ارزیابی روش‌های نقشه‌برداری رقومی در تهیه نقشه سه‌بعدی کربن آلی خاک

برنامه ریزی و مدیریت منابع اراضی نیاز به اطلاعات مکان دار تفصیلی و دقیق از خصوصیات خاک دارد. این در حالی است که در بسیاری از مناطق ایران این نوع اطلاعات در دسترس نیست. در این پژوهش کارائی روش های نقشه برداری رقومی خاک، شامل رگرسیون خطی چند متغیره، کوبیست و جنگل تصادفی برای پیش بینی تغییرات کربن آلی در سطح و عمق خاک اراضی دشت سعادت شهر مورد ارزیابی قرار گرفت.موقعیت نقاط مطالعاتی بر اساس روش مربعات لاتین تعیین و مقدار کربن آلی نمونه های خاک در افق های ژنتیکی اندازه گیری شد. با کاربرد الگوریتم اسپلاین با نواحی یکسان، مقدار کربن آلی افق های ژنتیکی به مقدار آن در اعماق استاندارد نقشه جهانی خاک تبدیل و بر اساس تعیین رابطه بین مقدار کربن آلی خاک در نقاط مطالعاتی با داده های متغیرهای کمکی-انتخابی از مجموعه متغیرهای اجزای سرزمین، شاخص های سنجش از دور و نقشه های خاک، واحدهای ژئوفرم و فاصله از رودخانه، در قالب مدل های مورد استفاده، نقشه پیوسته مقدار کربن آلی اعماق مختلف خاک تهیه شد. کارائی مدل ها با استفاده از شاخص ریشه میانگین مربعات خطا (rmse)، میانگین خطا (me) و میانگین مربعات خطای نرمال شده (nrmse) مورد ارزیابی قرار گرفت.نتایج ارزیابی نشان داد اگرچه اختلاف اندکی بین مقادیر خطای مدل های مختلف در تمام اعماق وجود داشت، روش جنگل تصادفی در عمق صفر تا پنج سانتی متری (rmse=0.49) و 60 تا 100 سانتی متری (rmse=0.13)، روش رگرسیون خطی چند متغیره در عمق پنج تا 15 سانتی متری (rmse=0.41) و روش کوبیست در عمق 15 تا 30 سانتی متری (rmse=0.27) از خطای کمتری برخوردار بودند. برخلاف اختلاف اندک این مدل ها، با توجه به توانایی مدل جنگل تصادفی در نشان دادن توزیع مکانی مقادیر کربن آلی، این مدل برایتخمین کربن آلی در تمامی عمق ها انتخاب و نقشه های پراکنش کربن آلی در اعماق مختلف خاک دشت سعادت شهر در محیط سامانه های اطلاعات جغرافیایی (gis) تهیه شد.

Evaluating Digital Soil Mapping Approaches for 3D Mapping of Soil Organic Carbon

Whileland resource management needs detailed and accurate information about soil properties and distribution, this kind of data is limited in Iran. In this research, we tested performance of three digital soil mapping (DSM) approaches including Multiple Linear Regression (MLR), Cubist (CU) and Random Forest (RF) to map the spatial 3D distribution of soil organic carbon (SOC) in Saadat Shahr plain in Fars Province. Latin hypercube sampling (LHS) was used to determine locations of soil profiles in the field. The soil profiles were sampled and SOC was measured. Different environmental covariates including terrain attributes, remote sensing auxiliary variables, and maps of soil, geoform and distance from rivers were used in this research as auxiliary data. According to the link of the environmental covariates and soil organic carbon contents in the framework of each model in combination with equalarea spline algorithm, soil organic carbon maps were produced at five standard depths of soils in the whole study area. Model performance was evaluated by rootmeansquare error (RMSE), mean error (ME) and normalized rootmeansquare error (NRMSE). Among the used models, RF model showed the highest performance to predict organic carbon in depths of 05 and 60100 cm. Meanwhile, MLR and CU had the lowest error for prediction in depths of 515 and 1530 cm, respectively. In spite of these results, RF model was considered as the best model for its power to explain the spatial distribution of soil organic carbon in all soil depths in the study area.