خلاصه
رسوب گذاری مشکلی برای همه مخازن موجود در بلک هیلز داکوتای جنوبی است. قبل از کار بر روی حذف رسوب، بررسی میزان و توزیع رسوب مورد نیاز است. از دو دریاچه نمونه برای تعیین اینکه کدام یک از سه روش درونیابی دقیق ترین نتایج حجمی را ارائه می دهد، استفاده شد. یک هدف ثانویه این بود که ببینیم آیا میتوان نمونههای کمتری برداشت و در عین حال نتایج مشابهی را ارائه داد. نمونه های کوچکتر به معنای زمان کمتر در میدان و در نتیجه هزینه کمتر است. نمونههای فرعی 50%، 33% و 25% از کل نمونهها گرفته شد و برای کمترین مقادیر ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. در طول کارآزماییها، اندازههای نمونه بزرگتر عموماً دقت بهتری نسبت به نمونههای کوچکتر نشان دادند. نمودار تخمین حجم رسوب نمونه کامل، 50% 33٪ و 25٪ بهبود کمی پس از یک نمونه 40٪ تا 50٪ هنگام مقایسه مجانبی از نمونه های جداگانه نشان دادند. وقتی از نمونههای فرعی کوچکتر استفاده کردیم، حجم رسوب پیشبینیشده معمولاً بیشتر از حجم نمونه کامل بود. پیشنهاد میشود که هنگام برنامهریزی بررسیهای رسوبات آینده، کارگران برای جمعآوری دادهها تقریباً در هر ۵.۲۱ متر برنامهریزی کنند. این اندازه های نمونه را می توان به نصف کاهش داد و در صورت نیاز به صرفه جویی در زمان، دقت نسبی را حفظ کرد. تخمین حجم ممکن است با کاهش اندازه نمونه ها کمی آسیب ببیند، اما صرفه جویی در کار میدانی می تواند مفید باشد. نتایج حاصل از این بررسیها در اولویتبندی اعتبارات موجود برای تلاشهای احیا استفاده میشود. وقتی از نمونههای فرعی کوچکتر استفاده کردیم، حجم رسوب پیشبینیشده معمولاً بیشتر از حجم نمونه کامل بود. پیشنهاد میشود که هنگام برنامهریزی بررسیهای رسوبات آینده، کارگران برای جمعآوری دادهها تقریباً در هر ۵.۲۱ متر برنامهریزی کنند. این اندازه های نمونه را می توان به نصف کاهش داد و در صورت نیاز به صرفه جویی در زمان، دقت نسبی را حفظ کرد. تخمین حجم ممکن است با کاهش اندازه نمونه ها کمی آسیب ببیند، اما صرفه جویی در کار میدانی می تواند مفید باشد. نتایج حاصل از این بررسیها در اولویتبندی اعتبارات موجود برای تلاشهای احیا استفاده میشود. وقتی از نمونههای فرعی کوچکتر استفاده کردیم، حجم رسوب پیشبینیشده معمولاً بیشتر از حجم نمونه کامل بود. پیشنهاد میشود که هنگام برنامهریزی بررسیهای رسوبات آینده، کارگران برای جمعآوری دادهها تقریباً در هر ۵.۲۱ متر برنامهریزی کنند. این اندازه های نمونه را می توان به نصف کاهش داد و در صورت نیاز به صرفه جویی در زمان، دقت نسبی را حفظ کرد. تخمین حجم ممکن است با کاهش اندازه نمونه ها کمی آسیب ببیند، اما صرفه جویی در کار میدانی می تواند مفید باشد. نتایج حاصل از این بررسیها در اولویتبندی اعتبارات موجود برای تلاشهای احیا استفاده میشود. تخمین حجم ممکن است با کاهش اندازه نمونه ها کمی آسیب ببیند، اما صرفه جویی در کار میدانی می تواند مفید باشد. نتایج حاصل از این بررسیها در اولویتبندی اعتبارات موجود برای تلاشهای احیا استفاده میشود. تخمین حجم ممکن است با کاهش اندازه نمونه ها کمی آسیب ببیند، اما صرفه جویی در کار میدانی می تواند مفید باشد. نتایج حاصل از این بررسیها در اولویتبندی اعتبارات موجود برای تلاشهای احیا استفاده میشود.
کلید واژه ها:
رسوب ; تپه های سیاه ؛ درون یابی ; ارزیابی
چکیده گرافیکی
1. معرفی
درون یابی داده ها بین نقاط نمونه برداری هم قدرتمند و هم صرفه جویی در زمان است. این امکان تخمین مقادیر بین مقادیر شناخته شده را فراهم می کند، در عین حال باعث صرفه جویی در هزینه می شود زیرا کارگران نیازی به جمع آوری داده های اضافی از بسیاری از سایت های اضافی یا گشت و گذارهای میدانی مکرر ندارند. با این حال، سوالات دقت در مورد مقادیر درون یابی شده پس از استفاده از الگوریتم مطرح می شود [ 1 ، 2 ، 3 ]. ارزیابی تکنیکهای درونیابی در رشتههای محیطی مانند بارندگی [ 4 ، 5 ]، سرعت باد [ 6 ]، دمای هوا [ 6 ] و مطالعات تبخیر و تعرق [ 1 ] تعیین شده است.] و دیگران. با این حال، ارزیابی های درون یابی شامل داده های رسوب به ندرت مورد مطالعه قرار می گیرد و هرگز مطالعه ای مانند این در بلک هیلز داکوتای جنوبی رخ نداده است. تجزیه و تحلیل روشهای مختلف درونیابی، بررسی حجم نمونه و تأیید این یافتهها با سناریوهای واقعی اطلاعات ارزشمندی را برای حذف رسوب در تلاشهای احیا ارائه میدهد.
استفاده از دادههای رسوب ارزشمند است زیرا امکان بررسی اولیه رسوب رسوب، چگونگی وجود فضایی آن در یک مخزن را فراهم میکند و زمینه را برای تکرار اقدامات در هنگام بررسی تغییرات زمانی فراهم میکند [ 7 ]]. تعیین میزان رسوب در یک مخزن از نظر طول عمر مخازن و تعیین اینکه آیا اقدامات مدیریت زمین می تواند این دوره را طولانی کند یا خیر، مهم است. شواهد زیاد برای برنامه ریزی مناسب حوضه آبخیز می تواند به طول عمر هر مخزن معین و تمایل آن به پر شدن با رسوب کمک کند یا افزایش دهد. رسوب رسوب در یک مخزن از طریق فرآیندهای مدل سازی پیش بینی شده است، اما در طبیعت از نظر نوسانات طبیعی جریان ورودی، سطح آب، غلظت رسوب و شرایط آب و هوایی تصادفی باقی می ماند [ 8 ، 9 ، 10 ].
