تهيه نقشههاي سه بعدي توزيع اندازه ذرات نهايي سازنده خاک )بافت خاک( با استفاده از معادالت عمق و شبکههاي عصبي مصنوعي چکيده

ص) )-2 تحقيقات آب و خاک ايران دورە 84 شمارە بهار 69 تهيه نقشههاي سه بعدي توزيع اندازه ذرات نهايي سازنده خاک )بافت خاک( با استفاده از معادالت عمق و شبکههاي عصبي مصنوعي 2 * عليرضا اميريان چکان روح اله تقي زادهمهرجردي فريدون سرمديان احمد حيدري. استادیار گروه مرتع و آبخیزداری دانشگاه صنعتی خاتماالنبیاء بهبهان 2. استادیار گروه مدیریت بیابان و مناطق خشک دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان 3. استاد گروه مهندسی علوم خاک دانشگاه تهران 4. دانشیار گروه مهندسی علوم خاک دانشگاه تهران )تاریخ دریافت : 33// تاریخ تصویب : )3/4/22 چکيده در نقشههای موم معموال چگونگی تغییرات بافت خاک در فواصل بین نقاط نمونهبرداری نشان داده نمیشود و در این نقشهها و نقشههای رقومی تغییرات تدریجی بافت خاک با عمق به خوبی قابل پیشبینی نیست. از تکنیک نقشهبرداری رقومی برای تخمین ذرات نهایی سازنده خاک در مکانهای نمونهبرداری نشده و از معادالت عمق خاک برای نشان دادن تغییرات بافت خاک با عمق و تخمین آن در هر عمق دلخواه میتوان استفاده نمود. در این مطالعه در 03 نقطه مشاهداتی واقع در دشت سیالخور در شمال غرب شهتان دورود استان لتان معادله عمق اسپالین با سطح برابر بر دادههای و تا عمق یک متری برازش داده شد و مقادیر این اجزاء در پنج عمق استاندارد شامل -30 - و 000 سانتیمتر تخمین زده شد. این اطالعات با متغیرهای کمکی استخراج شده از تصاویر + ETM سنجندههای ماهواره لندست و مدل رقومی ارتفاعی )DEM( تلفیق و بر اساس روابط بین آنها نقشه پیوسته پیشبینی مقدار اندازه ذرات نهایی سازنده خاک و کالسهای بافت خاک با استفاده از مدل شبکههای عصبی مصنوعی برای کل منطقه به دست آمد. نتایج تجزیه و تحلیل حساسیت نشان داد اهمیت نسبی دادههای کمکی در پیشبینی بافت خاک برای اجزاء مختلف بافت و در اعماق مختلف متفاوت است. بر طبق نتایج حاصله توانایی شبکههای عصبی در تخمین بافت خاک در الیههای سطحی بیشتر از الیههای پایینی بود. مقادیر R 2 برای و از سطح به عمق به ترتیب از 0/23 تا 0/4 از 0/20 تا 0/43 و از 0/06 تا 0/20 به دست آمد. این نتایج در نقشهبرداری رقومی در حد قابل قبولی هستند. افزون بر این نتایج نشان داد دادههای کمکی مستخرج از تصاویر ماهوارهای در الیههای سطحی و دادههای مستخرج از DEM در الیههای عمقی اهمیت بیشتری در تخمین بافت خاک داشتند. واژههاي کليدي: دشت سیالخور سنجش از دور مدل اسکورپن نقشهبرداری رقومی خاک * مقدمه امروزه نیاز رو به رشدی برای استفاده از دادههای کمی و پیوسته مکانی در راستای ایجاد مدلهای زیست محیطی و مدیریت منابع طبیعی )2008 al., )Minasny et به ویژه در سطح ملی و فرا ملی وجود دارد )204 al.,.)akpa et خاک بخش مهم و حساس کره زمین است که دارای نقشهای متعددی از جمله محیط رشد گیاهان و فعالیت موجودات زنده منبع تامین غذای انسانها و حیوانات و ذخیره آب است )205 al., )Akumu et که دادههای مربوط به آن برای بری چالشهای زیست محیطی از جمله تغییر شرایط اقلیمی کمبود منابع آب و غذا تخریب اراضی و کاهش تنوع زیستی مورد نیاز است.)Hartemink and McBratny, 2008( این قبیل اطالعات اغلب در مقیاس و شکل مناسب در دست نیستند ( et McBratney )al., 2003; Greve et al., 202b و این مشکل در کشورهایی با دادههای کم که تالش برای جمع آوری دادههای بیشتر با محدودیتهای مالی و حمایتی مواجه است بیشتر مشهود است.)Akpa et al., 204( بافت خاک یکی از مهمترین ویژگیهای خاک است که مقدار نگهداری آب و عناصر غذایی نفوذپذیری زهکشی تهویه مقدار کربن آلی ظرفیت بافری تخلخل و بسیاری از خواص مکانیکی خاک را تحت تاثیر قرار میدهد )204 al.,.)akpa et از بافت خاک در همه سطوح در سیستم جامع ردهبندی خاک * نویسنده مسئول: fsarmad@ut.ac.ir

8 تحقيقات آب و خاک ايران دورە 84 شمارە بهار 69 Malone et al., 2009; Mishra et al., 2009; Malone et al., ( 20; Adhikari et al., 203; Odgers et al., 202;.)Taghizade-Mehrjardi et al., 204a; Akpa et al., 204 برای اسایی ردهها و همچنین برای طبقهبندی خاکها در 2 سطح فامیل و برای اسایی افقهای آرجیلیک ناتریک و 3 کندیک استفاده میشود )204 Staff,.)Soil Survey دادههای مربوط به توزیع اندازه ذرات نهایی سازنده خاک جزو اطالعات ورودی به اغلب مدلهای هیدرولوژیکی اکولوژیکی اقلیمی و زیست محیطی هستند )202 al.,.)lieb et افزون بر این در 4 برخی از توابع انتقالی مورد استفاده برای تخمین خواصی از خاک مثل جرم مخصوص ظاهری قابلیت هدایت آبی و ظرفیت نگهداری آب خاک از بافت خاک و مقدار برخی از ذرات نهایی سازنده خاک نظیر و استفاده میشود ( Minasny Hartemink, 20.)and هم چنین بافت خاک در تعیین تناسب خاک برای برخی از استفادههای خاص و مهم مثل دفن زباله و مدیریت آب نقش اساسی دارد ( Thompson et al.,.)202 با وجود اهمیت زیاد بافت خاک در مقیاسهای مورد نیاز برای مدلسازیهای زیست محیطی با کمبود دادههای آن مواجه هستیم. در بیشتر نقشههای خاک موجود تغییرات