نقشه برداری رطوبت خاک در یک منطقه خشک با استفاده از روش نمونه برداری از منطقه واحد زمین (LUA) و تکنیک های درونیابی زمین آماری

خلاصه

رطوبت خاک (SM) نقش کلیدی در بسیاری از فرآیندهای محیطی دارد و دارای تنوع مکانی و زمانی بالایی است. جمع‌آوری داده‌های SM نمونه از طریق بررسی‌های میدانی (مثلاً برای اعتبارسنجی محصولات مشتق‌شده از سنجش از دور) می‌تواند بسیار پرهزینه و زمان‌بر باشد، اگر منطقه مورد مطالعه بزرگ باشد، و تولید نقشه‌های SM دقیق از داده‌های نقطه نمونه نیز کار دشواری است. در این مطالعه، از تکنیک‌های پردازش مکانی برای ترکیب چندین لایه ژئومحیطی مرتبط با SM (خاک، زمین‌شناسی، بارندگی، پوشش زمین و غیره) استفاده می‌شود.) در یک نقشه منطقه واحد زمین (LUA)، که مناطقی را با ویژگی های زمین شناسی/ژئومورفولوژی، کاربری/پوشش زمین و آب و هوا نسبتاً همگن مشخص می کند. این نقشه LUA برای هدایت جمع آوری داده های SM نمونه در میدان مورد استفاده قرار می گیرد و داده های میدانی در نهایت به صورت مکانی برای ایجاد نقشه دیوار به دیوار SM در منطقه مورد مطالعه (گرمسار، ایران) درون یابی می شوند. هدف اصلی این تحقیق ایجاد نقشه SM در یک منطقه خشک با استفاده از رویکرد واحد زمین (LUA) برای به دست آوردن مناسب ترین مکان های نمونه برای جمع آوری داده های میدانی SM است. چندین لایه محیطی GIS که بر SM تأثیر دارند، برای تولید یک نقشه LUA ترکیب شدند و سپس بررسی میدانی در هر کلاس از نقشه LUA انجام شد. یک نقشه SM بر اساس LUA، شاخص‌های داده‌های سنجش از راه دور، و درونیابی فضایی داده‌های نمونه بررسی میدانی تولید شد. چندین روش درونیابی (وزن گذاری معکوس فاصله، کریجینگ، و همکریجینگ) برای تولید نقشه های SM از داده های نمونه مورد ارزیابی قرار گرفت. نقشه های تولید شده با یکدیگر مقایسه و با استفاده از داده های حقیقت زمینی اعتبارسنجی شدند. نتایج نشان می‌دهد که رویکرد LUA یک روش معقول برای ایجاد میدان همگن برای معرفی نمونه‌ای نماینده برای بررسی خاک مزرعه است. نقشه SM زمین آماری دقت کافی را به دست آورد. با این حال، تجزیه و تحلیل روند و توزیع مکان‌های نقطه نمونه خاک در انواع LUA باید بیشتر مورد بررسی قرار گیرد تا به نتایج بهتری دست یابد. کوکریجینگ دقیق ترین نقشه SM منطقه مورد مطالعه را تولید کرد. نقشه های تولید شده با یکدیگر مقایسه و با استفاده از داده های حقیقت زمینی اعتبارسنجی شدند. نتایج نشان می‌دهد که رویکرد LUA یک روش معقول برای ایجاد میدان همگن برای معرفی نمونه‌ای نماینده برای بررسی خاک مزرعه است. نقشه SM زمین آماری دقت کافی را به دست آورد. با این حال، تجزیه و تحلیل روند و توزیع مکان‌های نقطه نمونه خاک در انواع LUA باید بیشتر مورد بررسی قرار گیرد تا به نتایج بهتری دست یابد. کوکریجینگ دقیق ترین نقشه SM منطقه مورد مطالعه را تولید کرد. نقشه های تولید شده با یکدیگر مقایسه و با استفاده از داده های حقیقت زمینی اعتبارسنجی شدند. نتایج نشان می‌دهد که رویکرد LUA یک روش معقول برای ایجاد میدان همگن برای معرفی نمونه‌ای نماینده برای بررسی خاک مزرعه است. نقشه SM زمین آماری دقت کافی را به دست آورد. با این حال، تجزیه و تحلیل روند و توزیع مکان‌های نقطه نمونه خاک در انواع LUA باید بیشتر مورد بررسی قرار گیرد تا به نتایج بهتری دست یابد. کوکریجینگ دقیق ترین نقشه SM منطقه مورد مطالعه را تولید کرد. تجزیه و تحلیل روند و توزیع مکان‌های نقطه نمونه خاک در انواع LUA باید بیشتر مورد بررسی قرار گیرد تا نتایج بهتری حاصل شود. کوکریجینگ دقیق ترین نقشه SM منطقه مورد مطالعه را تولید کرد. تجزیه و تحلیل روند و توزیع مکان‌های نقطه نمونه خاک در انواع LUA باید بیشتر مورد بررسی قرار گیرد تا نتایج بهتری حاصل شود. کوکریجینگ دقیق ترین نقشه SM منطقه مورد مطالعه را تولید کرد.

کلید واژه ها:

نقشه واحد زمین (LUA) ; پایگاه داده جغرافیایی ; تنوع فضایی ; GIS ; زمین آمار ; نقشه برداری رطوبت خاک

1. معرفی

رطوبت خاک (SM) تأثیر قابل توجهی بر فرآیندهای زیست محیطی و مدیریت منابع آب دارد. با این حال، به دلیل فقدان داده های SM حقیقت زمینی، اغلب به سختی می توان درک درستی از تغییرپذیری فضایی SM داشت. نقشه برداری تنوع فضایی SM موضوع تحقیقات فعال در دو دهه گذشته بوده است و سیستم های اطلاعات جغرافیایی (GIS)، تکنیک های زمین آماری و داده های سنجش از دور می توانند اطلاعات مهمی را برای تخمین و نقشه برداری SM ارائه دهند [ 1 ، 2 ، 3 ، 4 ، 5]. اگرچه فناوری سنجش از دور اطلاعات زیادی در مورد SM در مقیاس‌های فضایی/ تفکیک‌پذیری‌های مکانی مختلف ارائه می‌کند، اما اغلب هنوز مناطق مشاهده نشده باقی می‌مانند (مثلاً به دلیل پوشش ابری)، و داده‌های سنجش از دور نیز باید توسط داده‌های واقعی زمین یا موجود تأیید شوند. نقشه ها. اندازه‌گیری میدانی بدون شک دقیق‌ترین اطلاعات را در مورد SM می‌دهد، اما انتخاب مکان‌های نمونه مناسب برای اندازه‌گیری‌های میدانی می‌تواند چالش برانگیز باشد [ 1 ، 2 ]. در کار قبلی که شامل نقشه برداری SM از نمونه های میدانی بود، برخی از محققین تراکم/طرح های نمونه برداری مختلف [ 2 ] را با هم مقایسه کردند، در حالی که دیگران بر مقایسه تکنیک های مختلف درونیابی فضایی تمرکز کردند [ 1 ، 2 ، 3 ،4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ]. با این حال، مطالعات نقشه برداری SM معمولاً از ابتدا تا انتها کل فرآیند را در نظر نمی گیرند که نقشه ای از مناطق همگن برای هدایت انتخاب مکان های نمونه برداری میدانی، اندازه گیری SM میدانی، و در نهایت نقشه برداری SM با استفاده از تکنیک های درون یابی فضایی ایجاد کند. یکی از بزرگترین چالش ها در نقشه برداری SM، تغییرپذیری فضایی خاک است. تنوع فضایی SM توسط عوامل محیطی مختلف (به عنوان مثال، ویژگی های خاک، توپوگرافی، تابش، بارش، پوشش گیاهی، کاربری زمین) کنترل می شود [ 11 ، 12]]. تنوع SM همچنین تحت تأثیر تعامل پیچیده عوامل محیطی در طول زمان است که منجر به تنوع زمانی بالا در SM، علاوه بر تنوع فضایی بالا می‌شود. درک تغییرپذیری فضایی SM در سطوح ناهمگن زمین برای تحقیقات اکو هیدرولوژیکی و برای احیای پوشش گیاهی در مناطق خشک و نیمه خشک بسیار مهم در نظر گرفته شده است [ 12 ، 13 ، 14 ]. طراحی نمونه‌برداری از خاک و مکان‌یابی نقاط نمونه بسیار مهم است و یکی از چالش‌های دیگر در مطالعات SM است. در نتیجه، برای غلبه بر این دو چالش عمده، پایگاه‌های اطلاعاتی مکانی در GIS و تکنیک‌های درون‌یابی مکانی ابزار قدرتمندی هستند. در حالی که نمونه برداری دقیق از خاک مزرعه یک گام اساسی برای به دست آوردن اندازه گیری های دقیق SM است [15 ، 16 ، 17 ]، GIS انواع ابزارهای مفیدی را برای پایش، نقشه برداری و ارزیابی ژئومحیطی، و تحلیل فضایی برای کشف روابط فضایی بین پدیده های فیزیکی مانند نوع خاک، زمین شناسی و پوشش زمین برای کمک به زمین های تولیدی فراهم می کند. نقشه های واحد مساحت (LUA) [ 18 ، 19 ، 20 ، 21 ، 22 ]. LUA یک مفهوم اساسی از اکولوژی است، و به عنوان یک منطقه همگن اکولوژیکی زمین، با توجه به مقیاس مورد بحث [ 23 ] تعریف می شود. در نتیجه، مفهوم واحد زمین به طور گسترده ای برای پایداری زمین، مدیریت کاربری زمین و برنامه ریزی استفاده می شود. [ 24 ، 25 ، 26، 27 ]. در طبقه بندی واحدهای زمین، داده های خاک به اندازه زمین شناسی، شکل زمین، آب و هوا و پوشش گیاهی مهم هستند.

