ارزیابی مدل‌های مختلف کریجینگ در درون‎یابی داده‌های رطوبت خاک جنگل‌های زاگرس (مطالعه موردی: منطقه شلم، ایلام)

مقدمه: جنگل‌های زاگرس به‌عنوان یکی از مهم‌ترین اکوسیستم‌های جنگلی ایران، نقش حیاتی در حفظ منابع آبی، کربن و تنوع زیستی دارند. رطوبت خاک در این جنگل‌ها برای پایداری اکوسیستم، تغذیه آب‌های زیرزمینی، افزایش پوشش گیاهی و کنترل فرسایش خاک اهمیت زیادی دارد؛ اما اندازه‌گیری دقیق رطوبت خاک در این منطقه به دلیل وسعت، دشواری دسترسی و هزینه بالا چالش‌برانگیز است. در نتیجه، روش‌های پیشرفته درون‎یابی، مانند کریجینگ، برای تهیه نقشه‌های رطوبت خاک و مدیریت منابع زیست‌محیطی اهمیت زیادی یافته‌اند. با این حال، انتخاب نوع بهینه روش کریجینگ در شرایط مختلف توپوگرافی و اقلیمی همچنان چالشی پژوهشی است که نیاز به بررسی بیشتری دارد.مواد و روش‌ها: در این پژوهش، 60 نمونه خاک از عمق 0 تا 15 سانتی‌متری در مناطق مختلف با تراکم تاج‌پوشش متفاوت (باز و بسته) و در دو جهت شمالی و جنوبی و سه طبقه ارتفاعی (1750-1850 متر، 1850-1950 متر و 1950-2050 متر) از جنگل‌های زاگرس جمع‌آوری شد. برای تخمین و تهیه نقشه‌های توزیع مکانی رطوبت خاک، از روش‌های مختلف کریجینگ شامل کریجینگ ساده، کریجینگ معمولی و کریجینگ عمومی استفاده شد. هدف اصلی از به‌کارگیری این سه روش، مقایسه و تعیین بهترین روش و دستیابی به تخمین‌های دقیق‌تری از توزیع رطوبت خاک با استفاده از داده‌های محدود نمونه‌برداری و کاهش خطای تخمین بود. ارزیابی دقت مدل‌ها از طریق معیارهای آماری مانند ریشه میانگین مربعات خطا (rmse)، میانگین مطلق خطا (mae) و ضریب تعیین (r²) صورت گرفت. در این ارزیابی، مدل با مقدار rmse کمتر، به عنوان مدل دقیق‌تر در تخمین توزیع مکانی رطوبت خاک در نظر گرفته شد.نتایج و بحث: نتایج نشان داد که جهت دامنه و تراکم تاج‌پوشش به طور معنی‌داری (p < 0.05) بر رطوبت وزنی خاک تاثیرگذار هستند. بیشترین میزان رطوبت وزنی خاک (حدود 46/12 درصد) در مناطق با تاج‌پوشش بسته و دامنه‌های شمالی مشاهده شد، که به طور چشمگیری بیشتر از مناطق با تاج‌پوشش باز و دامنه‌های جنوبی بود. این مسئله نشان‌دهنده اثر حفاظتی تاج‌پوشش بسته در حفظ رطوبت خاک است. همچنین، مقایسه مدل‌های درون‎یابی نشان داد که در دامنه‌های شمالی، کریجینگ ساده با واریوگرام خطی بهترین عملکرد را داشت و کمترین مقدار rmse (معادل 79/ 0) را به دست آورد، که نشان‌دهنده کارایی این مدل در شرایطی با وابستگی خطی توزیع رطوبت به موقعیت مکانی است. از سوی دیگر، در دامنه‌های جنوبی، کریجینگ معمولی با واریوگرام نمایی با مقدار rmse برابر با 44/ 0 دقت بالاتری ارائه داد که بیانگر آن است که در شرایطی که توزیع رطوبت پیچیدگی بیشتری دارد و به صورت غیرخطی تغییر می‌کند، استفاده از واریوگرام نمایی و کریجینگ معمولی می‌تواند نتایج بهتری در درون‎یابی فراهم کند.نتیجه‌گیری: این پژوهش بر اهمیت انتخاب صحیح مدل‌های واریوگرام و تکنیک‌های درون‎یابی متناسب با ویژگی‌های خاص منطقه‌ای تاکید دارد. نتایج نشان می‌دهند که استفاده از یک روش ثابت درون‎یابی در تمامی مناطق لزوماً به نتایج بهینه منجر نخواهد شد. انتخاب روش مناسب می‌تواند تفاوت قابل‌توجهی در دقت پیش‌بینی رطوبت خاک ایجاد کند. به‌عنوان مثال، در مناطقی با تغییرات یکنواخت‌تر، کریجینگ ساده با واریوگرام خطی عملکرد بهتری دارد، در حالی که در مناطق با تغییرات سریع‌تر و در فواصل کوتاه‌تر، کریجینگ معمولی با واریوگرام نمایی دقت بیشتری نشان می‌دهد. بنابراین، پیشنهاد می‌شود که محققان با توجه به ویژگی‌های اقلیمی، توپوگرافی و پوشش گیاهی منطقه، از ترکیب روش‌های مختلف و بهینه درون‎یابی استفاده کنند. این رویکرد می‌تواند به کاهش خطاهای تخمینی، افزایش دقت نقشه‌های رطوبت خاک و درنهایت به بهبود مدیریت منابع طبیعی و اکوسیستم‌های جنگلی کمک کند. علاوه بر این، این مطالعه بر اهمیت تحلیل دقیق و انتخاب روش‌های آماری مناسب برای پیش‌بینی دقیق‌تر وضعیت رطوبت خاک تاکید دارد که به ویژه در مدیریت پایدار منابع طبیعی و حفاظت از محیط‌زیست در مناطق جنگلی نقش حیاتی دارند.