مکانی درون کالسها و تغییرات تدریجی متغیرها با عمق کمتر مورد توجه قرار گرفته است 203( al.,.)adhikari et به صورت تدریجی با عمق تغییر میکنند خواص خاک معموال Ponce-Hernandez ( al., 986 )et و استفاده از توابع عمق گسسته برای پیشبینی یک ویژگی خاک در عمقی مشخص معموال با مقداری خطا همراه میباشد. بنابراین محققین توابع پیوسته عمق خاک را با این رویکرد که بتوانند تغییرات تدریجی خواص خاک با عمق را بهتر مدلسازی کنند توسعه دادهاند )999 al.,.)bishop et این توابع از روشهای ساده دستی )94 )Jenny, تا روشهای 0 پیشرفته مثل توابع کاهشی نمایی )2006 al., )Minasny et 2 رگیون خطی و چند جملهایها )970 al., )Campbell et و 6 اسپالینهای با سطح برابر )986 al., )Ponce-Hernandez et را شامل میشوند. معادالت اسپالین از جمله معادالت عمقی هستند که در مقایسه با دیگر معادالت از کارآیی بیشتری در مدلسازی خصوصیات خاک برخوردار هستند (Bishop et al., (999. از این معادالت در مطالعات متعددی برای مدلسازی تغییرات پیوسته خواص خاک با عمق استفاده شده است یک اسپالین با سطح برابر از تعدادی چندجملهای درجه دوم تشکیل شده است که در گرههایی که در مرز افقهای خاک قرار دارند به هم متصل میشوند )999 al., )Bishop et و ویژگی مورد نظر را در مکانهای بین نقاط نمونهبرداری شده به صورتی عمودی تا عمق مورد نظر پیشبینی میکنند. خاک با عمق مرز افق ها با توصیف کننده مقادیر واقعی ویژگی مورد نظر با شود مقدار تخمینی ویژگی مورد نظر ( صورت زیر مدلسازی میشود: ) )رابطه در این رابطه میانگین خطا با میانگین صفر و واریانس در بازه σ است. تابع اگر عمق و تابع عمق نشان داده ) به زبان ریاضی به و نا معلوم است و باید با استفاده از دادههای نیمرخ خاک تخمین زده شود. توابع اسپیالین با انتخاب مقداری برای در راستای کمینه- سازی رابطه 2 به راحتی به دادههای خاکرخ خاک تطابق داده میشوند: )رابطه 2( λ بخش اول رابطه 2 میزان دقت برازش مدل بر دادهها را نشان میدهد بخش دوم میزان انحنای تابع را نشان میدهد و λ پارامتر کنترل کننده میزان توازن بین دقت برازش و حد مجاز انحنای اسپالین است. اسپالین به مقدار زیادی به پارامتر بردن مقادیر مختلف الندا )0 λ از آنجا که کارآیی تابع بستگی دارد با به کار 0/00 0/0 0/ 0/000( بهترین مقدار آن انتخاب میگردد ( al., Bishop et.)999 برای بری تغییرات جانبی متغیر مورد نظر در فواصل بین نقاط نمونهبرداری شده و در نتیجه تهیه نقشه پیوسته پیشبینی آن نیاز به تخمین آن متغیر با استفاده از روشهای مختلف است. از نقشهبرداری رقومی خاک که طی چند سال اخیر جنبه کاربردی آن بیشتر شده Vaysse and است ( )Laghacherie, 205 میتوان برای تهیه این نقشههای پیوسته استفاده نمود. پایه نقشهبرداری رقومی خاک مدل اسکوپن )scorpan( است 2003( al.,.)mcbratney et بر اساس این مدل مجموعهای از خواص خاک یا کالسهای خاک )مثل کالس بافت خاک( به عنوان تابعی از متغیرهای کمکی به دست از منابع دیگر از جمله نقشههای موم خاکاسی مدل رقومی ارتفاع سنجش از دور سنجش از نزدیک و دانش کاراسان در. Argillic horizon 2. Natric horizon 3. Kandic horizon 4. Pedotransfer function 5. Freehand curve 6. Exponential decay functions 7. Polynomials 8. Equal-area spline

اميريان چکان و همکاران: تهيه نقشههاي سهبعدي توزيع اندازه ذرات نهايي... نظر گرفته میشوند )رابطه 3( و با استفاده از روشهای پیش )204b )Taghizadeh Mehrjardi et al., و دیگری در مورد بینی مناسب این خواص یا کالسها در نقاط نمونهبرداری نشده تخمین زده میشود 2003( al.,.)mcbratney et )رابطه 3( در رابطه )3( یا : خصوصیات خاک : کالسهای خاک s: خاک )سایر خصوصیات خاک در نقطه مورد نظر( c: اقلیم )خصوصیات اقلیمی در نقطه مورد نظر( o: موجودات زنده )پوشش گیاهی جانوران یا فعالیت انسان( r: پستی و بلندی مواد مادری a: زمان و n: موقعیت مکانی است. :p برای پیشبینی خصوصیات خاک میتوان از مدلهای مختلفی از جمله رگیون چند متغیره شبکههای عصبی 3 2 مصنوعی و درخت رگیون استفاده نمود ( al., Minasny et 2006; Baker and Ellison, 2008; Nyssen et al., 2008 204b;.)Taghizadeh Mehrjardi et al., شبکههای عصبی مصنوعی سیستمهای تطبیقی با انعطاف پذیری زیاد هستند که برای پیدا کردن رابطه بین دادهها آموزش داده میشوند )2007.)Samarasinghe, عصبها به عنوان عناصر اصلی پردازش در شبکههای عصبی مصنوعی از طریق وزنهای قابل تنظیم محل اتصاالت تابع جمع تابع تبدیل و با استفاده از یک الگوریتم یادگیری مناسب کار میکنند ( Kayadelen et al., 2009(. پپترون تقریبا واحد محاسباتی همه شبکههای عصبی 4 مصنوعی است )2006 Swamy,.)Du and پپترون چند الیه )MLP( مهمترین و رایجترین شبکه است که قابلیت خود را از پردازشهای غیر خطی در الیههای مخفی به دست میآورد. یک MLP شبکه رایج معموال از سه الیه تشکیل شده است. دادهها از الیه ورودی وارد و در الیههای مخفی پردازش و در الیه خروجی نتایج حاصل از.)Sreekanth et al., 20( ورودیهای مورد نظر تولید میشوند با توجه به قابلیتهای توابع عمق و نقشهبرداری رقومی خاک به نظر مید تلفیق این روشها