پایگاه داده geospatial چارچوب دسترسی و مدیریت داده های مشترک را برای ArcMap فراهم می کند [ 24 ، 25 ، 26 ، 27 ]. تجزیه و تحلیل جغرافیایی بینشی در مورد محیط ها ارائه می دهد و گزینه های مدیریتی را نشان می دهد. در سال‌های گذشته، برخی از محققان با استفاده از داده‌های مکانی و روش‌های درون‌یابی سعی در استفاده از GIS برای نقشه‌برداری خاک، به‌ویژه در تغذیه خاک و SM کرده‌اند [ 2 ، 28 ].

در این تحقیق، ما از ابزار GIS برای تجزیه و تحلیل پیشرفته داده‌های مکانی برای ایجاد نقشه LUA به عنوان یک منطقه میدانی همگن برای هدایت نمونه‌برداری از خاک استفاده کردیم [ 29 ، 30 ]. نمونه های خاک باید در مناطقی با ویژگی های فیزیکی مختلف (مانند آب و هوا، توپوگرافی، زمین شناسی، پوشش گیاهی و انواع خاک و غیره ) برداشت شود. با شناسایی مناطق با ویژگی های فیزیکی مشابه ( به عنوان مثال ، انواع LUA)، می توانیم اطمینان حاصل کنیم که هر یک از این مناطق همگن در نمونه برداری میدانی گنجانده شده است (و هیچ کدام مستثنی نشده اند). به عبارت دیگر، نقشه LUA مبنایی برای نقشه برداری و انتقال دانش منظر، از طریق ارزیابی، به کاربرد فراهم می کند [ 31 ، 32]. LUA، ساخته شده در ArcMap با استفاده از یک پایگاه داده جغرافیایی، نقش مهمی در حمایت از نمونه برداری خاک میدانی به سمت نقشه برداری SM دارد. این LUA می تواند به طور سیستماتیک یک منطقه همگن طراحی کند که به راحتی می توان نمونه های خاک را در مزرعه با استفاده از یک سیستم موقعیت یابی جهانی (GPS) از هر چند ضلعی به طور تصادفی برداشت کرد.

استفاده از نقاط نمونه برای تولید نقشه های SM دقیق بسیار دشوار است. داده‌های مکانی و روش‌های درون‌یابی مکانی نقش مهمی در پایش و نقشه‌برداری دینامیکی محیطی دارند. به طور مستمر، به سمت نقشه برداری SM از نقاط نمونه، یک روش درونیابی زمین آماری توانایی درونیابی فضایی را برای این رویکرد دارد. در مطالعات گذشته، تکنیک های زمین آماری محبوب ترین روش برای توصیف الگوهای فضایی SM و ارتباط با عوامل کنترل کننده بود [ 5 ، 33] .]. تعدادی از تحقیقات از روش درونیابی فضایی متنوع (بیش از 32 روش درونیابی فضایی) برای مدل‌سازی و پایش محیطی استفاده کرده‌اند. عوامل زیادی در روش های درون یابی فضایی مؤثر بوده و مقالات متعددی در این رویکرد وجود دارد و مقایسه ای بین آن روش ها انجام شده است [ 2 ، 5 ، 9 ، 25 ، 33 ، 34 ]. کریجینگ، کوکریجینگ و وزن دهی فاصله معکوس (IDW) متداول ترین روش هایی هستند که برای درون یابی فضایی استفاده می شوند [ 2 ، 34 ]. بنابراین، اینها با درونیابی SM بر اساس داده های نمونه میدانی مقایسه شدند.

سهم اصلی این مقاله، معرفی رویکرد واحد سطح زمین (LUA) برای نمونه‌برداری میدانی SM، همراه با مقایسه آن از روش‌های مختلف درونیابی در یک منطقه مطالعاتی خشک است. نقشه LUA از لایه‌های مختلف جغرافیایی، که برای ترسیم مناطقی با خاک همگن، کاربری زمین/پوشش زمین و ویژگی‌های آب و هوایی ترکیب شدند، مشتق شد. مزیت رویکرد LUA این است که بسیاری از متغیرهایی را در نظر می گیرد که بر تنوع فضایی SM تأثیر می گذارد.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد مطالعه در شمال ایران واقع شده است ( شکل 1). نوع آب و هوای منطقه مورد مطالعه خشک و نیمه خشک (گرمسار، ایران) و میانگین بارندگی سالانه 120 میلی متر است. کاربری اراضی در این منطقه عمدتاً مرتع، حیات وحش، تفریح، کشاورزی و اراضی بلااستفاده است، در حالی که بیشتر پوشش اراضی منطقه مورد مطالعه، زمین های لخت و با پوشش گیاهی کم است و مقداری زمین زراعی در قسمت شمالی منطقه است. گرچه نوع آب و هوا در این منطقه خشک است، اما در برخی از مناطق دشت در جنوب، سطح آب زیرزمینی بالا و نزدیک به سطح بالایی خاک است که باعث می شود خاک نسبتاً مرطوب شود. خاکهای خشک به خصوص از نظر بافت خاک تنوع زیادی ندارند، اما در منطقه مورد مطالعه معمولاً خاک در جهت جنوب به شمال توسعه می یابد که ناشی از مخروط افکنه است.

