توزیع مکانی شاخص کیفیت خاک در خاک‌های شور و سدیمی دریاچه ارومیه با استفاده از روش کریجینگ و idw

ارزیابی کیفیت خاک به‌منظور مدیریت پایدار اراضی، نقش برجسته‌ای در تشخیص وضعیت مناطق دچار تخریب خاک به ویژه خاک‌های شور و سدیمی ایفا می‌کند. این مطالعه با هدف تعیین توزیع مکانی شاخص کیفیت خاک (soil quality index-sqi) در اراضی شور و سدیمی حاشیه دریاچه ارومیه با استفاده از روش‌های زمین‌آماری کریجینگ و وزن‌دهی عکس فاصله (idw) انجام شد. بدین منظور، 82 نمونه خاک از عمق 30–0 سانتی‌متری جمع‌آوری و 24 ویژگی فیزیکی، شیمیایی و فلزات سنگین خاک آنالیز شدند. شاخص کیفیت خاک با استفاده از دو رویکرد خطی و غیرخطی محاسبه شد. همچنین، حداقل مجموعه داده (minimum data set – mds) شامل 8 متغیر هدایت الکتریکی (ec)، درصد سیلت، کربن آلی (oc)، چگالی ظاهری (bd)، کادمیوم (cd)، رس، کربنات کلسیم (caco₃) و سرب (pb) شناسایی شد که بیش از 78% از واریانس کل داده‌ها را تبیین کردند. نتایج نشان دادند که شاخص کیفیت خاک در منطقه دارای تغییرپذیری مکانی متوسطی است و الگوی آن از غرب به شرق منطقه کاهش می‌یابد. مقایسه روش‌های درون‌یابی نشان داد که روش کریجینگ در مدل خطی و روش idw در مدل غیرخطی دقت بیشتری دارند. همچنین، مدل کروی با دامنه تاثیر متغیر بین 6130 تا 20610 متر بهترین برازش را با سمیواریوگرام‌های تجربی داشت؛ بنابراین، استفاده از شاخص کیفیت خاک در کنار روش‌های زمین‌آماری ابزاری موثر برای شناخت تغییرپذیری مکانی خاک و برنامه‌ریزی مناسب در مدیریت اراضی شور و سدیمی محسوب می‌شود.

spatial distribution of soil quality index in saline and sodic soils of urmia lake using kriging and idw methods

soil quality assessment plays a crucial role in sustainable land management, particularly in degraded areas such as saline and sodic soils. this study aimed to determine the spatial distribution of the soil quality index (sqi) in saline and sodic soils around lake urmia using two geostatistical interpolation methods: kriging and inverse distance weighting (idw). a total of 82 soil samples were collected from a depth of 0–30 cm, and 24 physical, chemical, and heavy metal properties were analyzed. the soil quality index was calculated based on both linear and non-linear approaches. principal component analysis (pca) was used to identify a minimum data set (mds), including: calcium carbonate equivalent, ec, clay percentage, bd, silt percentage, organic carbon, pb, and cadmium, which explained more than 78% of the total variance. the results indicated that the sqi showed moderate spatial variability across the study area, with a decreasing trend from west to east. comparison of the interpolation methods revealed that kriging performed better in the linear model, while idw showed higher accuracy in the non-linear approach. the best-fitted theoretical model was spherical, with a range of influence varying between 6,130 and 20,610 meters. overall, integrating the soil quality index with geostatistical methods provides a powerful tool for understanding spatial variability and supporting effective planning in saline and sodic soils.