احتماال خواهد توانست ابزار مناسبی برای پیشبینی تغییرات سطحی و عمقی خصوصیات خاک ایجاد نماید Lagacheri et (.)al., 2008; Lacoste et al., 20; Malone et al., 2009 در ایران مطالعات کمی در زمینه نقشهبرداری رقومی سه بعدی خواص خاک انجام شده است. بری ادبیات علمی کشور نشان میدهد تعداد معدودی مطالعه از این دست یکی در دشت سیالخور لتان بر روی ظرفیت تبادل کاتیونی خاک شوری خاک در شهتان اردکان استان یزد ( Taghizadeh )Mehrjardi et al., 204a به انجام یده است. در بری انجام شده در دشت سیالخور معادالت عمق اسپیالین با سطح برابر و تکنیک نقشه برداری رقومی به کار گرفته شد و با استفاده از تعداد محدودی داده اندازهگیری شده تغییرات جانبی و عمودی ظرفیت تبادل کاتیونی در کل منطقه بری گردید. در این مطالعه برای ارتباط دادن ظرفیت تبادل کاتیونی خاک و متغیرهای کمکی استخراج شده از تصاویر ماهوارهای و مدل رقومی ارتفاع از رگیون درختی استفاده شد و در نهایت نقشه پیوسته ظرفیت تبادل کاتیونی برای عمق استاندارد با دقت قابل قبولی به دست آمد. در مطالعه انجام شده در منطقه اردکان نیز از معادالت عمق اسپالین با سطح برابر و دادههای کمکی به دست آمده از تصاویر ماهوارهای مدل رقومی ارتفاع و نقشه ژئومرفولوژی و مقادیر هدایت الکتریکی ظاهری نقشه پیوسته شوری خاک برای اعماق مختلف تا عمق یک متری به دست آمد. نتایج این بری نشان داد در سه الیه باالیی هدایت الکتریکی ظاهری و در دو الیه پایینی شاخص خیسی بیشترین اهمیت را در تخمین شوری خاک داشتند. در مطالعه ای دیگر نقشه رقومی بافت خاک سطحی در منطقه بیجار استان کردستان تهیه گردیده است ولی تغییرات عمودی بافت خاک مورد مطالعه قرار نگرفته است )204 al.,.)nabiollahi et در این تحقیق کارآیی تکنیک نقشهبرداری رقومی خاک و معادله عمق اسپیالین با سطح برابر در بری تغییرات مکانی سه بعدی بافت خاک در منطقه مطالعاتی مورد بری قرار گرفت. مواد و روشها خصوصيات و ويژگيهاي منطقه مورد مطالعه منطقه مورد مطالعه به وسعت تقریبی 3000 هکتار بخشی از دشت سیالخور در شمال غربی شهتان دورود در استان / // / // لتان در محدوده طول شرقی از 4 ₒ 6 2 تا 4 ₒ 2 2 و عرض شمالی از )شکل است 33 ₒ / // تا 3 30 / // 33 ₒ 30 40 واقع گردیده (. با توجه به دادههای ایستگاه هوااسی شهتان دورود متوسط دمای سالیانه 0 درجه سانتیگراد بارش سالیانه 00 میلیمتر و میلیمتر میباشد. بر اساس نقشه تبخیر سالیانه برابر با 2230 :00000 زمیناسی بروجرد این دشت عمدتا از وبات آبرفتی شامل پادگانههای بلند و قدیمی پادگانههای کم ارتفاع و جوان و وبات رودخانهای مربوط به دوره کواترنر تشکیل شده است. آبرفته یا عهد حاضر در این منطقه بسته به جایگاه وبگذاری ترکیب. Mulitple regression 2. Artificial neural networks 3. Regression tree 4. Multi-layer perceptron

9 تحقيقات آب و خاک ايران دورە 84 شمارە بهار 69 و اندازه وبات و نوع گسترش متفاوت میباد. بر اساس نقشه رژیمهای رطوبتی و حرارتی خاکهای ایران رژیم رطوبتی خاک زریک و رژیم حرارتی خاک ترمیک تعیین گردید. با توجه به مطالعات صحرایی و نتایج تجزیههای آزمایشگاهی خاکهای منطقه مطالعاتی بر اساس سیستم جامع طبقهبندی خاک در چهار گروه بزرگ کلسیزرپتز )Calcixerepts( هاپلوزرپتز )Haploxerepts( زراورتنتز )Xerorthents( و زروفلوونتز Soil Survey Staff, )Xerofluvents( طبقهبندی گردیدند (.)204 شکل. موقعيت جغرافيايي منطقه مطالعاتي و مکانهاي نمونهبرداري از خاک نمونهبرداري از خاک در منطقه مطالعاتی نمونهبرداری خاک از 03 مکان انجام گرفت. به همین منظور در محیط نرم افزار آرک/جی ای اس یک شبکه منظم به فاصله نقاط 20 متر بر روی تصویر سنجده ETM + ماهواره لندست منطقه مورد نظر قرار داده شد. این فاصله تا حدودی بر اساس فاصله نقاط در مطالعات نیمه تفصیلی دقیق )200 متر( انتخاب گردید. سپس مختصات نقاط شبکه به GPS دستگاه وارد و موقعیت مکانهای نمونهبرداری در صحرا مشخص گردید. در عملیات میدانی تعداد 2 نقطه مشاهداتی با فواصل منظم به صورت یک در میان مته و خاکرخ حفر و تعداد 26 نقطه مشاهداتی نیز در فواصل بین نقاط شبکه منظم به صورت تصادفی برای حفر مته در نظر گرفته شد. سپس نمونههای خاک تا عمق 00 سانتیمتری از محلهای انتخاب شده برداشت و نمونههای برداشت شده برای انجام مطالعات بعدی به آزمایشگاه منتقل گردید. بافت خاک نمونههای عبور داده شده از الک 2 میلی متری به روش هیدرومتری اندازهگیری شد. دادههاي کمکي بر اساس مدل اسکورپن در نقشهبرداری رقومی خاک عالوه بر دادههای خاک به دادههای کمکی نیز نیاز میباشد. در این مطالعه از مدل رقومی ارتفاع )DEM( با قدرت تفکیک 0 متر برای استخراج برخی از متغیرهای کمکی استفاده گردید. خصوصیات زمیننما از قبیل شیب ارتفاع ارتفاع باالی شبکه زهکشی مساحت حوزه اصالح شده موقعیت میانی شیب عمق دره شاخص خیسی توپوگرافی ( )TWI شاخص همواری دره با تفکیک درجه باال ( 2 )MrVBF شاخص با باالی پشته تفکیک باال و شیب حوزه در محیط سامانه جغرافیایی ساگا درجه 3 DEM از استخراج گردید )2003 al.,.)hengl et منبع دیگر استخراج متغیرهای کمکی برای پیشبینی بافت خاک تصویر سنجده ETM + ماهواره لندست مربوط به تابستان سال 32 بود. این تصویر از 0 باند )باند : 0/2-0/4 میکرومتر باند 2 : 0/00-0/2 میکرومتر باند 3 : 0/0-0/03 میکرومتر باند 4 :. Topographic wetness index 2. Multi-resolution valley bottom flatness index 3. SAGAGIS

