, root mean square error, and concordance correlation coefficient. The spatial structure of the restored maps and the base map was also investigated using parameters of their experimental variogram.Results: The relationship between the covariates and the soil organic carbon using data mining methods in the framework of dissever algorithm resulted in the production of downscaled maps. The results showed that the probability density function of the restored map of cubist model is very close to the base map probability density function. Also, the downscaled map using the cubist model had the highest coefficient of determination (0.75) and concordance correlation coefficient (0.8) and the lowest root mean square error (0.06) and bias (0.001). Thus, cubist model have the highest efficiency of downscaling in compared to the rest of models. . It was also found that the use of ensemble model increases the accuracy and precision of downscaled map compared to single data mining models. The study on the spatial structure of restored maps indicates that the cubist restored maps captured more of the variance of the base map than others. Conclusion: The modified dissever procedure due to the use of data mining methods and ensemble model is a practical option to downscale soil properties map with coarse resolution. Considering the high efficiency of dissever algorithm, this method can be used to prepare soil properties map at field scale from national and regional maps which can be used in farm management.