2.2. تهیه پایگاه داده های جغرافیایی

در این تحقیق برای ایجاد پایگاه داده‌های مکانی، ابتدا داده‌های موجود را به صورت رقومی و نقشه‌های چاپی استان سمنان که محدوده مورد مطالعه ما را پوشش می‌دهد، جمع‌آوری کردیم. این داده های موجود از گزارش های محلی، مطالعات منتشر نشده و سازمان های محلی جمع آوری شده است. این مجموعه داده‌ها توسط نقشه‌برداران مختلف و با استفاده از ابزارهای مختلف ایجاد شده‌اند، بنابراین همه آنها اسکن شده‌اند (در صورت نسخه‌برداری چاپی)، ثبت جغرافیایی شده، و به یک سیستم پیش‌بینی/مختصات واحد نمایش داده می‌شوند تا از سازگاری آنها با یکدیگر اطمینان حاصل شود. در شکل 2 مراحل کلی کار این بخش نشان داده شده است. به طور مشخص داده های مورد استفاده به شرح زیر بود:

نقشه پوشش/کاربری اراضی استان سمنان تهیه شده توسط Landsat ETM ⁺ و TM توسط سازمان تحقیقات کشاورزی استان سمنان
نقشه زمین شناسی در مقیاس 1:100000 که در سال 1389 توسط سازمان زمین شناسی تهیه شده است (این نقشه به صورت چاپی و دیجیتال بر اساس عکسبرداری هوایی، تفسیر زمین شناسی و بررسی کار میدانی تهیه شده است)
مدل رقومی ارتفاع 90 متری (DEM)
داده های اقلیمی از قبیل بارش، دما و تبخیر و تعرق توسط سازمان هواشناسی استان سمنان تهیه شده است.
درصد پوشش گیاهی که توسط سازمان جنگل ها، مراتع و آبخیزداری کشور تولید شده است
انواع خاک و لایه های رژیم خاک که توسط موسسه حفاظت از خاک و آب ایجاد شده است
لایه های داده سنجش از دور ( به عنوان مثال ، شاخص های آب، خاک و پوشش گیاهی) را ارائه دهید.

اجزای پایگاه داده جغرافیایی که از ساختار خارج از GIS به عنوان ورودی داده، ذخیره سازی و مدیریت داده ها، تجزیه و تحلیل و تبدیل داده ها و خروجی و ارائه داده ها گنجانده شده است. ابتدا داده‌های موجود را جست‌وجو کردیم و سپس داده‌های سنجش از دور مانند پوشش زمین، زمین‌شناسی، پوشش گیاهی را که برای پایگاه داده‌های مکانی لازم است، ارائه کردیم. تجزیه و تحلیل و تبدیل داده به معنای دستیابی به تحول مورد نیاز برای حذف خطاها از داده ها یا به روز رسانی داده ها است. از سوی دیگر، توابع دستکاری و تجزیه و تحلیل داده ها اطلاعاتی را که می توان از لایه های GIS تولید و استخراج کرد (نوع آب و هوا، نوع خاک، زمین شناسی و غیره ) تعیین می کند. نتیجه یک پایگاه داده جغرافیایی در قالب نقشه ها و جداول مقادیر ویژگی است.

2.3. استخراج نقشه LUA

تحقیقات مربوط به مناطق واحد زمین معمولاً به مطالعات اکولوژیکی مانند تنوع زیستی محدود شده است، زیرا این اصطلاح در علوم اکولوژیکی سرچشمه گرفته است [ 23 ، 24 ، 25 ، 26 ، 27 ]. ما فقط یک مطالعه قبلی پیدا کردیم که از مفهوم LUA برای تحقیقات خاک استفاده می کرد، اما SM [ 30 ] را در نظر نمی گرفت . مطالعه قبلی روشی را برای مطالعه خاک با استفاده از LUA پیشنهاد کرد و رویکرد آنها بر اساس دیدگاه زمین‌شناسی و مواد والدین بود، در حالی که روش ما متفاوت است که بر مشتق SM تمرکز می‌کند و شامل لایه‌های GIS محیطی خاصی است که عوامل محیطی را تحت تأثیر قرار می‌دهد. .

مطالعه SM نیاز به تجزیه و تحلیل پارامترهای مختلف، به عنوان مثال، پارامترهای فیزیکی، اقلیمی، و ژئوبیولوژیکی. در این تحقیق، برای تولید مناطق ژئوفیزیکی همگن ( به عنوان مثال ، LUAs) برای به دست آوردن نمونه های خاک، پارامترهای محیطی زیر در نظر گرفته شد (پس از پیش پردازش مجموعه داده های مربوطه، همانطور که در بخش 2.2 توضیح داده شد ):

(1): زمين شناسي
(2): اطلاعات خاک (انواع، رژیم)
(3): DEM (توپوگرافی، شیب، انحنا)
(4): پوشش زمین/کاربری زمین
(5): پوشش گیاهی
(6): DEM (توپوگرافی، شیب، انحنا)
(7): ژئومورفولوژی
(8): داده های آب و هوا (بارندگی، دما، تبخیر و تعرق)
(9): اطلاعات سنجش از دور (NDMI و دمای سطح زمین)
(10): شکل زمین

با توجه به لایه‌های GIS فوق، باید مشخص کنیم که انواع خاک و داده‌های رژیم خاک حاوی اطلاعات متفاوتی هستند ( جدول 1 ). شکل زمین بر اساس توپوگرافی استخراج شد و زمین بر اساس دو شاخص مورفومتریک به انواع زمین طبقه بندی شد: شیب و انحنا [ 8 ، 30 ، 32 ].

جریان کار GIS برای استخراج نقشه LUA به سه فاز تقسیم می‌شود و عمدتاً در یک محیط GIS (ESRI ArcGIS 10.1، مجوز دانشگاه چیبا) انجام می‌شود. گردش کار شامل سه مرحله بود.

فاز یک:

طبقه بندی مجدد و استانداردسازی داده های سنجش از دور تولیدی (پوشش زمین / کاربری)
تهیه نقشه های پایه (اقلیم، پوشش گیاهی، سنگ شناسی)
وارد کردن به محیط GIS
ایجاد نقشه زمین با استفاده از نقشه ژئومورفولوژی و DEM (شیب و انحنا)
پوشاندن نقشه های مادر، ژئومورفولوژی و پوشش گیاهی برای ایجاد شکل زمین
تولید لایه های داده سنجش از دور ( به عنوان مثال ، دمای سطح، شاخص رطوبت)
ارزیابی و افزودن داده های خاک (نوع خاک، رژیم خاک)
ایجاد پایگاه داده جغرافیایی در GIS برای تهیه نقشه مساحت واحد زمین (LUA).
داده های سنجش از راه دور Landsat ETM ⁺ (13 سپتامبر 2013) را تولید کرد (به عنوان مثال، NDMI و دمای سطح)

فاز دو:

تفسیر بصری و اعتبار سنجی نقشه LUA توسط لایه های داده سنجش از دور
استفاده از نقشه LUA به عنوان نقشه راهنمایی نهایی برای نمونه برداری از خاک مزرعه
اندازه گیری نقاط SM در هر چند ضلعی LUA توسط TDR

فاز سه:

ایجاد نقشه SM با استفاده از نمونه نقاط میدانی و نقشه LUA در GIS
استفاده از روش درونیابی زمین آماری در GIS برای تولید نقشه SM
ارزیابی و مقایسه نقشه های SM LUA، زمین آماری و NDMI

چندین نوع تحلیل فضایی (به عنوان مثال، فیلتر کردن، ادغام، و پوشش) برای تولید نقشه LUA انجام شد. به عنوان مثال، نقشه زمین با استفاده از انحنای شیب بر اساس DEM و ترکیب با نقشه زمین شناسی ایجاد شده است. نقشه شکل زمین، در قالب شطرنجی، با فیلتر کردن آن با استفاده از اپراتور Majority Filter ArcGIS تعمیم داده شد تا تعداد ویژگی های ناخواسته، مانند پیکسل های تک پیکسل یا تجمعات پیکسل کوچک با مساحت کمتر از 150 هکتار، که در نظر گرفته می شود، کاهش یابد. حداقل واحد نقشه برداری با توجه به مقیاس نهایی نقشه (1:250000). علاوه بر این، تمام لایه‌های داده شطرنجی به لایه‌های برداری تبدیل شدند و چند ضلعی‌های کوچک‌تر از آستانه تعیین‌شده توسط اپراتور با ادغام آن‌ها در چند ضلعی به هم پیوسته گسترده‌تر با طولانی‌ترین یال مشترک حذف شدند. در مرحله بعد، این فایل های شکل به طور کامل با استفاده از فرآیند منطقی سازی برداری پاکسازی شدند و برای استخراج نقشه زمین استفاده شدند. در نهایت، نقشه لندفرم با نقشه پوشش زمین و درصد پوشش گیاهی برای تهیه نقشه LUA ترکیب شد.شکل 3 کل جریان کار برای ایجاد نقشه LUA را نشان می دهد.