اميريان چکان و همکاران: تهيه نقشههاي سهبعدي توزيع اندازه ذرات نهايي... 0/0-0/20 میکرومتر باند : /2-/ 2/3-2/06 میکرومتر( تشکیل شده است. برازش معادله عمق خاک میکرومتر باند 2 : در این بری معادله عمق اسپیالین با سطح برابر به دادههای بافت خاک اندازهگیری شده در اعماق مختلف برازش داده شد و سپس درصدهای و در عمقهای استاندارد پروژه جهانی نقشهبرداری رقومی خاک که شامل اعماق 0-30 -0 000 و سانتیمتری میباشد با استفاده از معادله برازش داده شده تخمین زده شدند ( Bishop.)et al., 999; Malone et al., 2009 مدل پيشبيني در این تحقیق برای تخمین بافت خاک در نقاط نمونه برداری نشده از مدل شبکههای عصبی مصنوعی و برای انجام تخمین- های دقیقتر از متغیرهای کمکی استفاده شد. الگوریتم MLP مورد 2 استفاده در این تحقیق یک شبکه عصبی چند الیه پیشخور )MFNN( بود که شامل یک متغیر وابسته )بافت خاک( به عنوان خروجی و 4 متغیر مستقل به عنوان ورودی بود. از کل دادهها 60 درصد برای آموزش و 20 درصد باقیمانده به طور تصادفی برای تست مدل انتخاب شدند. برای بری کارآیی مدلها از ریشه دوم مربعات خطا )RMSE( ضریب تبیین ( 2 R( و دقت )PE( )رابطه 4( استفاده شد. هر چه بیشتر R 2 RMSE و PE )رابطه 4( کمتر باشد کارآیی مدلها بیشتر است. در این رابطه ME میانگین خطا است. نتايج و بحث خالصه آماري دادهها خالصه آماری مقادیر پیشبینی شده و با استفاده از معادالت عمق اسپالین برای پنج عمق استاندارد در جدول ارایه شده است. میانگین مقدار از 3/3 درصد در عمق اول تا 40/ در عمق پنجم متغیر است که بیانگر افزایش مقدار با عمق است. در نیجریه و دانمارک نتایج مشابهی به دست آمده است ( et Akpa et al., 204; Adhikari.)al., 203 این محققین دلیل این روند را به انتقال از افق- های فوقانی به افقهای زیرین نسبت دادند. با توجه به رده خاکهای موجود در منطقه مطالعاتی که عمدتا شامل انتی- سولها و اینسپتیسولها هستند فرآیند انتقال در این ردهها فرآیند غالبی نیست و نمیتواند عامل افزایش چشمگیر با عمق باشد. چون اغلب خاکهای منطقه روی وبات آبرفتی تشکیل شدهاند افزایش با عمق شاید به دلیل تفاوت اندازه ذرات الیههای مختلف وبی باشد. این روند برای و برعکس است به طوری که مقدار از 32/6 درصد در الیه اول به 23/3 درصد در الیه آخر کاهش مییابد. مقدار از 23/06 در الیه سطحی تا /20 در عمق چهارم روند کاهشی دارد ولی در الیه آخر به 23/3 افزایش مییابد. میانگین تغییرپذیری )انحراف معیار( در پنج عمق برای بیشترین )3/2( و برای کمترین است )4/2(. Adhikari et al. )203( بیشترین تغییرپذیری را برای در سه الیه اول و برای در الیههای پایینتر به دست آوردند. در شکل 2 موقعیت کالسهای بافت خاک پیشبینی شده در پنج عمق روی مثلث بافت خاک نشان داده شده است. به طور کلی بیشترین خاکهای مورد بری دارای کالس بافت ی لومی ی و لومی هستند. در عمق اول بیشتر خاکها در کالس ی لومی ی و لومی قرار دارند و تعداد کمتری در کالسهای لومی ی و لومی ی قرار دارند. در کالس لومی ی سه خاک و در کالس ی لومی یک خاک قرار دارد. در عمق دوم روند کلی مشابه عمق اول است. در عمق سوم بافت بیشتر خاکها در کالسهای ی لومی ی و لومی و تعداد کمتری در کالسهای لومی ی ی و لومی ی قرار دارند و در سایر کالسها خاکی وجود ندارد. در عمق چهارم بیشتر بافت خاکها در کالس ی و لومی ی و تعداد کمتری در کالسهای لومی لومی ی و لومی ی ی قرار دارند و یک بافت هم در کالس لومی ی قرار دارد. در عمق پنجم هم همانند سایر عمقها بیشترین بافت خاکها در کالس ی و پس از آن در کالسهای لومی ی و لومی ی ی قرار دارند. پيش بيني بافت خاک در جدول 2 کارآیی بهترین مدلهای شبکههای عصبی مصنوعی در پیشبینی ذرات و در پنج عمق استاندارد ارایه شده است. نتایج نشان میدهد مقدار برای ذرات RMSE از 2/06 تا /2 میانگین خطا از 0/4- تا 3/0 و دقت از 2/0 تا /33 به ترتیب از باال تا پایین خاکرخ خاک متغیر است. این روند کلی را میتوان در کارآیی مدلها در پیشبینی درصد و نیز مشاهده نمود به طوری که مقدار. Global soil map project 2. Multi-layer feedforward neural networks

