انبوهش‌زدایی مکانی نقشه‌ نیمه تفصیلی خاک با استفاده از روش دسمارت

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیارپژوهش، بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران.

2 استادیار پژوهش، مؤسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

3 عضو هیات علمی، بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران.

چکیده

سابقه و هدف: مدیریت چالش‌های جهان امروز مانند امنیت غذایی و مسائل زیست محیطی، نیازمند اطلاعات رقومی خاک با صحت و دقّت کافی و با قدرت تفکیک مکانی ریز است. نقشه‌های خاک عمدتاً در مقیاس کوچک قابل دسترس هستند. با وجود این، در طی دو دهه اخیر با ظهور روش‌های نقشه‌برداری و مدل‌سازی رقومی خاک، امکان انبوهش‌زدایی مکانی واحدهای نقشه خاک فراهم شده است. انبوهش‌زدایی مکانی واحدهای نقشه خاک، روشی است که توزیع مکانی کلاس‌های منفرد خاک را مدل‌سازی می‌کند. طی این فرایند اطلاعات نقشه‌ی خاک از مقیاس کوچک (قدرت تفکیک مکانی درشت) به مقیاس بزرگ (قدرت تفکیک مکانی ریز) تبدیل می‌شود و برای اجرای آن، روش‌های آماری و داده‌کاوی مورد استفاده قرار می‌گیرد. هدف از انجام این پروژه، استفاده از روش انبوهش‌زدائی و یکنواخت‌سازی واحدهای نقشه خاک از طریق بازچینی توسط درختان طبقه‌بندی (دسمارت ) برای انبوهش‌زدایی واحدهای نقشه نیمه‌تفصیلی خاک است.
مواد و روش‌ها: ناحیه مورد مطالعه با وسعتی حدود 14083.9 هکتار در استان کرمانشاه قرار دارد. نقشه‌ی خاک منطقه از 5 واحد نقشه تشکیل شده‌است و در کل واحدهای نقشه مرکب از 4 زیرگروه خاک می‌باشند. در این پژوهش، با استفاده از مدل‌های رقومی ارتفاع با قدرت تفکیک مکانی 10 متر، نقشه‌ی متغیرهای کمکی شامل ارتفاع، درصد شیب، جهت شیب، تحدب، تابش مستقیم، شاخص رسوب و شاخص همواری درّه با درجه تفکیک بالا، شاخص خیسی، عمق دره و فاصله عمودی تا شبکه آبراهه تهیه گردید. همچنین از تصاویر ماهواره‌ای لندستETM+7، برای تولید متغیر کمکی شاخص رس، شاخص اندازه ذرات و شاخص پوشش گیاهی نرمال شده استفاده شد. نقشه زمین شناسی با مقیاس 1:100000 نیز به عنوان متغیر کیفی ورودی به کار رفت. سپس مدل دسمارت برای انبوهش‌زدایی نقشه خاک منطقه مورد مطالعه اجرا شد. روش دسمارت از درون واحدهای نقشه به طور تصادفی نمونه‌برداری نموده و از درختان طبقه‌بندی الگوریتم C5.0 برای تولید نقشه‌های سطوح احتمال توزیع کلاس‌های منفرد خاک استفاده می‌کند. ارزیابی نقشه‌های سطوح احتمال با استفاده از داده‌های اعتبارسنجی شامل 82 نیمرخ خاک و معیارهای مستخرج از ماتریس درهمی شامل صحت تولیدکننده، صحت کاربر، صحت کلی و ضریب کاپا انجام شد. همچنین شاخص آسیمگی بین نقشه احتمال کلاس خاک مرتبه اول و دوم محاسبه گردید. شاخص آسیمگی بیان مختصری از درجه آسیمگی کلاس‌های خاک است.
یافته‌ها: فاصله عمودی تا شبکه آبراهه، ارتفاع، لیتولوژی، شاخص اندازه ذرات و شاخص همواری درّه با درجه تفکیک بالا از مهم‌ترین متغیرهای پیش‌بینی کننده مدل درختان طبقه‌بندی بودند. شاخص آسیمگی نزدیک به یک، که گسترش فراوانی در ناحیه مورد مطالعه دارد احتمال وقوع یکسان زیرگروه‌های خاک در هر موقعیت مکانی در هر دو نقشه احتمال کلاس خاک مرتبه اول و دوم را نشان می‌دهد. اعتبارسنجی نقشه‌های سطوح احتمال نشان می‌دهد که صحت کلی احتمال کلاس خاک مرتبه اول (44 درصد)، احتمال کلاس خاک مرتبه دوم (28 درصد) و احتمال کلاس خاک مرتبه سوم (11 درصد) می‌باشد. این نتایج بیانگر کارایی نسبتاً خوب این روش برای تولید نقشه رقومی کلاس‌های منفرد خاک است. اما ضرایب کاپا برای نقشه‌های سطوح احتمال خاک مرتبه اول، دوم و سوم به ترتیب 0.04، 0.02 و 0.08- به دست آمد. پایین بودن ضرایب کاپا را می‌توان ناشی از ماهیت واقعی داده‌ها یعنی غالب بودن زیرگروه تیپیک کلسی زرپتز در نقشه سنتی خاک، نقشه پیش‌بینی مدل دسمارت و داده‌های اعتبارسنجی دانست.
نتیجه‌گیری: روش دسمارت قادر است احتمال وقوع تمام کلاس‌های خاک ناحیه مورد مطالعه که توزیع آن‌‌ها در واحدهای نقشه نامشخص است را پیش‌بینی نماید و فرصتی برای تولید نقشه‌های رقومی کلاس خاک هنگامی که داده‌های میراثی خاک و متغیرهای کمکی در دسترس هستند فراهم می‌کند. چنین خروجی‌هایی می‌تواند به فهم روابط سیمای اراضی و خاک کمک کند.