2.4. بررسی میدانی SM

اولین مرحله برای کار میدانی، انتخاب مکان های نمونه برای جمع آوری اندازه گیری های SM میدان است. یک نمونه خاک مرکب باید یک منطقه یکنواخت مزرعه ای را نشان دهد که دارای ویژگی های زیست محیطی مشابهی مانند آب و هوا، توپوگرافی، زمین شناسی، کاربری اراضی، پوشش گیاهی و نوع خاک و غیره باشد . بسته به اهداف اعمال می شود و به شدت تحت تأثیر مقیاس قرار می گیرند. طرح های نمونه گیری رایج عبارتند از: نمونه‌گیری شبکه‌ای، نمونه‌گیری تصادفی، نمونه‌برداری طبقه‌ای تصادفی، ترانسکت‌ها و نمونه‌گیری هدف [ 7]. بنابراین، یک مرحله مهم، تعریف سایت همگن برای هر مکان قبل از طراحی نمونه است که، در این مورد، از نمونه‌گیری تصادفی در هر یک از چند ضلعی‌های نقشه LUA استفاده کردیم.

در این تحقیق بر اساس محدودیت انتشار داده های سنجش از دور در خاک، نمونه ای از خاک بالایی با طرح نمونه برداری هدف گرفته شد. رویکردهای نمونه گیری هدف در مورد موضوع، ناحیه همگن را تعریف می کنند و سپس نمونه را در هر چند ضلعی LUA می گیرند. در مجموع، بیست و پنج نمونه خاک از LUA های مختلف جمع آوری شد. حداقل دو نمونه با استفاده از سیستم موقعیت یاب جهانی (GPS)، با استفاده از کیت ابزار نمونه برداری خاک از هر LUA، به ترتیب، در عمق 0 تا 10 سانتی متر (خاک بالایی) جمع آوری شد. کار میدانی در سپتامبر 2013 در منطقه مورد مطالعه انجام شد ( شکل 4 ).

همه به یکباره SM توسط TDR (بازتاب دامنه زمانی) از بالای خاک در مزرعه اندازه گیری شد. سپس 0.5 کیلوگرم خاک گرفته شد و توسط یک لوله پلاستیکی به آزمایشگاه منتقل شد و خواص فیزیکی آن تجزیه و تحلیل شد و رطوبت مجددا اندازه‌گیری شد ( جدول 1 ). در واقع در این تحقیق نمونه‌های خاک برای آزمایش آزمایشگاهی در دو مرحله شامل شرایط رطوبتی در مزرعه و شرایط خاک خشک پس از خشک‌کردن در کوره تهیه شد. پس از کار مزرعه ای، SM نمونه های خاک یک بار دیگر با استفاده از TDR در آزمایشگاه اندازه گیری شد و برای ثبت وضعیت رطوبت مزرعه به دقت وزن شد. این نمونه ها در 24 ساعت در دمای 120 درجه سانتیگراد در آون خشک شدند و سپس دوباره برای محاسبه وزن سنجی SM وزن شدند و دقت اندازه گیری TDR نیز مورد آزمایش قرار گرفت.

2.5. روشهای درونیابی فضایی

استخراج SM توسط داده های نمونه برداری از نقاط میدانی چالش دیگری برای نقشه برداری SM است [ 5 ، 34 ]. پس از درک توزیع فضایی کلی SM در میدان برای انتخاب مکان‌های نمونه‌برداری از خاک، که پیشنهاد می‌کنیم با استفاده از داده‌های مکانی در بخش‌های قبل، سطح شبکه SM بر اساس اندازه‌گیری‌های میدانی تولید شود. زمین آمار شاخه ای از نظریه آماری است که به درون یابی و نقشه برداری داده های توزیع شده مربوط می شود. روشهای تحلیل زمین آماری آنهایی هستند که مبتنی بر مدلهای آماری هستند که همبستگی مکانی را در نظر می گیرند ( به عنوان مثال، این اصل که دو نقطه داده نزدیک به یکدیگر بیشتر از دو نقطه داده که دورتر از هم قرار دارند مقادیر مشابهی دارند. مفهوم متغیر منطقه ای مبنای زمین آمار است و بیان می کند که تغییرات مکانی هر متغیر ممکن است به صورت مجموع سه جزء بیان شود [ 2 ]:

یک جزء ساختاری، مرتبط با یک مقدار میانگین ثابت یا یک روند چند جمله ای.
یک جزء تصادفی همبسته فضایی (جزء همبستگی خودکار). و
یک اصطلاح نویز سفید یا خطای باقیمانده که از نظر فضایی همبستگی ندارد

یک مقاله مروری اخیر نشان داد که از بین 32 روش درون یابی رایج، روش های وزن دهی معکوس فاصله (IDW)، کریجینگ معمولی (OK) و کوکریجینگ معمولی (OCK) بیشترین استفاده را در مطالعات محیطی داشتند [2 ] . . مدل‌های کریجینگ مقادیر را در مکان‌های نمونه‌گیری نشده با میانگین وزنی نمونه‌های نزدیک تخمین می‌زنند. تخمین کریجینگ معمولی توسط:

z (x) = \sum i = 1 n λ z ¯ (x i)

(1)

جایی که z(x) مقدار مجهولی است که باید تخمین زده شود، λ وزن نقطه xi با مقدار معین z(xi) است . همبستگی بین مقادیر همسایه به عنوان تابعی از فاصله جغرافیایی بین نقاط در سراسر منطقه مورد مطالعه، که توسط یک واریوگرام تعریف شده است، مدل‌سازی می‌شود. کریجینگ شامل ترکیب مختلفی از رگرسیون خطی است و بر اساس یک رگرسیون نرمال و به دنبال آن کریجینگ معمولی است. کوکریجینگ از همبستگی استفاده می کند که ممکن است خروجی بین متغیر مورد علاقه و متغیرهای اندازه گیری شده بیشتر باشد [ 31 ]. به طور کلی روش‌های کریجینگ بهتر از روش‌های غیرزمین‌آماری عمل می‌کنند [ 2]. بنابراین، پتانسیل بالایی برای اعمال اندازه‌گیری‌های نقطه‌ای و ایجاد نقشه از داده‌های SM نمونه‌برداری شده در میدان دارد. برخی از مطالعات نشان دادند که کوکریجینگ برتر از کریجینگ است [ 2 ، 7 ]. در این تحقیق از کریجینگ و کوکریجینگ (معمولی) برای نگاشت SM با استفاده از اندازه گیری نقاط نمونه استفاده شده است.