4 تحقيقات آب و خاک ايران دورە 84 شمارە بهار 69 RMSE مدل برای از 0/02 در الیه اول به 6/24 در الیه پنجم و برای از 0/60 در الیه اول به 0/3 در الیه آخر یده است. به طور کلی دقت پیشبینیها برای هر سه جزء ذرات از سطح خاک به سمت قسمتهای زیرین خاکرخ )الیه پنجم( کاسته شده است و این دقت به طور معنیداری در الیه- های باالیی )30 سانتیمتر سطحی( بیشتر از الیههای پایینی است. نتایج مشابهی توسط محققین مختلف گزارش شده است که میتواند مربوط به طبیعت متغیرهای کمکی مورد استفاده و فاصله عمودی بیشتر نقاط نمونهبرداری در الیههای عمقی باشد ( et Minansny et al., 2006; Kempen al., 204.)al., 20; Adhikari et al., 203; Akpa et هم چنین بیشتر دادههای کمکی مورد استفاده منعکس کننده خصوصیات سطحی خاک بوده و با خاک سطحی رابطه بیشتری دارند. جدول. برخي پارامترهاي آماري درصدهاي سيلت و پيشبيني شده در پنج عمق استاندارد جزء بافت )%( عمق )cm( حداقل / حداکثر 04/63 میانگین 3/3 انحراف معیار 4/0 3/2 3/ 4/34 3/46 /20 / 4/20 4/22 4/4 4/ 3/ 2/0 2/ 3/00 3/3 4/0 4/40 40/ 32/6 32/43 30/2 33/36 23/3 23/06 22/0 2/20 /20 23/3 0/02 00/ 0/ 02/0 0/60 0/42 46/6 42/62 46/0 6/0 2/ 00/6 02/0 20/2 3/0 /3 6/ /2 20/0 2/30 2/3 22/ 20/ 0/20 0/64 2/04 3/0 4/2 - -30 000 - -30 000 - -30 000 شکل 2. کالسهاي بافت خاک پيش بيني شده براي اعماق الف( ب( - ج( -0 د( 0-90 و ز( 900 سانتيمتر روند تغییرات ضریب تبیین نیز بیانگر کاهش دقت پیش- بینیها با افزایش عمق است. این ضریب برای ذرات و به ترتیب از سطح به عمق خاک از 0/23 تا 0/4 از 0/20 تا 0/43 و از 0/06 تا 0/20 متغیر است. هر چند برخی مقادیر ضریب تبیین نسبتا کم هستند ولی در نقشهبرداری رقومی خاک این مقادیر معمول و قابل قبول است. به طور کلی در نقشهبرداری رقومی مقادیر ضریب تبین معموال کمتر از 0/ است و مقادیر باالی 0/2 زیاد رایج نیست ( Malone et al.,.)2009 Stoorvogel et al. )2009( خاک بین 0/06 تا 0/23 آلی بین 0/2 تا بین 0/2 تا 0/ R 2 مقدار را برای تخمین کربن آلی Malone et al. (2009) Adhikari et al. )203( 0/22 برای کربن برای بافت خاک و )204b( Taghizadeh Mehrjardi et al. برای ظرفیت تبادل کاتیونی بین 0/22 تا 0/64 به دست آوردند.

6 اميريان چکان و همکاران: تهيه نقشههاي سهبعدي توزيع اندازه ذرات نهايي... Nabiollahi et al. )204( از شبکههای عصبی مصنوعی برای مدلسازی بافت الیه سطحی خاکهای منطقه بیجار استفاده کردند و مقادیر ضریب تبیین برای پیشبینی درصدهای و را به ترتیب برابر با 0/0 0/40 و 0/3 به دست آوردند. در نقشهبرداری رقومی خاک مقدار R 2 به میزان تغییرات ویژگیهای مورد بری و متغیرهای کمکی بستگی دارد. بخشی از این تغییرات ممکن است توسط مدلهای مورد استفاده قابل پیشبینی نباشد. مقادیر میانگین خطا نشان میدهد که برای هر سه متغیر هدف ) و ( معادله عمق اسپیالین در سطح خاک کم برازش و در اعماق خاک بیش برازش داشته است. در بری انجام شده توسط )204( Akpa et al. مقدار و در همه الیهها بیش برازش و مقدار کم برازش شده بود. در مطالعه انجام شده توسط )203( همه Adhikari et al. مقدار در الیهها بجز الیه چهارم بیش برازش مقدار در سه الیه سطحی بیش برازش و در سه الیه عمقی کم برازش مقدار درشت در همه الیهها و مقدار ریز در همه الیهها بجز الیه سوم بیش برازش شده بود. جدول 2. ساختار و کارآيي مدلهاي شبکه عصبي مورد استفاده براي پيشبيني ذرات سيلت و در پنج عمق استاندارد R 2 RMSE جزء بافت )%( عمق )cm( * ساختار شبکه میانگین خطا دقت 2/0 6/04 6/2 /0 /33 0/0 0/2 /06 2/26 6/0 0/63 0/2 2/26 /4 0/ -0/4-0/0 / /62 3/0-0/32-0/ 0/ /40 /42-0/3-0/20 /0 /06 /20 0/23 0/20 0/0 0/02 0/4 0/20 0/06 0/00 0/ 0/43 0/06 0/0 0/0 0/34 0/20 2/06 6/02 6/32 /3 /2 0/02 0/20 / 2/ 6/24 0/60 2/0 2/32 /0 0/3 4-4-3-4-- 4-4- 4-4-6-4-- 4-2- 4-- 4-2- 4-4-3-4- 4-- 4-6- - -30 000 - -30 000 - -30 000 *: عدد اول )8( تعداد وروديهاي شبکه عدد دوم تعداد نرون در اليه مخفي و عدد سوم تعداد خروجي شبکه است. تجزيه و تحليل حساسيت در این تحقیق نتایج تجزیه و تحلیل حساسیت نشان داد که اهمیت نسبی متغیرهای کمکی برای پیش بینی نحوه توزیع اجزاء مختلف سازنده بافت خاک در اعماق مختلف متفاوت بوده و بعضی از متغیرهای کمکی از توانایی بیشتری برای افزایش دقت پیشبینی توزیع ذرات سازنده بافت خاک برخوردار بودند. به عنوان مثال در پیشبینی درصد خاک سطحی به ترتیب متغیرهای مولفه اول تصویر سنجده + ETM )%43( شاخص )%40( شاخص خیسی )%23( و شاخص همواری دره با درجه تفکیک باال )%( مهمترین ورودیها بودند. برای هر سه جزء سازنده بافت خاک در الیه سطحی متغیرهای کمکی مستخرج از تصاویر ماهوارهای اهمیت بیشتری داشتند. با افزایش عمق خاک از اهمیت متغیرهای کمکی مستخرج از تصویر ماهوارهای کاسته شد و در اعماق بیشتر متغیرهای کمکی مستخرج از خصوصیات اراضی از اهمیت بیشتری برخوردار شدند. تقی زاده مهرجردی و همکاران در بری شوری خاک ناحیه اردکان استان یزد به نتایج مشابهی دست پیدا کردهاند ( et Taghizadeh Mehrjardi Adhikari et al., )203(.)al., 204a در بریهای خود نشان دادهاند که متغیرهای کمکی زمیناسی درجه شیب

