مقایسه سه روش زمین آمار برای پیش بینی گروه‌های بافتی در اراضی زراعی و باغی استان گیلان

بافت خاک یک خصوصیت ایستای خاک است و بر بیشتر ویژگی های فیزیکی و شیمیایی خاک تاثیر میگذارد.از این رو، تقاضا برای اطلاعات مکانی آن رو به افزایش است. کمبود اینگونه اطلاعات می تواند منجر به اتخاذ سیاست های غلط در مدیریت و تخریب منابع زمین و آب شود. در ایران داده های پراکنده بسیاری در مورد خاک وجود دارد که هزینه های بسیاری صرف تولید آن ها شده است. در صورت پهنه بندی صحیح، این داده ها به صورت نقشه در دامنه وسیعی از کاربردها قابل استفاده هستند. در این پژوهش، روش های کریجینگ معمولی، وزن دهی عکس فاصله و طبقه بندی پیکسل مبنا برای پهنه بندی ذرات معدنی و گروه های بافت خاک (سبک، سنگین و متوسط) در 4665 نمونه خاک سطحی با مختصات جغرافیایی معین در اراضی زراعی و باغی استان گیلان که عمدتاً در دشت های ساحلی و پست قرار داشتند، مقایسه گردید و با استفاده از آماره های صحت سنجی ضریب تبیین (r2)، میانگین اریب خطا (mbe)، ریشه میانگین نرمال شده مربعات خطا (nrmse)، ضریب کاپا (kia) و درصد صحت طبقه بندی پیکسل ها (pa) ارزیابی شد. نتایج نشان داد که روش وزن دهی عکس فاصله در برآورد درصد رس (0.64=r2  و 0.22=nrmse) و شن (0.67=r2  و 0.25=nrmse) از صحت بالاتری برخوردار بود. اما در برآورد گروه های بافتی سبک، سنگین و متوسط روش طبقه بندی پیکسل مبنا بر پایه آماره های ضریب کاپا و صحت طبقه بندی (به ترتیب برابر 0.46 و 73%) از صحت بیشتری نسبت به دیگر روش ها برخوردار بود؛ اما این برتری نسبت به روش کریجینگ معمولی (0.43 =kia  و  71% =pa) جزئی بود. در طبقه بندی پیکسل مبنا از مولفه های داده های رقومی خاک به عنوان متغیر ورودی در شبکه عصبی مصنوعی برای برآورد اجزای معدنی در پیکسل های مجهول استفاده شد. برای تصمیم گیری با قطعیت بیشتر در رابطه با کارایی طبقه بندی پیکسل مبنا در برآورد گروه های بافتی خاک لازم است این روش در شرایطی با تنوع بیشتر در فیزیوگرافی نیز ارزیابی شود.

Comparison of Three Geostatistics Methods for Prediction of Soil Texture Classes in Crop and Orchard Lands of Guilan Province

Soil texture is a static soil property that has great effects on soil physicochemical properties. Therefore, global demands are increasing for a high spatial resolution map of soil texture. Lack of intrinsic soil data can lead to wrong policies regarding management and degradation of soil and water resources. Iran has many scattered soil data that have been collected at great cost. These data can be useful in a wide range of applications if presented accurately in digital map format. In this study, Ordinary Kriging, PixelBased Classification (PBC), and Inverse Distance Weighted (IDW) methods were investigated using 4665 soil surface samples collected from croplands and orchards to map Guilan soil texture groups (fine, medium and coarse) and soil mineral particles. MBE, NRMSE, KIA, R2 and Pa statistics were used for verification. The results indicated that IDW could provide higher accuracy for clay (R2 = 0.64 and NRMSE = 0.22) and sand (R2 = 0.67 and NRMSE = 0.25) particles prediction, but PBC had higher accuracy for predicting fine, medium and coarse soil texture groups according to KIA and Pa of 0.46 and 0.73, respectively. However, superiority of PBC was minor (KIA = 0.43 and Pa = 0.71) compared to Ordinary Kriging. PBC used auxiliary soil data as inputs for Artificial Neural Network to predict soil mineral particles of unvisited pixels. For more certainty regarding efficiency of PBC in predicting soil texture groups, it is recommended to test the mentioned methods in areas with more physiographic diversity.