در روش IDW، وزن دهی ها صرفاً تابعی از فاصله بین نقطه مورد نظر و نقاط نمونه برداری برای i = 1, 2, …, n است. با در نظر گرفتن فاصله d _i بین این دو نقطه، مقدار یک نقطه مورد نظر به شکل زیر در می آید:

z = \sum i = 1 n z من / د من ² \sum n i = 1 1 / د من ²

(2)

که در آن Z مقدار درونیابی نقطه مورد نظر است. Z _i مقدار نقطه نمونه i ( i = 1, …, n) است. d _i فاصله بین مقادیر درون یابی و نمونه برداری شده است. یک روش درون یابی قوی برای انجام این کار مورد نیاز است، و بسیاری از آنها به طور قابل توجهی در ادبیات مورد بحث قرار گرفته اند. در میان روش‌های درون‌یابی متعدد، گزارشی وجود ندارد که آشکارا به روشی منحصر به فرد برای درونیابی بهینه اشاره کند. بنابراین، بهترین روش درونیابی برای یک شرایط خاص تنها با مقایسه نتایج آنها با یکدیگر به دست می آید [ 1 ، 5 ، 29]]. تحقیقاتی در مورد مقایسه روش های مختلف درونیابی در موقعیت های مختلف انجام شده است. با این حال، گزارش های کمی در مورد مقایسه روش های مختلف درونیابی برای SM وجود دارد. در این تحقیق از بیست و پنج نقطه نمونه بر اساس داده های LUA و زیر بغل نقشه درصد پوشش گیاهی و خاک برای کوکریجینگ استفاده شد.

2.6. ایجاد SM Maps

در مرحله پایانی این تحقیق، نقشه SM در منطقه خشک توسط نقاط نمونه با استفاده از روش درونیابی فضایی بر اساس روش زمین آماری در GIS تهیه شد که در بخش آخر ارائه شده است. پس از تهیه داده های SM از هر نقطه در بررسی میدانی، نقشه نقطه ای ایجاد شده در ArcMap و سپس ابزارهای زمین آماری بر روی نقشه نقطه ای اعمال شد. سه نقشه خاک به روش کریجینگ، کوکریجینگ و IDW تهیه شده و این نقشه ها با استفاده از نمودارهای RMSE و QQ با یکدیگر مقایسه شدند. شکل 5 فلوچارت کلی برای تولید نقشه SM را نشان می دهد.

نقشه SM دیگر بر اساس نقشه LUA در ArcMap ایجاد شده است. در این نقشه، هر چند ضلعی از نقشه LUA مقدار نمونه SM را می دهد و SM مبتنی بر شبکه را ایجاد می کند. علاوه بر این، نقشه SM سنجش از راه دور Landsat دارای شاخص های چند باندی مانند NDMI است.

3. نتایج و بحث

3.1. پایگاه داده جغرافیایی برای تولید نقشه LUA

همانطور که قبلا ذکر شد، ابزار سنجش از دور و GIS برای دستیابی به نتایج این مطالعه مهم هستند. بنابراین برای تولید داده‌ها از تصاویر ماهواره‌ای از جمله شاخص‌های پوشش زمین، رطوبت و پوشش گیاهی و غیره استفاده می‌شود. از تکنیک‌های GIS برای ترکیب، استخراج و تحلیل داده‌ها و ایجاد اطلاعات مشتق شده مربوط به شاخص‌های ژئومحیطی در قالب اس ام جدول 2 نمونه ای از جدول ویژگی اطلاعات خاک در پایگاه داده جغرافیایی را نشان داده است. تمامی تحلیل های جغرافیایی، استانداردسازی لایه ها در نرم افزار ArcMap انجام شده است. شکل 6 برخی از نقشه های ورودی را به عنوان لایه های پایه در یک پایگاه داده جغرافیایی نشان داده است.

3.2. تولید نقشه منطقه واحد زمین (LUA).

چندین تکنیک جغرافیایی در یک محیط GIS برای تولید نقشه LUA استفاده شد ( شکل 7 ). در ArcMap ما از همپوشانی با وزن دادن استفاده کردیم، به این معنی که برای هر لایه محیطی که بیشتر تحت تأثیر SM بود، امتیازی در محدوده 1 تا 5 امتیاز به دست آوردیم. این امتیاز بر اساس مشاهدات میدانی و اصطلاحات اولیه روابط SM در منطقه مورد مطالعه تعیین شد. امتیاز هر لایه به شرح زیر است: شکل زمین، 5; پوشش گیاهی، 4; و انواع پوشش زمین، 3. این نقشه با تفسیر متخصص، مشاهدات میدانی، بررسی بصری مقایسه ای توسط Google Earth و داده های سنجش از دور حل می شود. این نقشه نقطه ای به عنوان نقشه پایه نقشه برداری خاک آماده کار میدانی می باشد. نقشه LUA شامل 11 کلاس با کدهای منحصر به فرد مربوط به ویژگی های کلی آنها است، همانطور که در نشان داده شده استجدول 3. در طول کار میدانی و مشاهدات، متوجه شدیم که چند ضلعی‌های LUA می‌توانند به طور منطقی تنوع مکانی پارامترهای ژئوفیزیکی را که بر SM تأثیر می‌گذارند، پوشش دهند تا بهترین مناطق برای معرفی نمونه‌های خاک را شناسایی کنند. بزرگترین واحد LUA BFC در قسمت میانی منطقه مورد مطالعه و کوچکترین واحد RPL در جنوب بود. در منطقه مورد مطالعه، معمولاً در بخش‌های جنوبی و شمالی LUA، واحدها از نظر اندازه کوچکتر از قسمت میانی هستند به دلیل تنوع کم در یک ویژگی ژئوفیزیکی زمین، مانند پوشش زمین، زمین‌شناسی و خاک در قسمت میانی زمین. منطقه مطالعه به نظر می رسد در یک محیط خشک، به دلیل تغییرپذیری کمتر در سایر عوامل ژئوبیولوژیکی از جمله خاک و نوع پوشش گیاهی، پوشش زمین را می توان به عنوان یکی از مهمترین لایه های پایه برای تولید نقشه LUA برشمرد.

علاوه بر نقشه‌های SM که با درونیابی فضایی داده‌های نمونه میدانی تولید کردیم. ما همچنین نقشه SM دیگری را برای اهداف تجسم (برای نشان دادن SM های مختلف هر نوع LUA) با اختصاص مقادیر متوسط SM یک نوع LUA (به دست آمده از نمونه برداری میدانی) به چند ضلعی های LUA مربوطه، همانطور که در شکل 7 ب نشان داده شده است، تولید کردیم . مقایسه این نقشه با NDMI و نقشه SM زمین آماری نشان داده است که همبستگی هندسی بیشتری با خصوصیات سطح زمین دارد.

3.3. نقشه برداری SM با استفاده از روش درونیابی فضایی و مقایسه

واریوگرام درجه شباهت بین مقادیر ویژگی را در سایت های نمونه x و x ₊ h به عنوان تابعی از جدایی جغرافیایی یا تاخیر h آنها توصیف می کند. در واریوگرام ها، فاصله بین نقاط داده (محور X) در برابر نیمه واریانس (محور Y) رسم می شود ( شکل 8 a). نقشه کوواریانس نقشه پیش بینی در شکل 8 ب نشان داده شده است.

تجزیه و تحلیل روند در منطقه مورد مطالعه با استفاده از داده های ویژگی پروژه نقطه ای نمونه های SM انجام شد ( شکل 9 ). شکل 9 روند تغییرات فضایی SM را نشان می دهد. نتایج روند نشان داده است که خط روند سبز با مقادیر در انتهای محور Y دارای روند کاهشی تدریجی و سپس روند افزایشی در محور X است. با این حال، خط روند آبی از دورترین انتهای محور X در محور Y کاهش تدریجی را نشان می دهد. با ارائه به دو منحنی بالا، ترتیب حذف روند به گونه ای درون یابی شد که تغییرات مکانی در جهت شمال شرقی به جنوب غربی شدید بود، اما یک تغییر تدریجی در جهت شمال غربی به جنوب شرقی وجود دارد.