20 تحقيقات آب و خاک ايران دورە 84 شمارە بهار 69 TWI شاخص خیسی MrVBF و عمق دره از بیشترین قابلیت پیش بینی برخوردار بوده و عامل جهت شیب نیز از این نظر در مرحله بعد قرار داشته است. )202b( Greve et al. در بری- های خود نشان دادهاند که متغیرهای کمکی زمیناسی و زمین نما در افزایش دقت برآوردهای مدل از بیشترین اهمیت برخوردار بوده و متغیرهای کمکی حاصل از دادههای اقلیمی و درجه شیب به ترتیب در درجات اهمیت بعدی قرار داشتهاند. در تحقیقی در نیجریه نشان داده شده است که متغیرهای کمکی مختلفی نظیر اطالعات اقلیمی شاخصهای گیاهی اطالعات خاکاسی زمین اسی و باندهای ماهواره لندست بر روی افزایش دقت مدلهای مورد استفاده برای برآورد نحوه توزیع ذرات سازنده بافت تاثیر داشته و اهمیت نسبی آنها با عمق و از یک جزء تا جزء دیگر متفاوت بوده است )204 al.,.)akpa et همچنین نتایج این تحقیق نشان داد که تاثیر و اهمیت متغیرهای کمکی حاصل از خصوصیات زمیننما که بخش عمدهای از آنها به کمک مدل رقومی ارتفاع تهیه میگردد تا حد بسیار زیادی به دقت مدل رقومی ارتفاع تهیه شده بستگی دارد. دقت مدل رقومی ارتفاع نیز خود تابع مقیاس نقشه توپوگرافی مورد استفاده برای تهیه خطوط تراز و دقت منحنی- های میزان است. افزون بر قدرت تفکیک مدل رقومی ارتفاع موقعیت جغرافیایی مواد مادری زمیننما و بارندگی نیز نقش قابلتوجهی در افزایش دقت مدلهای مورد استفاده برای پیش- بینی اجزاء سازنده بافت خاک دارند )202b.)Greve et al., بریهای انجام شده در دانمارک نشان داده است که متغیرهای کمکی مواد مادری موقعیت جغرافیایی و زمین نما بیشترین تاثیر را بر روی افزایش قابلیت پیش بینی مدل برای برآورد بافت خاک سطحی داشتند )202a.)Greve et al, بر اساس این تحقیق بارندگی روی و ارتفاع روی درشت ریز و درجه شیب روی جهت شیب و شاخص توپوگرافی روی ریز بیشترین تاثیر را داشتهاند. با توجه به وسعت کم منطقه مورد مطالعه در تحقیق حاضر پستی و بلندی کم و مواد مادری )زمین اسی( نسبتا یکسان )اغلب وبات آبرفتی( تغییرات اقلیم مواد مادری و شیب کم و به طور کلی و به خصوص در الیههای سطحی رابطه کمتری با بافت خاک داشتند. برخی بریها نشان دادهاند که در مناطق با پستی و بلندی کم مثل دشتها خصوصیات خاک با عوامل خاکسازی که در نقشهبرداری رقومی استفاده میشوند همبستگی زیادی ندارند )202 al.,.)liu et در این مناطق معموال شاخصهای استخراج شده از تصاویر ماهوارهای اهمیت بیشتری دارند. تعداد زیادی از متغیرهای کمکی که از DEM استخراج و در نقشهبرداری رقومی استفاده میشوند در مناطق مسطح و کم شیب از تغییرپذیری کمی برخوردارند. بنابراین این متغیرها نمیتوانند عامل اصلی کنترل کننده تغییرات برخی خواص خاک در این گونه مناطق باد. در مقابل برخی شاخصهای استخراج شده از تصاویر ماهوارهای مثل شاخص میتوانند تغییرات بافت خاک را بهتر نشان دهند. در تحقیق حاضر نشان داده شد مولفه اول تصویر ماهوارهای و شاخص که از تصاویر ماهوارهای استخراج میشوند بیشترین اهمیت را در پیشبینی بافت خاک داشتند. پهنهبندي بافت خاک با استفاده از متغیرهای کمکی و مدل شبکه عصبی مصنوعی نقشه پیوسته درصدهای و و کالسهای بافت خاک در کل منطقه و برای پنج عمق استاندارد به دست آمد )شکل 3(. روند کلی توزیع مکانی در همه عمقها تقریبا مشابه است. در همه الیهها کمترین مقادیر در شمال شرق جنوب و جنوب غرب منطقه و بیشترین مقادیر به صورت بخش- هایی تقریبا مجزا در قسمتهای مرکزی دشت پراکنده شده است. به طور کلی با افزایش عمق مقدار در بخشهای غربی منطقه کاهش و در بخشهای شرقی افزایش دارد. روند تغییرات و تقریبا برعکس است به طوری که در بخشهای جنوبی و جنوب غربی مقدار و زیاد و در سایر بخشها مقدار آنها کم است. همچنین روند کلی توزیع هر دو جزء در همه اعماق تقریبا مشابه بوده است و با افزایش عمق اختالف بارزی در توزیع ذرات دیده نشد. توزیع کالس بافت لومی در هر پنج عمق تقریبا مشابه و این کالس در بخشهای جنوبی جنوب شرقی و شمال شرقی نسبت به سایر قسمتها غالب است. در بخشهای مرکز دشت بافت بیشتر خاکهای سطحی در کالس لومی ی و ی قرار دارد. در بخش مرکزی دشت و در عمق دوم سطحی از اراضی که در کالس ی قرار دارد کاهش و بخش عمده خاکهای منطقه در کالس بافت لومی ی قرار میگیرند. هم چنین در این عمق مقدار در بخشهای غربی و شمالغربی کاهش نشان داد. روند مشابه توزیع کالسهای بافت خاک در الیههای سطحی احتماال از عملیات شخم و در نتیجه همگنسازی بافت خاک در این الیهها ناشی شده است. این وضعیت توسط محققین دیگر نیز گزارش شده است ( ;203 al., Adkikari et al., 204.)Akpa et در عمق سوم توزیع کالسهای بافت خاک در منطقه نامنظم است و در قسمتهای جنوب و جنوب غربی منطقه به همراه بافت لومی بخشهای پراکندهای با بافت لومی ی هم وجود دارد. هم چنین در بخش شمال غربی. Landscape

2 اميريان چکان و همکاران: تهيه نقشههاي سهبعدي توزيع اندازه ذرات نهايي... منطقه بافت لومی نسبت به الیههای رویین غالبتر شده است. همراه با بافت ی در بخشهای مرکزی دشت قسمتهایی پراکنده و نامنظم با بافت ی وجود دارد. وضعیت توزیع کالسهای بافت خاک در الیههای چهارم و پنجم تقریبا مشابه الیه اول است ولی به طور کلی سطح بیشتری از بخش مرکزی دشت در این الیهها توسط کالس بافت ی پوشیده شده است. با توجه به اینکه دشت سیالخور بین زون سنندج سیرجان در شمال و رشته کوههای زاگ در جنوب قرار گرفته است به نظر مید فاصله از کوههای اطراف روی بافت خاک تاثیر گذاشته است به طوری که در نزدیک کوهها مقدار کمتر و با افزایش فاصله از کوهها به دلیل انتقال بیشتر ذرات ریزتر مقدار بیشتر است. اغلب وبات آبرفتی الیه الیه هستند و تغییر بافت خاک با عمق تغییرات مکانی زیاد بافت )2005 Anderson, )Schaetzl and و تغییر ضخامت الیهها در آنها رایج است. بنابراین و با توجه به اینکه بخش عمده دشت مذکور از وبات آبرفتی تشکیل شده است تفاوت در توزیع ذرات و کالسهای بافت خاک در اعماق مختلف وجود کالس- های بافتی متضاد در کنار هم و در یک عمق و پراکنش نامنظم کالسهای بافت خاک در برخی از عمقها )به خصوص عمق سوم( تا حدودی طبیعی به نظر مید. تفاوت در خصوصیات خاک از جمله بافت خاک در بخشهای مختلف منطقه و هم چنین در عمقهای مختلف خاک در مطالعات قبلی مشخص گردیده است 202( Chakan,.)Amirian شکل. نقشه رقومي ذرات سيلت و کالسهاي بافت خاک )به ترتيب از باال به پايين( در اعماق - -0 0-90 و 900 سانتيمتر )به ترتيب از چپ به راست(