تپه های سیاه یک منطقه گنبدی بیضوی در جنوب غربی داکوتای جنوبی و شمال شرقی وایومینگ است که سنگ آهک از نظر اهمیت هیدرولوژیکی برجسته است [ 11 ]. منابع آب دائمی در بخش های شکسته سازندهای آهکی رخ می دهد زیرا سفره های زیرسطحی سطح زمین را به عنوان چشمه های آب سرد قطع می کنند [ 12 ]. تپههای سیاه از این جهت منحصربهفرد هستند که نهرهای کمی از منطقه خارج میشوند و در ابتدا تنها حوضچههای کوچکی از آب وجود داشت که عمدتاً از فعالیت بیشتر ( Castor canadensis ) سرچشمه میگرفت [ 13 ].]. بیشتر نهرها زودگذر هستند، آبهای برکهای در دسترس تقریباً وجود ندارند و فناوری استخراج آب از سفرههای زیرزمینی در طی استقرار اولیه توسعه نیافته است. تلاشهای ساکنان اولیه برای ایجاد یک منبع آب ثابت با ساخت سدهای مصنوعی برای جذب رواناب سطحی رخ داد و توسط سپاه حفاظت غیرنظامی (CCC) و خدمات جنگلداری ایالات متحده (USFS) افزایش یافت. امروزه، این آبهای کوچک (0.8 هکتار تا 12.1 هکتار) نزدیک به 80 سال قدمت دارند و طبق استانداردهای لیمنولوژی به سطح “بلوغ” رسیده اند [ 14 ، 15 ].
پیری این آب ها، از جمله هجوم رسوب به طور طبیعی در طول زمان اتفاق می افتد، اما می تواند توسط تأثیرات بالادستی مانند چرای بیش از حد دام ها و شیوه های جاده سازی تسریع شود [ 8 ، 16 ، 17 ]. کاربران امروزی مستقیماً تحت تأثیر تجمع رسوب و چگونگی تأثیر آن بر تفریح آنها هستند. بسیاری از این مخازن کوچک اثرات افزایش رسوب را نشان می دهند، مانند کم عمق شدن دریاچه و متعاقب آن نفوذ گربه ( Typha sp.). اندازهگیریهای نویسنده در یکی از مخازن محلی، عمق رسوب را نزدیک به سه متر نشان داد. این افزایش رسوبات از طرق مختلف بر مدیریت شیلات تأثیر می گذارد.
این تأثیرات بر نحوه دسترسی ماهیگیران به آب و بقای ماهی قزل آلا پس از ورود به سیستم تأثیر می گذارد. ایالت داکوتای جنوبی سالانه بسیاری از این سدهای کوچک را به عنوان ماهیگیری از طریق جوراب های قزل آلای رنگین کمان ( Oncorhynchus mykiss ) مدیریت می کند. یافتههای اخیر در دو آب، مشابه آبهای این مطالعه، استفاده تخمینی از ماهیگیری تفریحی را بیش از 5239 ساعت تنها در یک تابستان نشان داد [ 18 ]]. در دسترس نگه داشتن این ماهیگیری برای ماهیگیر ممکن است نیاز به تعمیر و نگهداری داشته باشد، مانند حذف رسوب زمانی که مانع دسترسی ماهیگیری شود. وجود ماهی های سردآبی مانند قزل آلای رنگین کمان نیز می تواند به دلیل آب های کم عمق و اثرات نور خورشید که باعث افزایش دما می شود که ممکن است بقای ماهی را بیشتر کاهش دهد، مختل شود. با این حال، حذف رسوبات در پروژه های گذشته پرهزینه بوده است و عوامل ناشناخته زیادی در فرآیند مناقصه بوجود می آیند.
جمع آوری داده های میدانی و ترکیب درونیابی GIS امکان تخمین حجم رسوب در یک آب را فراهم می کند. با ارائه دادههای مورد نیاز برای برآورد هزینه، سازمانهای دولتی و شرکتهای خصوصی میتوانند هزینهها را پیشبینی کنند، در حالی که با کاهش تغییرات قراردادهای لحظه آخری، در زمان و هزینه صرفهجویی میکنند. علاوه بر این، تصمیم گیرندگان عمومی همچنین می توانند از این تخمین ها برای کمک به تعیین رتبه این هزینه ها در رابطه با سایر پروژه ها و مناطق مناسب برای ذخایر غنی استفاده کنند.
در این تحقیق سه هدف وجود دارد. ابتدا تعیین بهترین روش از سه روش درونیابی برای نمایش دادههای رسوب بلک هیلز بر اساس دقت نقاط درونیابی پیشبینیشده به مقادیر دادههای واقعی بود. رویکردهای مختلفی برای تعیین حجم تخمینی رسوب وجود دارد [ 19 ، 20]. رگرسیون فضایی یکی از تکنیکهایی است که میتواند سطوح آماری را تولید کند و تخمینی برای رسوب کل تعیین کند. استفاده از رگرسیون فضایی زمانی جذاب است که فرد به متغیرهای متعدد نگاه میکند، زیرا میتوان آنها را همزمان با هم اندازهگیری کرد، رتبهبندی بر اساس اهمیت و ارزیابی اثرات. در این مطالعه، ما متغیرهای مختلف و فعل و انفعالات احتمالی مربوط به رسوب گذاری را بررسی نکردیم. الگوریتمهای مختلف مورد استفاده برای استخراج درونیابی فضایی، سطوح منحصربهفردی را از مجموعه دادههای نقطهای یکسان تولید میکنند. حتی تغییر پارامترها در یک الگوریتم خاص، سطح متفاوتی را ایجاد می کند. در حال حاضر، هیچ روش پذیرفتهشدهای برای تعیین اینکه کدام الگوریتمها دقیقترین سطوح را تحت مجموعهای از شرایط ایجاد میکنند، وجود ندارد. بنابراین، ارزیابی سطوح از نظر دقت مهم است. ثانیاً برای بررسی تفاوتها در اندازه نمونه در تلاش برای تعیین اینکه آیا کاهش تلاشها نتایج رضایتبخشی را برای اندازههای نمونه بزرگتر ایجاد میکند یا خیر. این آخرین تلاش برای تصمیم گیری در مورد اینکه آیا کاهش کار میدانی نتایج قابل قبولی ایجاد می کند و امکان کاهش هزینه های پروژه را با ارزیابی بیشتر اثرات اندازه نمونه در یک روش نموداری برای تعیین بهبود تخمین ها با افزایش نمونه ها ایجاد می کند، آغاز شد.