کوکریجینگ از اطلاعات چندین نوع متغیر استفاده می کند. متغیر کلیدی مورد توجه Z ₁ است و همبستگی خودکار برای Z ₁ و همبستگی متقابل بین Z ₁ و سایر انواع متغیرها برای پیش بینی های پیشرفته استفاده می شود. استفاده از اطلاعات سایر متغیرها برای کمک به پیش‌بینی جذاب است، اما یکی به دیگری بستگی دارد. کوکریجینگ به تخمین بیشتری نیاز دارد، از جمله تخمین همبستگی خودکار برای هر متغیر، و همچنین همه همبستگی های متقابل. از نظر تئوری، بدتر از کریجینگ نیست، زیرا اگر همبستگی متقاطع وجود نداشته باشد، می‌توانید به سادگی به همبستگی خودکار برای Z _{1 تکیه کنید.}. برای کوکریجینگ، از نقشه خاک و درصد تاج پوشش گیاهی به عنوان متغیرهای توضیحی اضافی استفاده کردیم. واریوگرام تجربی با استفاده از سه نقشه مختلف، نقاط SM حاصل از بررسی میدانی، نقشه خاک و نقشه پوشش گیاهی تهیه شد. نقشه LUA به عنوان یک نقشه اصلی به نقشه نقطه ای SM پیوند داده شد. آستانه، محدوده و قطعه توسط این سه متغیر خاک، پوشش گیاهی و LUA در برابر نقاط نمونه بررسی شد. در واقع، آستانه، ناگت و برد متغیری را تایید می کنند که همبستگی کافی با نقاط نمونه دارد. از آنجایی که منطقه مورد مطالعه خیلی وسیع نبود و نقشه LUA برای تشخیص چند ضلعی ها برای نمونه برداری بسیار مفید بود، محدوده، آستانه و قطعه روند منطقی در بین آنها نشان داده است. مقدار دامنه نشان می دهد که نمونه دارای توزیع قابل قبولی از فاصله در LUA است.

کریجینگ روش های درون یابی را جمع آوری می کند که بر مدل های نیمه متغیر خود همبستگی فضایی برای تولید مقادیر پیش بینی شده و سایر اطلاعات مربوط به توزیع مقادیر برای هر مکان در منطقه مورد مطالعه از طریق پنجک ها و نقشه های احتمالی یا از طریق شبیه سازی زمین آماری، که مجموعه ای از مقادیر ممکن برای هر مکان توزیع داده ها و نتایج مدل را می توان در نمودار QQ معمولی مشاهده کرد، که در آن توزیع نرمال استاندارد بر روی محور x رسم می شود ( شکل 10 ). اگر داده ها به طور معمول توزیع شوند، نقاط در امتداد خط مرجع 45 درجه قرار می گیرند.

اعتبارسنجی با مقایسه دو روش از طریق اعتبارسنجی متقابل امکان پذیر است، اما به جای استفاده از مجموعه داده های مشابه برای ساخت و ارزیابی مدل، از دو مجموعه داده استفاده می شود. یکی برای ساخت مدل و دیگری به عنوان آزمون مستقل عملکرد. در این تحقیق از ابزار زیرمجموعه ویژگی‌ها برای تقسیم تصادفی داده‌ها به زیر مجموعه‌های آموزشی و آزمایشی استفاده کردیم. برای اعتبارسنجی، ما در حال مقایسه این هستیم که کدام روش برای مجموعه داده ما بهترین است. ابتدا بین دو تکنیک مختلف کریجینگ و کوکریجینگ و سپس با IDW مقایسه کردیم ( شکل 10 و شکل 11). این مقایسه بر اساس ریشه میانگین مربعات خطا (RMSE)، میانگین خطای استاندارد شده و میانگین خطای استاندارد است. به طور معمول، بهترین مدل مدلی است که میانگین استاندارد شده نزدیک به صفر، کوچکترین ریشه میانگین مربع خطای پیش بینی، میانگین خطای استاندارد نزدیک به خطای پیش بینی RMS، و خطای استاندارد شده پیش بینی RMS نزدیک به یک باشد. در مقایسه ما، روش کوکریجینگ کمترین RMSE و میانگین استاندارد شده را به دست آورد، بنابراین به عنوان بهترین مدل شناخته شد ( شکل 10 ب)، پس از آن کریجینگ و در نهایت IDW ( شکل 11 ).

در نهایت، پس از تجزیه و تحلیل روش درونیابی، نقشه SM با تکنیک زمین آماری کریجینگ معمولی، کوکریجینگ و IDW در نرم افزار ArcGIS استخراج شد ( شکل 12 a-c). شاخص رطوبت مختلف نرمال شده (NDMI: TM4-TM5/TM4+TM5) توسط داده های Landsat TM برای مقایسه نتایج به صورت بصری تولید شد ( شکل 12).د). این سه نقشه رطوبت را در محدوده 2 تا 10 درصد نشان داده اند که روش کریجینگ منطقه مورد مطالعه در محدوده متوسط و IDW تمامی محدوده های موجود در افسانه را در این محدوده متغیر رطوبت نشان می دهد. به طور معمول، در منطقه مورد مطالعه، رطوبت از شمال به جنوب افزایش می یابد، همانطور که در نقشه ها نشان داده شده است. مناطقی وجود دارد که به دلیل ژئومورفولوژی دشت ها (پلایا) توسط خاک مرطوب پوشیده شده است که منجر به افزایش سطح آب زیرزمینی شده است. اگرچه سطح آب زیرزمینی بالا است، از سوی دیگر، تبخیر نیز بالا است. بنابراین، دشت نمک ظاهر شد. به این ترتیب، روش درون یابی فضایی برای درک روند نقشه پیش بینی با استفاده از یک نمونه نقطه ای با تنوع توزیع منطقه ای بسیار مهم است. بنابراین، با توجه به این تنوع،

همانطور که قبلا ذکر کردیم، پایگاه داده های جغرافیایی و نقشه های LUA حاصل می تواند برای کار میدانی در بررسی رطوبت خاک مفید باشد. به این ترتیب، درک تعامل با خاک، در میان سایر عوامل محیطی، برای تنوع مکانی SM و نمونه برداری خاک در مزرعه محتمل خواهد بود. برای دستیابی به ناحیه همگن به عنوان نقشه پایه کار میدانی در نقشه برداری خاک، نقشه LUA قابل اعتمادترین واحد است زیرا از لایه های پایه مختلف می آید و شامل متغیرهای بیشتری است که بر ویژگی های SM تأثیر می گذارد. به طور کلی، نقشه دیجیتال خاک قابل دسترس با استفاده از دانش مرتبط و تعمیم یافته در مورد تأثیر توپوگرافی، زمین شناسی و پوشش زمین بر ویژگی های خاک تفسیر شد. با این حال، رویکرد LUA برای ترسیم مناطق همگن از نظر خاک، زمین شناسی، پوشش گیاهی، ژئومورفولوژی، شکل زمین، و پوشش زمین بسیار عملی است. بنابراین به نظر می‌رسد روش این پژوهش با استفاده از پایگاه داده‌های مکانی در محیط نرم‌افزار GIS، تکنیکی سریع و پربار بر اساس نقشه واحد زمین ارائه می‌کند. در نتیجه، این تحقیق یک تکنیک جدید برای تنظیم منظر برای ایجاد نقشه واحد زمین (LUA) ایجاد کرد. برای مناطق مورد مطالعه بزرگ، زمان زیادی برای بررسی خاک برای درک توزیع فضایی خواص خاک مانند SM لازم است. بنابراین، استفاده از نقشه های LUA برای انتخاب هوشمندانه نقاط نمونه میدان خاک بسیار مهم است. این تحقیق یک تکنیک جدید برای تنظیم منظر برای ایجاد نقشه واحد زمین (LUA) ایجاد کرد. برای مناطق مورد مطالعه بزرگ، زمان زیادی برای بررسی خاک برای درک توزیع فضایی خواص خاک مانند SM لازم است. بنابراین، استفاده از نقشه های LUA برای انتخاب هوشمندانه نقاط نمونه میدان خاک بسیار مهم است. این تحقیق یک تکنیک جدید برای تنظیم منظر برای ایجاد نقشه واحد زمین (LUA) ایجاد کرد. برای مناطق مورد مطالعه بزرگ، زمان زیادی برای بررسی خاک برای درک توزیع فضایی خواص خاک مانند SM لازم است. بنابراین، استفاده از نقشه های LUA برای انتخاب هوشمندانه نقاط نمونه میدان خاک بسیار مهم است.