22 تحقيقات آب و خاک ايران دورە 84 شمارە بهار 69 نتيجه گيري نتایج این بری نشان داد هر چند که متغیرهای کمکی برای ذرات مختلف و در اعماق مختلف اهمیتهای نسبی متفاوتی در پیش بینی بافت خاک داشتند ولی به طور کلی میتوان با پیدا کردن ارتباط آنها با بافت خاک از طریق مدلهایی مثل شبکه- های عصبی مصنوعی نقشه پیوسته بافت خاک را با دقتی در حد قابل قبول در نقشهبرداری رقومی خاک تهیه نمود. هم چنین خصوصیات استخراج شده از تصویر ماهوارهای در تخمین بافت خاک الیههای سطحی و خصوصیات استخراج شده از مدل رقومی ارتفاع در تخمین بافت الیههای عمقی اهمیت بیشتری داشتند. دقت معادله عمق اسپالین و شبکههای عصبی مصنوعی در تخمین توزیع عمودی و افقی بافت خاک با افزایش عمق کم است که شاید بتوان با استفاده از متغیرهای کمکی و یا روش- های تخمینی دیگر دقت مدلها را بهبود بخشید. به طور کلی میتوان نتیجه گرفت تلفیق این دو روش به خصوص در کشورهایی مثل ایران که دادههای پیوسته مکانی و سه بعدی کم است ولی منابع استخراج متغیرهای کمکی در دست و ارزان است ابزار مناسبی برای نشان دادن تغییرات افقی و عمودی ویژگیهای خاک است. REFERENCES Adhikari, K., Kheir, R. B., Greve, M. B., Bocher, P. K., Malone, B. P., Minasny, B., McBratney, A. B. and Greve, M. H. (203). High-resolution 3-D mapping of soil texture in Denmark. Soil Science Society of America Journal, 77, 860-876. Akpa, S. I. C., Odeh, I. O. A. and Bishop, T. F. A. (204). Digital mapping of soil particle-size fractions for Nigeria. Soil Science Society of America Journal, 78, 953-966. Akumu, C. E., Johnson, J. A., Etheridge, D., Uhlig, P., Woods, M., Pitt, D. G. and McMurray, S. (205). GIS-fuzzy logic based approach in modeling soil texture: Using parts of the Clay Belt and Hornepayne region in Ontario Canada as a case study. Geoderma, 239-240, 3-24. Amirian Chakan, A. (202). Spatial modeling of land suitability using fuzzy sets theory and geostatistics techniques. Ph. D. dissertation, University of Tehran, Tehran. Baker, L. and Ellison, D. (2008). Optimization of pedotransfer functions using an artificial neural network ensemble method. Geoderma, 44, 22-224. Bishop, T. F. A., McBratney, A. B. and Laslett, G. M. (999). Modelling soil attribute depth functions with equal-area quadratic smoothing splines, Geoderma, 9, 27-45. Campbell N. A., Mulcahy M. J. and McArthur W. M. (970). Numerical classification of soil profiles on the basis of field morphological properties. Australian Journal of Soil Research, 8, 43-58. Du, K. L. and Swamy, M. N. S. (2006). Neural networks in a soft computing framework. London: Springer-Verlag. Greve, M. H., Kheir, R. B., Greve, M. B. and Bocher, P. K. (202a). Quantifying the ability of environmental parameters to predict soil texture fractions using regression-tree model with GIS and LIDAR data: The case study of Denmark. Ecological Indicators, 8, -0. Greve, M. H., Kheir, R. B., Greve, M. B. and BØcher, P. K. (202b). Using digital elevation models as an environmental predictor for soil clay contents. Soil Science Society of America Journal, 76, 26-227. Hartemink, A. E. and McBratney, A. B. (2008). A soil science renaissance. Geoderma, 48, 23-29. Hengl, T., Rossiter D. G. and Stein, A. (2003). Soil sampling strategies for spatial prediction by correlation with auxiliary maps. Geoderma, 20, 75-93. Jenny, H. (94). Factors of soil formation: a system of quantitative pedology. New York: McGrawHill. Kayadelen, C., TaskIran, T., Günaydin, O. and Fener, M. (2009). Adaptive neuro-fuzzy modeling for the swelling potential of compacted soils. Environmental Earth Sciences, 59, 09-5. Kempen, B., Brus, D. and Stoorvogel, J. J. (20). Three-dimensional mapping of soil organic matter content using soil type specific depth functions. Geoderma, 62, 07-23. Lagacherie, P. (2008). Digital soil mapping: a state of the art. In: A. E. Hartemink, A. B. McBratney, and