2. مواد و روشها
اندازهگیریهای رسوب و عمق آب در طول زمستان که شرایط یخ برای کارگران ایمن بود جمعآوری شد. دادهها به صورت شبکهای مانند با در نظر گرفتن نقاط، حفرهها و ورودیها با مکانهای نمونه که با انجام ۲۵ مرحله عادی اندازهگیری شد، جمعآوری شد. فاصله بین نقاط نمونه به طور متوسط 21/5 متر بود و همین فاصله بین ترانسکت ها نیز مورد استفاده قرار گرفت. سوراخ ها از طریق یخ با گیره های یخ گازی حفر شدند، عمق آب و رسوب با میله های صدا اندازه گیری شد که نوارهای اندازه گیری شده به آن وصل شده بودند. عمق آب از بالای یخ تا بالای رسوب اندازه گیری شد. هنگامی که میله با نیروی قابل توجهی فشار داده شد، عمق رسوب از بالای رسوب به پایین اندازه گیری شد. نیروی رو به پایین میله اندازه گیری نشد، اما یک نفر این مرحله را برای استاندارد کردن تلاش انجام داد.
داده های میدانی (عمق رسوب، عمق آب و مکان GPS) همه با هم ترکیب شدند و با هم مؤلفه فضایی این مطالعه را فراهم کردند. اعماق اندازهگیریشده، مقدار «معلوم» در نظر گرفته شد و برای درونیابی برای روشهای مختلف استفاده شد. نقاط GPS به عنوان مکان ثابت برای مقایسه متغیر استفاده شد. اینها برای همه نقاط برای بهترین دقت درونیابی کلی انجام شد.
برای تعیین بهترین دقت سه روش درون یابی رایج، داده ها را از طریق ArcMap با استفاده از وزن معکوس فاصله (IDW)، اسپلاین و کریجینگ معمولی اجرا کردیم. دو تا از این روشهای درونیابی، IDW و spline، بهعنوان «درونیابیهای غیر زمینآماری» طبقهبندی شدهاند که کریجینگ معمولی دقیقاً از طریق روشهای زمینآماری عمل میکند [ 21 ].]. درونیابی با IDW بر اساس تخمین های ارزشی است که از ترکیب خطی مقادیر در نقاط نمونه برداری شده تعیین می شود و سپس با فاصله از نقطه مورد نظر تا نقاط نمونه گیری وزن می شود. یک فرض اصلی برای IDW این است که هر چه سطح از مقدار شناخته شده دورتر باشد، شباهت آن کمتر می شود. نقاط نزدیک تأثیر بیشتری بر یک نقطه خاص نسبت به مقادیر دورتر خواهند داشت. در طول درونیابی IDW، وزنی که روی مقدار قرار میگیرد نسبت معکوس با فاصله مکانی آن از محل هدف است. Spline از طریق چند جملهای محلی انجام میشود که بخشهای خط کوچکی را توصیف میکنند که به گونهای برازش میشوند که یک منحنی صاف را تشکیل دهند. منحنی صاف تولید شده از درون یابی اسپلاین از طریق مجموعه نقاط شناخته شده برای تخمین مقادیر مجهول مجبور می شود. کریجینگ به عنوان یک درون یاب زمین آماری طبقه بندی شده است که در آن تخمین باقیمانده ها از میانگین تعیین می شود. تعداد نقاط نمونه برداری مورد استفاده در تخمین میانگین از طریق نیمه واریوگرام تعیین می شود. در این تحقیق از روشهای کریجینگ معمولی استفاده شد. در طول فرآیند کریجینگ، مراحل مختلفی باید رعایت شود که شامل ترسیم واریوگرام آزمایشی، انتخاب مدل هایی که بهترین شکل را دارند و ترسیم مدل در برابر واریوگرام [.21 ]. Semivariograms مورد استفاده در این مطالعه ارائه شده است ( شکل 1 ). شکلهای فرعی نشاندهنده نیمهواریانسهای تأخیر بین نقاط نمونه و منحنی صاف نصب شده است که به بهترین شکل ویژگیهای عمق رسوب را در حالی که نوسانات نقطه به نقطه را نادیده میگیرد، توصیف میکند. این تجزیه و تحلیل پیش زمینه ای برای بهترین روش درونیابی برای داده های رسوب در بلک هیلز و اینکه آیا هر یک از آنها در مراحل بعدی مطالعه ترجیح داده می شود، فراهم کرد.
برای هدف دوم، دادهها بهطور تصادفی در سه تکرار در سطوح 50، 33 و 25 درصد از کل مجموعه دادهها نمونهبرداری شدند. هر یک از نقاط انتخاب شده در ArcMap به عنوان مقدار دقیق درونیابی شده با ابزار شناسایی شناسایی شدند و این مقادیر با مقدار رسوب که در ابتدا در میدان اندازه گیری شد مقایسه شدند. دقت با استفاده از ریشه میانگین مربعات خطا (RMSE) برای هر روش درونیابی و برای هر تکرار تعیین شد. ضرایب همبستگی ( r2 ) به عنوان معیارهای عملکرد مدل گمراه کننده [ 1، 5 ] ذکر شده است. RMSE برای تعیین تفاوتهای باقیمانده با مقدار پایینتر که دقت بیشتری را نشان میدهد استفاده شد [ 20 ]. RMSE با استفاده از فرمول ارائه شده توسط Li و Heap محاسبه شد [21 ]. ما توانستیم یک RMSE را برای نمونه کامل تعیین کنیم زیرا این داده ها پس از درونیابی تعیین می شوند و با داده های “شناخته” از اندازه گیری های میدانی مقایسه می شوند.
شکل 1. Semivariograms برای کل نمونه ( A و E )، 50٪ نمونه فرعی ( B و F )، 33٪ نمونه فرعی ( C و G ) و 25٪ نمونه فرعی ( D و H ) داده های رسوب از دریاچه دالتون و دریاچه بزرگ، جنوب. داکوتا ضربدرها معیارهای میانگین مقادیر تجربی ابر نیمه متغیریگرام هستند.
تخمین حجم در ArcMap با استفاده از ابزار “Cut/Fill” تعیین شد. این تخمین ها از درون یابی IDW مورد استفاده در هدف یک و در هر یک از نمونه های فرعی کوچکتر IDW مورد استفاده در هدف دو تعیین شد. برای تعیین حجم کل، دو مجموعه از محاسبات مورد نیاز بود. در ابتدا، میدانی که در آن فقط بالای رسوب اندازه گیری شد به مجموعه داده اضافه شد. این داده ها بعداً برای توسعه حجم آب در دریاچه مورد استفاده قرار گرفت. در مرحله دوم، میدانی محاسبه شد که در آن عمق کل رسوب و عمق آب تخمینی از حجم کل دریاچه را ارائه میدهد. از یک روش نموداری ساده، مقایسه هر زیرنمونه و تخمینها با حجم کلی رسوب به منظور تعیین اندازه نمونه مورد نیاز تعیین شد. ما در ابتدا تصمیم گرفتیم از IDW استفاده کنیم،19 ].