4. نتیجه گیری

نمونه های خاک در مزرعه باید مشخصات کلی یا متوسط خاک یک مزرعه همگن را برگردانند. به همین دلیل، LUA جدید برای معرفی مناطق همگن برای انتخاب موقعیت نمونه خاک در مزرعه اعمال شد. مشخص شد که تکنیک تولید مساحت واحد زمین (LUA) از پایگاه‌های داده‌های مکانی پارامترهای محیطی برای انتخاب نمونه‌برداری از خاک و در نهایت برای نقشه‌برداری SM مؤثر بود. نتایج نشان داد که نقشه LUA برای گرفتن نقاط نمونه نمونه از SM موفق بود. علاوه بر این، با به‌روزرسانی هر یک از الگوریتم‌های خودکار در GIS، می‌توان از تغییرات هر لایه در پایگاه جغرافیایی در طول زمان و مکان برای به‌روزرسانی نقشه LUA برای کارهای میدانی آینده استفاده کرد.

مقایسه چهار نقشه SM; سه روش زمین آماری و یکی بر اساس LUA. روش همکریجینگ می‌تواند دقیق‌ترین نقشه SM را به دست آورد، سپس کریجینگ و در نهایت IDW. اگرچه به نظر می‌رسد که کریجینگ می‌تواند انعطاف‌پذیرتر از کریجینگ باشد زیرا اضافه کردن برخی متغیرهای توضیحی دیگر برای درونیابی را ممکن می‌سازد. به عنوان مثال، در نقشه برداری SM، می توان متغیر زمین شناسی خاک یا سایر اطلاعاتی را که در اختیار داریم اضافه کرد. در نهایت، مهم ترین عامل برای ایجاد یک مدل قابل اعتماد در درون یابی مکانی زمین آماری، مجموعه داده با توزیع فضایی رضایت بخش از نقاط نمونه است. این بدان معنی است که درک تغییرپذیری فضایی خاک و مدل‌سازی و نقشه‌برداری برای استخراج دقیق‌تر نقشه SM بسیار مهم است.

در این مطالعه، ما اقدام به تولید یک نقشه SM از داده‌های بررسی خاک، با در نظر گرفتن تغییرات فضایی خاک در مزرعه با استفاده از تکنیک‌های مبتنی بر GIS از ابتدا (طراحی نمونه‌برداری از خاک) تا انتها (نقشه‌برداری SM با درونیابی زمین‌آماری) کرده‌ایم. ). نه تنها تلاشی برای ارزیابی یا مدل‌سازی نقشه‌های رقومی خاک ایجاد شده، این تحقیق منعکس‌کننده فرآیند کامل نمونه‌برداری از خاک، در نظر گرفتن تغییرات فضایی خاک، و روش‌های درون‌یابی فضایی است. مطالعه بیشتر در مورد چگونگی استفاده بهتر از فناوری پایگاه داده جغرافیایی با لایه های ورودی با وضوح بالاتر برای دستیابی به مقیاس های دقیق تر نقشه LUA و نتیجه دقیق خروجی های SM توصیه می شود. علاوه بر این،