assessment of various kriging models for interpolating soil moisture data in the zagros forests (case study: shalam region, ilam)

introduction: the zagros forests, as one of iran’s most important forest ecosystems, play a crucial role in preserving water resources, carbon storage, and biodiversity. soil moisture in these forests is vital for ecosystem stability, groundwater recharge, vegetation growth, and erosion control. however, accurately measuring soil moisture across this vast and challenging terrain is difficult due to its extent, inaccessibility, and high costs. consequently, advanced interpolation methods like kriging have become essential for creating soil moisture maps and managing environmental resources. nevertheless, selecting the optimal kriging method under varying topographic and climatic conditions remains a research challenge that requires further investigation.materials and methods: this study involved collecting 60 soil samples from depths of 0 to 15 cm across different forest zones with varying canopy densities (open and closed), in both northern and southern aspects, and at three elevation classes (1750-1850 m, 1850-1950 m, and 1950-2050 m) within the zagros forests. various kriging methods, including ordinary kriging, simple kriging, and universal kriging, were utilized to estimate and map soil moisture distribution across the region. the primary objective of employing these three kriging methods was to compare and determine the most accurate approach, aiming to achieve precise soil moisture distribution estimates based on limited sampling data and to minimize estimation error. model accuracy was evaluated using statistical metrics, including root mean square error (rmse), mean absolute error (mae), and coefficient of determination (r²). in this evaluation, models with lower rmse values were considered more accurate for estimating soil moisture spatial distribution.results and discussion: the results indicated that slope aspect and canopy density significantly influenced soil moisture content (p < 0.05). the highest soil moisture content, approximately 12.46%, was observed in areas with closed canopy and northern slopes, which was significantly greater than that in open canopy areas and southern slopes, suggesting the protective effect of closed canopies in retaining soil moisture. furthermore, comparison of interpolation models revealed that simple kriging with a linear variogram had the best performance on northern slopes, achieving the lowest rmse value (0.79), indicating the effectiveness of this model in conditions where soil moisture distribution exhibits a linear dependency on spatial location. conversely, on southern slopes, ordinary kriging with an exponential variogram provided higher accuracy, with an rmse value of 0.44. this finding suggest that in conditions with greater moisture complexity and nonlinear variation, employing an exponential variogram and ordinary kriging can yield improved interpolation results.conclusion: this study strongly emphasizes the critical importance of selecting the correct variogram models and interpolation techniques, which are specifically suited to the unique characteristics and features of a given region. the results clearly demonstrate that employing a single, fixed interpolation method across all areas does not necessarily yield the most optimal results. the choice of the appropriate interpolation method can have a significant impact on improving the accuracy of soil moisture predictions and estimations. for example, in areas with more uniform variations and relatively stable conditions, simple kriging with a linear variogram proves to perform better, while in regions with more rapid and significant changes over shorter distances, ordinary kriging with an exponential variogram results in higher accuracy and better performance. therefore, it is highly recommended that researchers take into account a combination of various optimal interpolation methods, carefully considering the climatic, topographical, and vegetation characteristics of the region. this methodical approach can greatly assist in reducing estimation errors, improving the precision and reliability of soil moisture maps, and ultimately enhancing the management and preservation of natural resources and forest ecosystems. additionally, this study underscores the importance of conducting a thorough and precise analysis, along with the careful selection of suitable statistical methods, in order to achieve more accurate predictions of soil moisture conditions, which play an essential role in sustainable natural resource management and environmental conservation, particularly in forested and ecologically sensitive regions.