از این مطالعه، توصیه ای برای دقیق ترین روش درونیابی برای بررسی رسوب در تپه سیاه ارائه شد. این مطالعه تعیین کرد که آیا مقادیر کمتری از دادهها، برابر با هزینههای کمتر، میتواند در حین به دست آوردن دقت نسبی یکسان رخ دهد یا خیر. علاوه بر این، نتایج این کار زمینه ای را برای پژوهشگران برای کار آینده فراهم می کند و در عین حال راهنمایی هایی را برای هزینه های مرتبط با کار میدانی ارائه می دهد. اینها موضوعاتی هستند که در ادبیات ثبت نشده اند و برای مطالعات رسوب در آینده مهم هستند.
دو دریاچه مورد استفاده در این مطالعه در محدوده جنگل ملی بلک هیلز (BHNF) با مدیریت زمین توسط USFS ( شکل 2 ) قرار دارند. دریاچه دالتون (1.2 هکتار) و دریاچه بزرگ (1.2 هکتار) برای تجزیه و تحلیل دقت درونیابی انتخاب شدند.
شکل 2. نقشه منطقه نمونه در بلک هیلز داکوتای جنوبی. مثلث مکانی در حوضه الک کریک است که دریاچه دالتون در آن قرار دارد. دایره مکانی است که دریاچه اصلی در حوضه آبخیز اسپرینگ کریک قرار دارد.
اگرچه اندازه هر دریاچه یکسان است، تعداد کل نقاط نمونه به دلیل شکل دریاچه ها کمی متفاوت بود. حوزه آبخیز این دریاچهها بهشدت پوشیده از کاج پوندروسا ( Pinus ponderosa ) همراه با تودههای صنوبر تپههای سیاه ( Picea glauca )، آسپن ( Populus tremuloides ) و بلوط ( Quercus macrocarpa ) است.). هر دریاچه در حوزه های آبخیز مربوط به خود تأثیراتی دارد که بر میزان رسوب ورودی به نواحی ورودی و سایر قسمت های دریاچه تأثیر گذاشته است. وجود دریاچه ها در دو حوضه آبخیز مهم بود به طوری که هیچ رویدادی، مانند رواناب پس از آتش سوزی جنگل، تأثیر بالقوه اصلی رسوب در آب های نمونه برداری شده نباشد. دریاچه دالتون طبیعتی روستاییتر دارد و اثرات پیشبینیشده عمدتاً از راهسازی و شیوههای جنگلداری در جایی که دریاچه اصلی شهری است، در واقع در شهر هیل سیتی، SD ساکن است، و اثرات آشکاری از جادهسازی، رواناب چمنزار و کشاورزی سرگرمی در حوضه آن دارد. .
3. نتایج و بحث
در مجموع 73 نقطه نمونه در دریاچه دالتون گرفته شد. میانگین عمق کلی درونیابی شده با هر یک از سه روش آزمایش شده در این مطالعه با یکدیگر تفاوتی نداشت (ANOVA یک طرفه (F(2213) = 0.07، p = 0.932) ( شکل 3 ). فواصل اطمینان با Spline بیشترین تغییر را داشتند، سپس IDW و در نهایت کریجینگ. در دریاچه بزرگ، در مجموع 81 نمونه در نقاط منفرد در سراسر دریاچه برداشته شد. ) = 0.13، ص= 0.878). واریانس در فواصل اطمینان از دریاچه بزرگ شبیه به کسانی که از دریاچه دالتون بود. Spline دارای بیشترین درجه پراکندگی، IDW متوسط و کریجینگ کمترین فواصل اطمینان را از روشهای آزمایش شده داشتند.
شکل 3. میانگین عمق رسوب تمام داده های درون یابی شده از دو دریاچه بلک هیلز. نوارهای خطا 95% فواصل اطمینان هستند.
همانطور که انتظار می رود، مقادیر بیشتری از رسوبات در نزدیکی ورودی ها نسبت به مناطق دورتر قرار دارند ( شکل 4 ). Matyas و Rothenburg نحوه توزیع رسوبات در مخازن را توضیح دادند و مشاهدات از دو دریاچه مورد مطالعه ما روندهای مشابه را تأیید کردند [ 8 ]. ممکن است برخی اثرات اضافی و موضعی رسوب وجود داشته باشد، اما به نظر می رسد که بسیاری از رسوبات تحت تأثیر جنبه های درون هر حوضه باشد. ساخت جاده در امتداد کریدور جریان بالای دریاچه دالتون ممکن است بر بارگیری کلی رسوب در دریاچه تأثیر بگذارد. توده ای از رسوب از نزدیکی ورودی شروع می شود و تقریباً در تمام طول دریاچه به سمت سطح سد ادامه می یابد ( شکل 4).). این مشاهدات در هر سه روش درونیابی آزمایش شده در دریاچه دالتون مورد توجه قرار گرفت.
در دریاچه بزرگ، رسوب رسوب با دریاچه دالتون متفاوت است. جایی که به نظر می رسید رسوب دریاچه دالتون از ورودی های ورودی ایجاد می شود و به سمت سد پراکنده می شود، دریاچه اصلی دارای سطوح رسوب بالاتری در امتداد دو طرف طولانی ترین لبه خود بود ( شکل 5 ). رسوب رسوب ممکن است ناشی از کشتار اولیه خط ساحلی، از جریانات ناشناخته درون خود دریاچه یا اثرات شهری باشد. هیچ کدام از دریاچه ها دارای جریان سنج در بالای دریاچه نیستند، بنابراین پالس های جریان دقیقی که به هر یک از الگوهای رسوب منحصر به فرد کمک می کند ناشناخته است. ورودیهای اضافی رسوب که نشاندهنده هجوم اولیه از ناحیه ورودی و انتشار به سد بود، با هر سه روش درونیابی اندازهگیری و نمایش داده شد.
شکل 4. نقشه های رسوب دریاچه دالتون در تپه های سیاه داکوتای جنوبی با استفاده از درون یابی IDW برای نشان دادن میزان و توزیع رسوب در دریاچه. Inverse Distance Weighted با حرف زیر مجموعه ( A )، Spline با حرف زیرمجموعه ( B ) و کریجینگ با حرف زیرمجموعه ( C ) مشخص می شود.
شکل 5. نقشه های رسوبی دریاچه اصلی در تپه های سیاه داکوتای جنوبی با استفاده از درون یابی IDW برای نشان دادن وسعت و توزیع رسوب در دریاچه. Inverse Distance Weighted با حرف زیر مجموعه ( A )، Spline با حرف زیرمجموعه ( B ) و کریجینگ با حرف زیرمجموعه ( C ) مشخص می شود.