M.d.L. Mendonça Santos (eds). Digital soil mapping with limited data. (pp. 3-4). London: Springer. Lacoste, M., Lemercier, B. and Walter, C. (20). Regional mapping of soil parent material by machine learning based on point data. Geomorphology, 33, 90-99. LieB, M., Glaser, B. and Huwe, B. (202). Uncertainty in the spatial prediction of soil texture: comparison of regression tree and random forest models. Geoderma, 70, 70-79. Liu, F., Geng, X., Zhu, A. X., Fraser, W. and Waddell, A. (202). Soil texture mapping over low relief areas using land surface feedback dynamic patterns extracted from MODIS. Geoderma, 7-72, 44-52. Malone, B. P., McBratney, A. B., Minasny, B. and Laslett, G. M. (2009). Mapping continuous depth functions of soil carbon storage and available water capacity. Geoderma, 54, 38-52. Malone, B.P., McBratney, A. B., Minasny, B. (20). Empirical estimates of uncertainty for mapping continuous depth functions of soil attributes.

2 اميريان چکان و همکاران: تهيه نقشههاي سهبعدي توزيع اندازه ذرات نهايي... Geoderma, 60, 64-626. McBratney, A. B., Mendonça-Santos, M. L. and Minasny, B. (2003). On digital soil mapping. Geoderma, 7, 3-52. Minasny, B., McBratney, A. B. and Lark, R. M. (2008). Digital soil mapping technologies for countries with sparse data infrastructures. In: A. E. Hartemink, A. B. McBratney, and M. d. L. Mendonça Santos (eds). Digital soil mapping with limited data. (pp. 5-30). London: Springer. Minasny, B. and Hartemink, A. E. (20). Predicting soil properties in the tropics. Earth Science Review, 06, 52-62. Minasny, B., McBratney, A. B., Mendonca-Santos, M. L., Odeh, I. O. A. and Guyon, B. (2006). Prediction and digital mapping of soil carbon storage in the Lower Namoi Valley. Australian Journal of Soil Research, 44,233-244. Mishra, U., Lal, R., Slater, B., Calhoun, F., Liu, D. and Van Meirvenne, M. (2009). Predicting soil organic carbon stock using profile depth distribution functions and ordinary kriging. Soil Science Society of America Journal, 73, 64-62. Nabiollahi, K., Haidari, A. and Taghizadeh Mehrjerdi, R. (204). Digital mapping of soil texture using regression tree and artificial neural network in Bijar, Kurdistan. Journal of Water and Soil, 28, 025-036. (In Farsi) Nyssen, J., Tmesgen, H., Lemenih, M., Zenebe A., Haregeweyn, N. and Haile M. (2008). Spatial and temporal variation of soil organic carbon stocks in a lake retreat area of the Ethiopian Rift Valley. Geoderma, 46, 26-268. Odgers, N. P., Libohova, Z. and Thompson, J. A. (202). Equal-area spline functions applied to a legacy soil database to create weighted-means maps of soil organic carbon at a continental scale. Geoderma, 89-90, 53-63. Ponce-Hernandez, R., Marriott, F. H. C. and Beckett, P. H. T. (986). An improved method for reconstructing a soil profile from analysis of a small number of samples. Journal of Soil Science, 37, 455-467. Samarasinghe, S. (2007). Neural networks for applied sciences and engineering. New York: Taylor and Francis. Schetzl, R. and Anderson, S. (2005) Soils: Genesis and geomorphology. New York: Cambridge University Press. Sreekanth, P. D., Sreedevi, P. D., Ahmed, S. and Geethanjali, N. (20). Comparison of FFNN and ANFIS models for estimating groundwater level. Environmental Earth Sciences, 62, 30-30. Soil Survey Staff. (204). Keys to soil taxonomy (th ed). Washington: USDA-NRCS. Stoorvogel, J. J., Kempen, B., Heuvelink, G. B. M. and Bruin, S. (2009). Implementation and evaluation of existing knowledge for digital soil mapping in Senegal. Geoderma, 49, 6-70. Taghizadeh Mehrjardi R., Minasny B., Sarmadian F. and Malone P. B. (204a). Digital mapping of soil salinity in Ardakan region, central Iran. Geoderma, 23, 5-28 Taghizadeh Mehrjerdi, R., Amirin Chakan, A. and Sarmadian, F. (204b). 3D digital mapping of soil cation exchange capacity in Dorud, Lorestan province. Journal of Water and Soil, 28, 998-00. (In Farsi) Thompson, J. A., Roecker, S., Grunwald, S and Owens, P. R. (202). Digital soil mapping: Interactions with and applications for hydropedology. In: H. Lin (ed). Hydropedology. (pp. 665-709). Amsterdam: Academic Press. Vaysse, K. and Lagacherie, P. (205). Evaluating digital soil mapping approaches for mapping GlobalSpilMap soil properties from legacy data in Languedoc Roussillon (France). Geoderma, 4, 20-30.