کلیدواژه‌ها

عنوان مقاله [English]

Spatial disaggregation semi-detailed soil map using DSMART approach

نویسندگان [English]

  • shahrokh fatehi 1
  • Kamran Eftekhari 2
  • Jalal Ghaderi 3

1 Research Assistant Professor, Soil and Water Research Department, Kermanshah Agricultural and Natural Resources Research and Education Center, AREEO, Kermanshah, Iran.

2 Research Assistant Professor, Soil and Water Research Institute, Agriculture Research, Education and Extension Organization (AREEO), karaj, Iran.

3 Staff Member, Soil and Water Research Department, Kermanshah Agricultural and Natural Resources Research and Education Center, AREEO, Kermanshah, Iran.

چکیده [English]

Background and objectives: Digital soil data with high spatial resolution and enough accuracy and precision are necessary for management of global challenges such as food security, environment problems. Generally, soil data are available in small scale. Nevertheless, in the last decades, with the advent of soil digital mapping and modeling approaches, it is possible to disaggregate soil map units. The spatial disaggregation of soil map units is a method for modeling the spatial distribution of individual soil classes. During this process, the soil map data from a small scale (coarse resolution) is converted to a large scale (fine resolution). The statistical and data mining methods are used to implement it. The purpose of this research was to predict the spatial distribution of soil classes by disaggregating the soil map units of a semi detailed soil map using disaggregating and harmonizing soil map units through resampled classification trees algorithm (DSMART method).
Materials and methods: The study area is located in Kermanshah province. The total area of the study was approximately 14083.9 ha. Soil polygon map include 5 map units and 4 soil subgroups. In this study, elevation, slope, aspect, convexity, direct duration, sediment index, topographic wetness index, valley depth and Vertical distance to channel network as covariates produced using DEM 10 m. Grain size index, clay index and NDVI were also calculated using Landsat 7 ETM+ imagery. Geological map at scale of 1:100,000 were also used as a qualitative covariate. Then dsmart method is run as a novel approach for disaggregation soil maps. In this method, disaggregated soil classes are represented by raster probability surfaces. DSMART samples randomly within the soil map units and uses classification trees (C5.0 algorithm) to produce probability surface maps of soil class distribution. External validation was performed using 82 profiles. The validation dataset was intersected with the corresponding probability surface maps and validation quantified by overall accuracy, producer’s accuracy, user’s accuracy and kappa coefficients. Furthermore, confusion index calculated between the most probable and second-most-probable soil class. The CI expresses concisely degree of confusion about soil class given.
Results: The most important predictive variables in the tree classification model were Vertical distance to channel network, Elevation, lithology, grain size index and MRVBF. The confusion index close to 1 has a large extent in the study area. It shows that occurrence probability of soil subgroups is near equal in each location in both the most probable soil class and second probable soil class maps. Validation of probability surfaces showed that overall accuracy the most probable soil class, second probable soil class and third probable soil class are 44%, 28% and 11%, respectively. These results indicated the relatively good performance of dsmart method for generating digital individual soil class map. However, kappa coefficients for first, second and third probable surfaces soil maps were obtained 0.04, 0.02, -0.08, respectively. Low kappa coefficients can be attributed to the true nature of the data, i.e the dominance of the Typic Calcixerepts subgroup as compared to other subgroups of the soil in the traditional soil map and the dsmart model prediction map and validation data.
Conclusion: Dsmart method is able to predict the occurrence probability of all soil classes which its distribution is unclear in soil map unit. This provides the opportunity to produced digital soil class maps when legacy soil data and covariate information becomes available. Such outputs may help us to recognize better soil- landscape relationship.

کلیدواژه‌ها [English]