4. دقت روشهای درونیابی
برای تعیین بهترین دقت سه روش درونیابی، از ریشه میانگین مربعات خطا (RMSE) استفاده شد. یک مقدار RMSE بالا نشان میدهد که مقدار پیشبینیشده (از هر روش درونیابی) مقادیری تولید میکند که دورتر از خط میانگین یا رگرسیون هستند [ 20 ].
در هر دو نمونه دریاچه مورد مطالعه، روش درون یابی اسپلاین کمترین RMSE را از عمق مشاهده شده تا اعماق پیش بینی شده ایجاد کرد ( جدول 1 ). درون یابی Spline تاکید بیشتری بر ویژگی های مقیاس کوچک دارد و از توابع تکه ای از چند نقطه در یک زمان برای ارائه سطوحی استفاده می کند که می توانند پیش بینی هایی را نشان دهند که نزدیک به مقادیر اصلی هستند [ 22 ، 23 ]]. خطاهای درون یابی اسپلاین می تواند در این فرآیند وجود داشته باشد زیرا اسپلاین لبه های تیز را که ممکن است با داده های نقطه ای یافت می شود صاف می کند. در این مطالعه، اندازهگیریهای رسوب بهعنوان دادههای نقطهای جمعآوری شد و تابع هموارسازی طبیعی درونیابی اسپلاین بر اساس این مکانها بیشترین دقت را ارائه کرد. اسپلاین در این دو دریاچه نمونه از عملکرد هموارسازی رنج نمی برد و از روش درون یابی IDW و کریجینگ دقت بیشتری داشت. درون یابی IDW بر این اصل کار می کند که پدیده های نزدیک به هم شبیه تر از چیزهای دورتر هستند [ 2 ]]. نویسندگان بر این باورند که این مورد در مورد رسوب است، زیرا اقدامات مانند یک صفحه به آرامی در حال حرکت است که از تأثیر کلی رویداد کاهش می یابد. در مورد رسوب در دریاچه، این رویداد می تواند یک تغییر شدید در طول یک رویداد سیل یا اثرات طولانی مدت باشد که به شدت بر ماهیت کلی توزیع پدیده تأثیر می گذارد. IDW که از نظر دقت فقط کمی پشت سر اسپلاین قرار دارد، به عنوان یک فرآیند درونیابی برای بررسی رسوبات در بلک هیلز قول می دهد.
کریجینگ نادقیق ترین روش از سه روش درونیابی آزمایش شده بود. در هر دو دریاچه نمونه، درون یابی کریجینگ بالاترین RMSE را داشت و در دریاچه اصلی که مقدار آن بیش از دو برابر روش درون یابی IDW و spline بود، بسیار بالا بود. هنگل بحث کرد که چگونه درونیابی کریجینگ دو فرض اصلی دارد: اینکه متغیر هدف ثابت است و اینکه به توزیع نرمال پایبند است [ 24 ]. در حالی که توزیع رسوب ممکن است در حین انجام اندازه گیری ها تغییر قابل توجهی نداشته باشد، ممکن است داده های رسوب به طور معمول توزیع نشده باشند. همانطور که قبلاً بحث شد، مقادیر رسوب در نواحی ورودی بسیار بیشتر از سایر مناطق دریاچه بود. استین و همکارانو ولتز و وبستر هر دو پیشنهاد کردند که تغییرات متمایز و شدید می تواند با روش های درون یابی مشکلاتی ایجاد کند [ 23 ، 25 ].
5. دقت نمونه های فرعی
به طور معمول، محققان فرض می کنند که داشتن داده های بیشتر، نتیجه درونیابی دقیق تری را ارائه می دهد. لی و هیپ پیشنهاد کردند که ممکن است یک “آستانه” وجود داشته باشد که بالاتر از آن افزایش حجم نمونه دقت تخمین را بهبود نمی بخشد [ 20 ، 21 ]. در این مطالعه، ما برای یافتن اینکه آیا در هنگام استفاده از دادههای رسوب در بلک هیلز، تعادلی بین تلاش انجام شده و دقت نتایج وجود دارد، فشار آوردیم.
جدول 1. ریشه میانگین مربعات خطای نمونه کامل، 50٪، 33٪ و 25٪ نمونه های فرعی در سه آزمایش داده های رسوب از دریاچه دالتون و دریاچه بزرگ.
برای تعیین اینکه آیا هنگام در نظر گرفتن حجم نمونه تفاوت وجود دارد یا خیر، نمونههای تصادفی سه تکراری (50%، 33% و 25%) از هر دریاچه گرفته شد. مقادیر RMSE از این بخش از مطالعه مقداری تنوع بین دریاچه ها را نشان داد ( جدول 1). در همه نمونهها به جز یکی از نمونههای تصادفی (دریاچه اصلی 50٪، آزمایش 1)، اسپلاین و IDW دقیقتر از کریجینگ بودند. مقادیر RMSE نشان داد که در بسیاری از موارد زیرنمونههای IDW دقیقتر از درونیابی اسپلاین هستند. این یک تناقض جزئی با دادههای کلی است که قبلاً تعیین کردیم که spline به طور کلی دقیقترین درونیابی با دادههای رسوب از این دو دریاچه است. حتی در مطالعه نمونه کامل، IDW در بسیاری از موارد نزدیک به اسپلاین بود. نمونه ای از این شباهت تقریباً با نمونه های فرعی از دریاچه های Major و Dalton رخ داد. در این دو مورد، مقدار RMSE برای 25٪ (با استفاده از درون یابی IDW) نسبتا مشابه با 50٪ بود.
روش درون یابی اسپلاین به تحلیلگران اجازه می دهد تا بین منحنی های صاف یا لبه های مستقیم محکم بین نقاط اندازه گیری شده تمایز قائل شوند. درون یابی Spline اغلب نتایجی را ایجاد می کند که از نظر بصری جذاب هستند. درون یابی Spline همچنین می تواند مقادیر حداقل و حداکثر متفاوتی نسبت به مجموعه داده واقعی داشته باشد. ممکن است درجه بالاتری از حساسیت نسبت به نقاط داده پرت منفرد وجود داشته باشد، و بنابراین spline معمولاً زمانی که واریانس کم در داده ها وجود دارد بهتر عمل می کند [ 26 ].
