ارزيابي كارائي نقشه¬ ژئومورفولوژي تهيه شده به روش‌هاي مختلف براي ارزيابي برخي ويژگي‌هاي خاك در بخشي از اراضي استان زنجان

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كشاورزي

كارشناسي ارشد

ارزيابي دقيق و مكاني ويژگي‌هاي خاك براي مديريت پايدار منابع طبيعي و برنامه‌ريزي كشاورزي امري حياتي است. ژئومورفولوژي، به عنوان علم مطالعه اشكال زمين و فرآيندهاي شكل‌دهنده آن‌ها، ابزاري قدرتمند براي استنتاج ويژگي‌هاي خاك در مقياس منطقه‌اي فراهم مي‌كند. اين مطالعه با رويكردي تلفيقي، نه تنها به كارگيري مدل‌هاي ژئومورفولوژيك را براي منطقه‌اي با پوشش زمين خاص مورد بررسي قرار مي‌دهد، بلكه با مقايسه مستقيم روش‌هاي مختلف تهيه نقشه، شفافيت لازم را در انتخاب بهترين ابزار مكاني براي مطالعات خاك‌شناسي فراهم مي‌آورد. با توجه به تنوع محيطي منطقه ماه‌نشان، استفاده از نقشه‌هاي ژئومورفولوژيك تهيه شده و مدل‌هاي رقومي ارتفاع (DEM) و تصاوير ماهواره‌اي سنتينل 2 مي‌تواند به پيش‌بيني پارامترهاي مهم خاك، مانند كربن آلي و كربنات كلسيم كمك كند. اين پژوهش با هدف ارزيابي كارايي نقشه‌هاي ژئومورفولوژيك حاصل از روش‌هاي فيزيوگرافي و سلسله‌مراتبي براي استنتاج دقيق ويژگي‌هاي خاك در بخش مورد مطالعه از منطقه ماه نشان است. اهداف فرعي شامل تحليل آزمايشگاهي، تهيه نقشه خصوصيات محيطي (مانند شيب، جهت شيب، شاخص پوشش گياهي و ...)، تهيه نقشه‌هاي ژئومورفولوژي منطقه و تعيين ميزان همبستگي و دقت بين ويژگي‌هاي استخراج‌شده از نقشه‌هاي ژئومورفولوژي و مقادير اندازه‌گيري شده ويژگي‌هاي خاك است. بدين منظور از 63 نقطه در منطقه نمونه‌برداري انجام شد. روش تحقيق حاضر از نوع توصيفي-تحليلي و مبتني بر داده‌هاي مكاني (GIS) است. از روش‌هاي آماري ضريب همبستگي پيرسون و تحليل رگرسيون چندگانه براي سنجش رابطه بين پارامترهاي ژئومورفولوژيك و خصوصيات خاك استفاده شد. به منظور ارزيابي كارايي نقشه‌هاي توليدي و مدل‌سازي مكاني ويژگي‌هاي خاك، از نرم‌افزار R استفاده گرديد. در اين راستا، پنج مدل يادگيري ماشين شامل جنگل تصادفي (Random Forest)، كيوبيست (Cubist)، شبكه عصبي مصنوعي (ANN)، K نزديك‌ترين همسايه (KNN)، و ماشين بردار پشتيبان (SVM) براي برآورد ويژگي‌هاي خاك بر اساس پارامترهاي ژئومورفولوژيك آموزش داده شده و عملكرد آن‌ها مقايسه گرديد. نتايج مدل‌سازي مكاني ويژگي‌هاي خاك نشان داد كه مدل جنگل تصادفي ، كوبيست و شبكه عصبي مصنوعي با كمترين خطا و بيشترين ضريب تبيين، به‌عنوان برترين مدل در پيش‌بيني خصوصيات خاك در مقابل مدل ماشين بردار پشتيبان و knn انتخاب شد. آناليز حساسيت مدل‌ها نشان داد كه متغيرهاي Aspect،ValleyDepth ، Elevation ، TWI ، نقشه فيزيوگرافي وسلسله‌مراتبي مهم‌ترين عوامل در پيش‌بيني كربن آلي، كربنات كلسيم، شن، سيلت و رس در منطقه مورد مطالعه هستند. اين يافته‌ها تأييد مي‌كند كه تلفيق واحدهاي ژئومورفيك با مدل‌هاي يادگيري ماشين، دقت پيش‌بيني مكاني ويژگي‌هاي خاك را به‌طور معناداري افزايش مي‌دهد. رويكرد ارائه‌شده در اين پژوهش مي‌تواند به‌عنوان چارچوبي مؤثر براي مديريت پايدار منابع خاك در مناطق نيمه‌خشك و مطالعات تفصيلي خاك‌شناسي مورد استفاده قرار گيرد.

237644

علوم و مهندسي خاك

مهندسي كشاورزي

دانشگاه صنعتي اصفهان