  • spatial disaggregation
  • Digital soil mapping
  • soil class
  • map unit
- 1.Banaei, M.H., Momeni, A., Baybordi, M., and Malakouti, M.J. 2005. The soils of Iran (new
achievements in perception, managements and use). Soil and Water Research Institute,
AREO, Tehran, Iran, 482p. (In Persian)
2.Bui, E.N., and Moran, C.J. 2001. Disaggregation of polygons of surficial geology and soil
maps using spatial modelling and legacy data. Geoderma. 103: 2. 79-94.
3.Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A., and Edwards, T.C. 2015.
Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma.
240: 68-83.
4.Brus, D.J., Kempen, B., and Heuvelink, G.B.M. 2011. Sampling for validation of digital soil
maps. Europ. J. Soil Sci. 62: 394-407.
5.Burrough, P.A., van Gaans, P.F.M., and Hootsmans, R. 1997. Continuous classification in soil
survey: spatial correlation, confusion and boundaries. Geoderma. 77: 115-135.
6.Chaney, N., Hempel, J.W., Odgers, N.P., McBratney, A.B., and Wood, E.F. 2014. Spatial
disaggregation and harmonization of gSSURGO. In: ASA, CSSA and SSSA international
annual meeting, LongbBeach. ASA, CSSA and SSSA.
7.Collard, C., Kempen, B., Heuvelink, G.B.M., Saby, N.P.A., Richer de Forges, A.C.,
Lehmann, S., Nehlig, P., and Arrouays, D. 2014. Refining a reconnaissance soil map by
calibrating regression models with data from the same map (Normandy, France). Geoderma
Regional. 1: 21-30.
8.Dobos, E., Bialkó, T., Micheli, E., and Kobza, J. 2010. Legacy Soil Data Harmonization and
Database Development. P 309-324, J.L. Boettinger et al. (eds.), Digital Soil Mapping,
Progress in Soil Science 2, Springer.
9.Grinand, C., Arrouays, D., Laroche, B., and Martin, M.P. 2008. Extrapolating regional soil
landscapes from an existing soil map: Sampling intensity validation procedures and
integration of spatial context. Geoderma. 143: 180-190.
10.Fatehi, Sh. 2008. Semi-detailed soil survey of Merek plain in Karkheh river basin. Soil and
Water Research Institute, 54p. (In Persian)
11.Fatehi, Sh., Mohammadi, J., Salehi, M.H., Toomanian, N., Momeni, A., and Jafari, A. 2015.
Spatial disaggregating conventional soil map using multiple logistic regression and
classification tree, (Case study: Merek sub catchment in Kermanshah province). 14th Iranian
soil science congress, September 28-30, Rafsanjan, Iran, Pp: 208-213. (In Persian)
12.Häring, T., Dietz, E., Osenstetter, S., Koschitzki, T., and Schroder, B. 2012. Spatial
disaggregation of complex soil map units: A decision-tree based approach in Bavarian forest
soils. Geoderma. 37: 185-186.
13.Holmes, K.W., Griffin, E.A., and Odgers, N.P. 2015. Large-area spatial disaggregation
of a mosaic of conventional soil maps: evaluation over Western Australia. Soil Research.
53: 865-880.