درونیابی Spline در دقت بین مجموعه دادههای زیر نمونه متوسط بود ( جدول 1 ). در دو کارآزمایی (دریاچه اصلی 50٪، آزمایش 1، دریاچه دالتون 25٪، آزمایش 1)، مقادیر RMSE از درونیابی IDW و کریجینگ فراتر رفت. اغلب spline از نظر دقت در هر نمونه فرعی بین IDW و کریجینگ متوسط بود. دریاچه دالتون و دریاچه بزرگ کمترین مقدار RMSE خود را با 33 درصد زیرنمونه اسپلاین داشتند.
کریجینگ سومین روش درونیابی مورد استفاده در این بخش از مطالعه بود. وبستر و اولیور خاطرنشان کردند که اندازه نمونه بیش از 50 برای کاهش رفتار نامنظم در هنگام استفاده از درون یابی کریجینگ مورد نیاز است [ 27 ]. نویسندگان دیگر دریافتند که در همه موارد به جز چند مورد، افزایش کلی عملکرد برای بسیاری از روشهای کریجینگ زمانی که اندازه نمونه افزایش مییابد [ 28 ، 29 ] وجود دارد. برعکس، Bourennane و همکاران. فکر میکردند که تغییر کمی با اندازه نمونه در درونیابی کریجینگ وجود دارد و میتوان نتایج دقیقی را با حجم نمونه کمتر از 40 بدست آورد [ 30 ]. کریجینگ بالاترین RMSE را در بین تمام نمونههای فرعی داشت که 25٪ از نقاط مورد استفاده قرار گرفتند (دریاچه دالتون – آزمایش شماره 3، آزمایش اصلی شماره 1).
ما دریافتیم که یک روند کلی در سطح سه زیرنمونه ثابت است: مقادیر RMSE با کاهش اندازه نمونه ها افزایش نمی یابد ( جدول 1 ). این روند در دریاچههای دالتون و ماژور مشاهده شد که در آنها کمترین RMSE به ترتیب با زیرنمونه 33 درصد (آزمایش شماره 1) یا 25 درصد (آزمایش شماره 2) مشاهده شد. نمونه فرعی 50 درصد کمترین مقدار RMSE را در هیچ یک از این دریاچه ها نداشت. میتوانیم حدس بزنیم که در روشهای اندازهگیری خطاهایی وجود دارد، اما همین رویهها تخمینهای رسوبی را تولید میکنند که مشابه اقدامات «Total Station GPS» پس از حذف رسوب بود.
تغییرپذیری RMSE روندهای پیش بینی شده افزایش مقادیر RMSE را با حجم نمونه کمتر در همه موارد نشان نداد ( جدول 1 ). تعداد نمونههای کمتر به دلیل زمان کمتر مورد نیاز برای جمعآوری دادهها و در نتیجه هزینه کمتر، یک معاوضه است. تنها یک افزایش RMSE با حجم نمونه کوچکتر در این بخش از مطالعه وجود داشت که با افزایش جزئی مقادیر میانگین نشان داده شد.
روند درونیابی کریجینگ نامشخص است. کریجینگ بالاترین RMSE را در همه نمونههای فرعی در این مطالعه به جز دو (دریاچه دالتون-25٪- آزمایش #1 و دریاچه بزرگ-50٪- آزمایش #1) داشت. هنگامی که از درونیابی کریجینگ استفاده شد، دادههای دریاچه دالتون سازگارترین آبهای نمونهبرداری شده بودند.
6. مقایسه حجم
تمرکز سوم این تحقیق، یافتههای دو بخش قبلی مطالعه را با هدف تعیین اینکه آیا تعداد کمتری از نمونهها نتایج مشابهی تولید میکنند یا خیر، در بر گرفت. برآورد حجم رسوب برای هر دریاچه تعیین شد و نتایج زیرمجموعه های داده با نمونه های فرعی 50، 33 و 25 درصد با استفاده از درون یابی IDW تعیین شد ( جدول 2 ). اگر کسی بخواهد به هدف غیرواقعی حذف تمام رسوبات برآورد شده برسد، گران تمام می شود. با این حال، برای مقاصد مقایسه ای، این مقادیر مقایسه خوبی ارائه می دهند.
در هر دو دریاچه دالتون و ماژور، تأثیر حجم نمونه مشهود بود. از آنجایی که دادههای کمتری در فرآیند درونیابی استفاده شد، تخمینهای حجم آنها بیشتر از برآورد نمونه کامل دور میشوند. تنها در یک مورد (دریاچه دالتون، 33%) این روند از گرایش منحرف شد.
جدول 2. حجم تخمینی رسوب (بر حسب متر مکعب) و برآوردهای فرعی با استفاده از درونیابی IDW از دو حوضچه بلک هیلز.
قبلی ما زیرنمونههای تصادفی کوچکتری داشتیم که نشاندهنده دقت درونیابی برای حجم نمونه بیشتر بود. برای بررسی بیشتر این مقایسهها، شباهت را از طریق یک فرآیند نموداری ساده تعیین کردیم. نمودار نمودار از کل نمونه و سه نمونه فرعی (50%، 33% و 25%) بر اساس میزان رسوب پیش بینی شده هر کدام در نهایت یک خط شیبدار تدریجی ایجاد می کند ( شکل 6 ). مجانبی از خط رسم شده تنها یک افزایش جزئی پس از یک نمونه تقریباً بین 40٪ -50٪ نشان می دهد. دادهها برای هر دو آب نمونه نمایش داده میشوند، اما مستقیمتر از دریاچه بزرگ به جای دریاچه دالتون مشاهده میشوند. ما در ابتدا فرض کردیم که مقادیر پیشبینیشده رسوب با حجم نمونه بیشتر دقیقتر خواهد بود، اما زمانی که مقادیر از 50% فراتر رفت، این تفاوت کاهش یافت.
7. خلاصه و نتیجه گیری
بخش اول این پروژه تعیین دقت سه روش درونیابی بر اساس میزان پیش بینی مقادیر در نقاط شناخته شده بود. بهترین روش با اندازه گیری RMSE کمترین خطا را ایجاد کرد. در تمام آبهای نمونه، اسپلاین کمترین RMSE را داشت و IDW یک جایگزین نزدیک بود. کریجینگ از نظر دقت برای پیش بینی ارزش نقطه در رتبه سوم قرار گرفت.
درون یابی کریجینگ به عنوان یک روش دقیق در چندین مطالعه ذکر شده است، اما در مطالعه ما عملکرد ضعیفی داشت که مقادیر RMSE مقایسه شد [ 3 ، 24 ، 31 ، 32 ]. بر اساس نظریه متغیر منطقهای، نیمه متغیر باید در ناحیه مورد نظر ثابت باشد و دادهها به طور معمول توزیع شوند [ 33 ]. این دو موضوع ممکن است بر نتیجه مقادیر کریجینگ RMSE در مطالعه ما تأثیر گذاشته باشد. تلاشهای بیشتر برای مدلسازی نیمهواریوگرامهای مختلف ممکن است نتایج بهدستآمده از الگوریتم کریجینگ را بهبود بخشد.
شکل 6. نمودار رسوب پیش بینی شده با مقادیر مختلف نمونه برداری از دو دریاچه نمونه در بلک هیلز داکوتای جنوبی.
تلاش ما برای تعیین تعداد نقاط نمونه در این دو دریاچه مورد نیاز برای نمونه برداری کارآمدتر و صرفه جویی در هزینه بالقوه انجام شد. روش مورد استفاده برای جمع آوری میدانی مستلزم آن است که پرسنل برای چند روز متعهد به کمک باشند. اگر بتوان این کار میدانی را کاهش داد و در عین حال نتایج مشابهی را به دست آورد، در این صورت میتوان در زمان جمعآوری دادهها، پول را در قالب زمان صرف کرد. تجزیه و تحلیل برای این جنبه از دو فرآیند متفاوت حاصل شد.
RMSE مجدداً به عنوان معیار دقت درونیابی استفاده شد، اما در این مورد، با نمونه های فرعی (50٪، 33٪ و 25٪) بود. اطلاعات به دست آمده از این آزمایش ها قطعی نبود. یک فرض اولیه وجود داشت که وقتی نقاط نمونه بیشتری گرفته می شد دقت بیشتری وجود داشت. ما دریافتیم که پس از تقریباً 40٪ – 50٪ از اندازه های نمونه ما، بهبود کلی کمی در برآورد حجم رسوب وجود دارد. این مطالعه اهمیت داشتن بهترین دقت را به ویژه هنگامی که تأثیری که میتواند بر اولویتبندی پروژهها و اصلاحات پروژه داشته باشد را در نظر گرفت، نشان داد.
در طول این مطالعه، بسیاری از روش های درونیابی در مدیریت مقادیر بالاتر رسوب آسیب دیدند. وقتی مقادیر کم یا حداقل سازگار بودند، روشهای درونیابی همگی به خوبی عمل میکردند، با spline یا IDW به طور مداوم بهترین جایگزینها. کریجینگ در برخی موارد خوب عمل کرد، اما مقادیر دقت در مقایسه با سایر روشهای درونیابی مورد استفاده کاهش یافت. تجزیه و تحلیل نمونه فرعی نشان داد که در هنگام استفاده از نمونه های کوچکتر تفاوت هایی وجود دارد. توصیه میشود هنگام انجام بررسیهای رسوب در بلک هیلز برای اطمینان از دقیقترین تخمینها، تا حد امکان دادهها را جمعآوری کنید، اما اگر به معنای سفرهای کمتر برای جمعآوری دادهها باشد، میتوان نمونهها را کاهش داد و در هزینهها صرفهجویی کرد.
نتایج یک مطالعه درون یابی را می توان به صورت گام به گام در نظر گرفت. یکی از نتایج این فرآیند معمولاً نقشه ای است که پدیده ها را به تصویر می کشد. اگر محققی بخواهد روشها را صرفاً با ابزارهای بصری قضاوت کند (به عنوان مثال، انحنای جذاب خطوط کانتور)، سپس نتایج ممکن است زیبا به نظر برسند اما می توانند نمایش ضعیفی در تجزیه و تحلیل متغیرها داشته باشند. استفاده از روش های درونیابی مناسب هنگام توسعه سطوح مهم است زیرا ممکن است بر مدل سازی و تحلیل بعدی تأثیر بگذارد. در این مطالعه، نتیجه صرفاً دستیابی به یک نقشه جذاب نبود، بلکه نتایج در دنیای واقعی کاربرد دارند. کاربرد این کار برای ارائه تخمینی از حجم رسوب بود. این نتیجهگیریها همراه با نقشه توزیع رسوب به زیستشناسان و مدیران زیستگاه ارسال شد. این اطلاعات برای اولویت بندی پروژه و برای مناقصه دقیق تر پیمانکاران خصوصی استفاده می شود.
منابع
- Willmott، CJ برخی از نظرات در مورد ارزیابی عملکرد مدل. گاو نر صبح. هواشناسی Soc. 1982 ، 63 ، 1309-1313. [ Google Scholar ] [ CrossRef ]
- کاروسو، سی. Quarta, F. مقایسه روشهای درونیابی. محاسبه کنید. ریاضی. Appl. 1998 ، 35 ، 109-126. [ Google Scholar ] [ CrossRef ]
- نائوم، س. Tsanis، IK رتبه بندی تکنیک های درونیابی فضایی با استفاده از یک DSS مبتنی بر GIS. گلوب. Nest 2004 ، 6 ، 1-20. [ Google Scholar ]
- جفری، اس جی. کارتر، جو. مودی، KB; Beswick، AR با استفاده از درون یابی فضایی برای ایجاد یک آرشیو جامع از داده های آب و هوای استرالیا. محیط زیست نظارت کنید. نرم افزار 2001 ، 16 ، 309-330. [ Google Scholar ] [ CrossRef ]
- ویلموت، سی جی; آکلسون، اس جی; دیویس، RE; فدما، جی جی. Klink، KM; Legates, DR; اودانل، جی. Rowe، CM Statistics برای ارزیابی و مقایسه مدل ها. جی. ژئوفیس. Res. 1985 ، 90 ، 8995-9005. [ Google Scholar ] [ CrossRef ]
- جارویس، CH; استوارت، ن. مقایسه بین استراتژیهای درونیابی حداکثر و حداقل دمای هوای روزانه، بخش دوم: تعامل بین تعداد متغیرهای راهنما و نوع روش درونیابی. صبح. هواشناسی Soc. 2001 ، 40 ، 1075-1084. [ Google Scholar ]
- Soler-López، LR نتایج بررسی رسوب در مخازن اصلی تامین آب پورتوریکو. در مجموعه مقالات ششمین کنگره منابع آب جزایر کارائیب، Mayagüez، پورتوریکو، 22-23 فوریه 2001. Sylva، WF، Ed.