14.Lagacherie, P., Legros, J.P., and Burrough, P. 1995. A soil survey procedure using the
knowledge of soil pattern established on a previously mapped reference area. Geoderma.
65: 4. 283-301.
15.McBratney, A.B. 1998. Some considerations on methods for spatially aggregating and
disaggregating soil information. Nutr. Cycl. Agroecosyst. 50: 3. 51-62.
16.McBratney, A.B., Field, D.J., and Koch, A. 2014. The dimensions of soil security.
Geoderma. 13: 203-213.
17.Malone, B.P., Minasny, B., and McBratney, A.B. 2017. Using R for Digital Soil Mapping.
Springer, the Netherlands, Pp: 221-230.
18.Nauman, T.W., and Thompson, J.A. 2014. Semi-automated disaggregation of conventional soil
maps usingknowledge driven data mining and classification tree. Geoderma. 213: 385-399.
19.Odgers, N.P., Sun, W., McBratney, A.B., Minasny, B., and Clifford, D. 2014.
Disaggregating and harmonizing soil map units through resampled classification trees.
Geoderma. 215: 91-100.
20.Rouse, J.W., Hass, R.H.J., Schell, A., and Deering, D.W. 1973. Monitoring vegetation
systems in the Great Plains with ERTS. Third ERTS Symposium, NASA SP-351, Vol. 1,
Washington, DC. Pp: 309-317.
21.Quinlan, J.R. 1994. C4.5: Programs for machine learning. Machine Learning. 16: 235-240.
22.Subburayalu, S., Jenhan, I., and Slater, B.K. 2014. Disaggregation of component soil series using
possibilistic decision trees from an Ohio County soil survey map. Geoderma. 213: 334-345.
23.Soil Survey Staff. 1993. Soil survey manual. U. S. Department of Agriculture Handbook.
United States Department of Agriculture Soil Conservation Service.
24.Thompson, J.A., Prescott, T., Moore, A.C., Bell, J., Kautz, D.R., Hempel, J.W., Walt man,
S.W., and Perry, C. 2010. Regional approach to soil property mapping using legacy data and
spatial disaggregation. Techniques. In: 19th world congress of soil science. IUSS, Brisbane.
25.Van Deventer, A.P., Ward, A.D., Gowda, P.H., and Lyon, J.G. 1997. Using Thematic
Mapper Data to Identify Contrasting Soil Plains and Tillage Practices. Photogrammetric
Engineering & Remote Sensing. 63: 87-93.
26.Vincent, S., Lemercier, B., Berthier, L., and Walter, C. 2018. Spatial disaggregation of
complex Soil Map Units at the regional scale based on soil-landscape relationships.
Geoderma. 311: 130-142.
27.Wei, S., McBratney, A., Hempel, J., Minasny, B., Malone, B., D’Avello, T., Burras, L., and
Thompson, J. 2010. Digital harmonisation of adjacent analogue soil survey areas-4 Iowa
counties. 19th World Congress of Soil Science: Soil solutions for a changing world 2010,
Wien (Vienna), Austria: International Union of Soil Sciences (IUSS).
28.Xiao, J., Shen, Y., Tateishi, R., and Bayaer, W. 2006. Development of topsoil grain size
index for monitoring desertification in arid land using remote sensing. Inter. J. Rem. Sens.
27: 2411-2422.