- ماتیاس، EL; Rothenburg, L. مشخصات پروفیل های رسوبی در مخازن. جی هیدرول. 1986 ، 87 ، 33-44. [ Google Scholar ] [ CrossRef ]
- Tarela، PA; منندز، AN مدلی برای پیشبینی رسوبگذاری مخزن. Lakes Res. 1999 ، 4 ، 121-133. [ Google Scholar ] [ CrossRef ]
- Le Roux، JP; روخاس، الگوهای انتقال رسوب EM تعیین شده از پارامترهای اندازه دانه: نمای کلی و وضعیت هنر. رسوب. جئول 2007 ، 202 ، 473-488. [ Google Scholar ] [ CrossRef ]
- Hortness، JE; ضررهای Driscoll، DG Streamflow در بلک هیلز در غرب داکوتای جنوبی. در گزارش تحقیقات منابع آب سازمان زمین شناسی ایالات متحده، 98-4116 . USGS: Reston، VA، ایالات متحده آمریکا، 1998. [ Google Scholar ]
- کارتر، جی.ام. Driscoll، DG منابع آب زیرزمینی در منطقه بلک هیلز، داکوتای جنوبی. در گزارش تحقیقات منابع آب USGS 03–4049 . USGS: Reston، VA، ایالات متحده آمریکا، 2003. [ Google Scholar ]
- هریس، دی. آلدوس، مدیریت SE Beaver در شمال بلک هیلز داکوتای جنوبی. جی. وایلدل. مدیریت 1946 ، 10 ، 348-353. [ Google Scholar ] [ CrossRef ]
- Purcell, LT; وستون، آر اس پیری آبهای مخزن. مربا. کاردانی آب 1939 ، 31 ، 1775-1806. [ Google Scholar ]
- Vorosmarty، CJ; Sahagian, D. اختلال انسان زایی چرخه آب زمینی. BioScience 2000 ، 50 ، 753-765. [ Google Scholar ] [ CrossRef ]
- مورفی، ام ال. اکوسیستم های میهان، WR Stream. در تأثیر مدیریت جنگل و مراتع بر ماهیان قزل آلا و زیستگاه آنها ; Meehan، WR، Ed. انتشارات ویژه انجمن ماهیگیری آمریکا: Bethesda، ML، ایالات متحده آمریکا، 1991; نه 19; صص 17-46. [ Google Scholar ]
- رادون، م. Radoane، N. سدها، منابع رسوبی و مخازن لجنی در رومانی. ژئومورفولوژی 2005 ، 71 ، 112-125. [ Google Scholar ] [ CrossRef ]
- سیمپسون، GD خلاصه ای از بررسی های استفاده و برداشت ماهی گیر برای آب های منتخب بلک تپه ها با نتایج تجدید نظر شده از نظرسنجی های قبلی، می 2006 تا سپتامبر 2007 . گزارش 09–05; دپارتمان بازی، ماهی و پارک داکوتای جنوبی: پیر، SD، ایالات متحده آمریکا، 2009; پ. 56. [ Google Scholar ]
- وو، Y.-H. هونگ، ام.-سی. Patton, J. ارزیابی و تجسم درونیابی فضایی مقادیر pH خاک در زمین های کشاورزی. دقیق کشاورزی 2013 ، 14 ، 565-585. [ Google Scholar ] [ CrossRef ]
- لی، جی. Heap، AD مروری بر مطالعات تطبیقی روشهای درونیابی فضایی در علوم محیطی: عوامل عملکرد و تأثیر. Ecol. Inf. 2011 ، 6 ، 228-241. [ Google Scholar ] [ CrossRef ]
- لی، جی. Heap، AD مروری بر روشهای درونیابی فضایی برای دانشمندان محیطزیست . Geoscience استرالیا: کانبرا، استرالیا، 2008; پ. 137. [ Google Scholar ]
- الیور، MA; وبستر، آر. راهنمای آموزشی زمین آمار: محاسبات و مدل سازی واریوگرام ها و کریجینگ. کاتنا 2014 ، 113 ، 56-69. [ Google Scholar ] [ CrossRef ]
- استین، ا. هوگرورف، ام. بوما، جی. استفاده از ترسیم نقشه خاک برای بهبود (همکاری) کریجینگ داده های نقطه ای در مورد کمبود رطوبت. ژئودرما 1988 ، 43 ، 163-177. [ Google Scholar ] [ CrossRef ]
- Hengl, T. A Practical Guide to Geostatistical Mapping of Environmental Variables. دفتر انتشارات رسمی لوکزامبورگ 143، مرکز تحقیقات مشترک، موسسه محیط زیست و پایداری: 2007. موجود آنلاین: http://www.lu.lv/materiali/biblioteka/es/pilnieteksti/vide/A%20Practical%20Guide% 20to%20Geostatistical%20Mapping%20of%20Environmental%20Variables.pdf (دسترسی در 14 آوریل 2013).
- ولتز، ام. Webster, R. مقایسه کریجینگ، خطوط مکعبی و طبقه بندی برای پیش بینی خواص خاک از اطلاعات نمونه. J. Soil Sci. 1990 ، 41 ، 473-490. [ Google Scholar ] [ CrossRef ]
- بارو، PA; مک دانل، RA اصول سیستم های اطلاعات جغرافیایی ; انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 1998. [ Google Scholar ]
- وبستر، آر. الیور، کارشناسی ارشد زمین آمار برای دانشمندان محیط زیست . جان وایلی و پسران، آموزشی ویبولیتین: چیچستر، انگلستان، 2001; پ. 271. [ Google Scholar ]
- میتاسووا، اچ. میتاس، ال. براون، WM; گردس، DP; دوسینوفسکی، آی. بیکر، تی. مدلسازی پدیدههای توزیعشده مکانی و زمانی: روشها و ابزارهای جدید برای GRASS GIS. بین المللی جی. جئوگر. Inf. سیستم 1995 ، 9 ، 433-446. [ Google Scholar ] [ CrossRef ]
- لی، ی. شی، ز. وو، سی. لی، اچ. Li, F. بهبود پیش بینی و کاهش تراکم نمونه برداری برای شوری خاک با روش های مختلف زمین آماری. کشاورزی علمی چین 2007 ، 6 ، 832-841. [ Google Scholar ] [ CrossRef ]
- بورنان، اچ. کینگ، دی. Couturier, A. مقایسه کریجینگ با رانش خارجی و رگرسیون خطی ساده برای پیشبینی ضخامت افق خاک با تراکمهای مختلف نمونه. Geoderma 2000 ، 97 ، 255-271. [ Google Scholar ] [ CrossRef ]
- دره، RD; دریک، ام تی. اندرسون، CS ارزیابی تکنیکهای درونیابی جایگزین برای نقشهبرداری از فراوانی پوشش گیاهی غوطهور از راه دور. آکوات. ربات 2005 ، 81 ، 13-25. [ Google Scholar ] [ CrossRef ]
- رابینسون، تی پی؛ مترنیخت، جی. آزمایش عملکرد تکنیک های درونیابی فضایی برای نقشه برداری خواص خاک. محاسبه کنید. الکترون. کشاورزی 2006 ، 50 ، 97-108. [ Google Scholar ] [ CrossRef ]
- Matheron, G. Theory of Regionalized Variable and It Applications ; گزارش شماره 5; CGMM Ecole des Mines: پاریس، فرانسه، 1971. [ Google Scholar ]
© 2014 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.
بدون نظر