منابع

یوانیوان، دی. Yong, W. تحقیق در مورد روشهای درونیابی فضایی SM بر اساس GIS. در مجموعه مقالات کنفرانس بین المللی علوم و فناوری اطلاعات، نانجینگ، چین، 26-28 مارس 2011. ص 26-28.
جین، اس. اندرو، DH مروری بر روش درونیابی فضایی مقایسه ای در علوم محیطی: عملکرد و ضریب تاثیر. جی. اکول. آگاه کردن. 2010 ، 6 ، 228-241. [ Google Scholar ]
تومیسلاو، اچ. جرارد، BMH; دیوید، GR درباره رگرسیون-کریجینگ: از معادله تا مطالعات موردی. محاسبه کنید. Geosci. 2007 ، 33 ، 1301-1315. [ Google Scholar ]
وی، اس. بودیمان، م. الکس، ام. تجزیه و تحلیل و پیش بینی خواص خاک با استفاده از رگرسیون محلی-کریجینگ. ژئودرما 2010 ، 171-173 ، 16-23. [ Google Scholar ]
ژائو، پی پی. Shao، M. توزیع فضایی آب خاک در زمین های کشاورزی سد در فلات لس، چین. Acta Agric. Scand. 2010 ، 60 ، 117-125. [ Google Scholar ] [ CrossRef ]
تاکاگی، ک. لین، HS تغییر کنترل سازمان فضایی رطوبت خاک در حوضه آبریز شیل هیلز. Geoderma 2012 ، 173-174 ، 289-302. [ Google Scholar ] [ CrossRef ]
زو، س. Lin, HS مقایسه کریجینگ معمولی و کریجینگ رگرسیونی برای خواص خاک در مناظر متضاد. Pedosphere 2010 ، 20 ، 594-606. [ Google Scholar ] [ CrossRef ]
اسقف، TFA; مک براتنی، AB مقایسه روش‌های پیش‌بینی برای ایجاد نقشه‌های ویژگی خاک با گستره میدانی. ژئودرما 2001 ، 103 ، 149-160. [ Google Scholar ] [ CrossRef ]
Xueling، Y.; بوجی، اف. ییهه، ال. رویینگ، سی. شوای، دبلیو. یافنگ، دبلیو. Changhong، S. واریانس فضایی چند مقیاسی SM در فلات نیمه خشک لس چین. J. رسوبات خاک. 2012 ، 12 ، 694-703. [ Google Scholar ]
روزنباوم، یو. بوگنا، منابع انسانی؛ هربست، ام. Huisman، JA; پترسون، تی جی؛ ویتن، آ. وسترن، AW؛ Vereecken، H. پویایی فصلی و رویداد الگوهای SM فضایی در مقیاس حوضه آبریز کوچک. منبع آب Res. 2012 ، 48 . [ Google Scholar ] [ CrossRef ]
دی بندتو، دی. کاستریگنانو، ا. Quarto, R. یک رویکرد زمین آماری برای تخمین SM به عنوان تابعی از داده های ژئوفیزیکی و ویژگی های خاک. اقدام کرد. محیط زیست علمی 2013 ، 19 ، 436-445. [ Google Scholar ]
یائو، ایکس. فو، بی. لو، ی. سان، اف. وانگ، اس. لیو، ام. مقایسه چهار روش درونیابی فضایی برای تخمین SM در یک حوضه آبریز زمین پیچیده. PLoS ONE 2013 ، 8 ، e54660. [ Google Scholar ]
محمد، من؛ Abdo, BM نقشه‌برداری تغییرپذیری فضایی برخی از ویژگی‌های خاک در پروژه کشاورزی الملتغه (سودان) با استفاده از تکنیک‌های سیستم‌های اطلاعات جغرافیایی (GIS). J. Soil Sci. محیط زیست مدیریت 2011 ، 2 ، 58-65. [ Google Scholar ]
هان، ایکس. لی، ایکس. هندریکس فرانسن، HJ; وریکن، اچ. مونتزکا، سی. ویژگی های همبستگی افقی فضایی در جذب داده های زمین SM. هیدرول. سیستم زمین علمی 2012 ، 16 ، 1349-1363. [ Google Scholar ] [ CrossRef ]
مارین، P.-G. زانات، ع.-ن. خوزه، AC-M. مارتین، AM-B. الگوهای فضایی تخریب خاک در مکزیک افر. جی. آگریک. Res. 2011 ، 6 ، 1109-1113. [ Google Scholar ]
سلام.؛ آهنگ، HY; ژانگ، اس جی. Fang, H. مطالعه بر روی تنوع مکانی و طرح نمونه برداری از عناصر غذایی خاک در مزرعه بر اساس GPS و GIS. در مجموعه مقالات بیست و هفتمین کنفرانس بین المللی سالانه انجمن مهندسی پزشکی و زیست شناسی، شانگهای، چین، 1-4 سپتامبر 2005. صص 5942–5945.
دیانا، A.-F. مارین، P.-G. زانات، ع.-ن. عوامل محرک برای وقوع آتش سوزی در جنگل در ایالت دورانگو مکزیک: چشم انداز جغرافیایی چانه. Geogr. علمی 2010 ، 20 ، 491-497. [ Google Scholar ]
Goovaerts, P. Geostatistics for Natural Resources Evaluation ; انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 1997. [ Google Scholar ]
گرونوالد، اس. مک سوینی، ک. لوری، بی. رونی، دی. توصیف مستمر ویژگی‌های خاک در منظره‌ای در جنوب ویسکانسین. در مجموعه مقالات نشست سالانه ASA-CSA-SSSA، بالتیمور، MA، ایالات متحده آمریکا، 18 تا 22 اکتبر 2007.
جیکوبز، HM تمرین یکپارچه سازی زمین در دنیای در حال تغییر برنامه ریزی کاربری زمین. طرح کارت. 2000 ، 60 ، 175-182. [ Google Scholar ]
کوین، جی. جی، م. ور، اچ. کنستانتین، ک. Neil, L. Using ArcGIS, Geostatistical Analyst. در دسترس آنلاین: http://dusk2.geo.orst.edu/gis/geostat_analyst.pdf (در نوامبر 2015 قابل دسترسی است).
حرشه، ح. Tateishi, R. Environmental GIS پایگاه داده و نقشه بیابان زایی غرب آسیا. در مجموعه مقالات کارگاه شبکه برنامه موضوعی منطقه آسیا در مورد پایش و ارزیابی بیابان زایی، توکیو، ژاپن، 28 تا 30 ژوئن 2000.
Zonneveld، IS واحد زمین یک مفهوم اساسی در بوم شناسی منظر و کاربردهای آن است. Landsc. Ecol. 1989 ، 3 ، 67-86. [ Google Scholar ] [ CrossRef ]
Juergensmeyer, JC; رابرتز، قانون تنظیم برنامه ریزی و توسعه کاربری اراضی TE ; West Academic Publishing: St Paul, MN, USA, 2013. [ Google Scholar ]
واکا، ا. Marrone، VA نقشه واحد زمین و قابلیت خاک ساردینیا (ایتالیا) در مقیاس 1: 50000: منطقه آزمایشی Pula-Capoterra. در بیستمین کنگره جهانی علوم خاک، وین، اتریش، 27 آوریل تا 2 می 2014. پ. 186.
پاپادمیتریو، اف. مدلسازی پیچیدگی منظر برای مدیریت کاربری زمین در ریودوژانیرو، برزیل. سیاست کاربری زمین 2012 ، 29 ، 855-861. [ Google Scholar ] [ CrossRef ]
لیزیو، ا. Russo, F. نقشه های موضوعی برای برنامه ریزی کاربری زمین و تصمیمات سیاست در حوضه آبریز رودخانه Calaggio. J. Maps. 2010 ، 6 ، 68-83. [ Google Scholar ] [ CrossRef ]
کارکنان بخش بررسی خاک راهنمای خاک سنجی 18 ; وزارت کشاورزی ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 1993.
آپچرچ، DR; Wilding، LP; روش‌های هارتفیلد، JL برای ارزیابی تنوع فضایی. در احیای زمین های آشفته ; مطبوعات CRC: Boca Raton، FL، USA، 1988; ص 201-229. [ Google Scholar ]
واکا، ا. لودو، اس. ملیس، MT; فونددا، ا. پودو، آر. ورونا، ام. فانی، س. فانتولا، اف. مدرو، اس. مارونه، ویرجینیا؛ و همکاران یک روش مبتنی بر GIS برای نقشه برداری خاک در ساردینیا، ایتالیا: یک رویکرد ژئوماتیک جی. محیط زیست. مدیریت 2014 ، 138 ، 87-96. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Wilding، LP; بوما، ج. Boss, DW تاثیر تنوع فضایی بر مدلسازی تفسیری. مشخصات PublSSSA 1994 ، 39 ، 61-75. [ Google Scholar ]
Bi، HX; Li، XY; لیو، ایکس. Guo، MX؛ لی، جی. مطالعه موردی ناهمگونی فضایی SM در فلات لس، غرب چین: یک رویکرد زمین آماری. بین المللی J. Sediment Res. 2009 ، 24 ، 63-73. [ Google Scholar ] [ CrossRef ]
اتکینسونا، PM؛ Lewisb, P. طبقه بندی زمین آماری برای سنجش از دور: مقدمه. محاسبه کنید. Geosci. 2000 ، 26 ، 361-371. [ Google Scholar ] [ CrossRef ]
کارتر، ام آر. گرگوریچ، EG نمونه‌برداری از خاک و روش‌های آنالیز . CRC Press: Boca Raton، FL، USA، 1993. [ Google Scholar ]

شکل 1. منطقه مطالعه با استفاده از داده های Landsat ETM ⁺ و برخی نقاط نقشه برداری میدانی.

شکل 2. چارچوب GIS برای تهیه یک پایگاه داده جغرافیایی.

شکل 3. فلوچارت چارچوب کاری GIS برای ایجاد نقشه واحد زمین.

شکل 4. ( الف ) ردپای نقشه LUA مشخص شده توسط یک خط قرمز و نقاط نمونه در Google Earth و ( ب ) چشم انداز برخی از LUA در کار میدانی و اندازه گیری SM توسط TDR.

شکل 5. مراحل اصلی ایجاد پایگاه داده های مکانی، نقشه LUA و روش های درونیابی فضایی در GIS برای تولید نقشه SM.

شکل 6. نمونه هایی از ( الف ) نقشه زمین شناسی و ( ب ) نقشه پوشش زمین. ( ج ) نقشه خاک و ( د ) نقشه پوشش گیاهی.

شکل 7. نقشه LUA ( a ) تولید شده توسط یک پایگاه داده مکانی و ( ب ) نقشه SM بر اساس LUA و نقطه نمونه در ArcMap.

شکل 8. ( الف ) مدل نیم متغیری و ( ب ) نقشه کوواریانس روش کریجینگ.

شکل 9. آزمایش تغییرات مکانی تحلیل روند SM با استفاده از داده های ویژگی پروژه نقطه ای.

شکل 10. زیرمجموعه خطای استاندارد شده نمودار QQ توزیع مجموعه داده که برای مدل های کریجینگ ( الف ) و کوکریجینگ ( ب ) استفاده می شود.

شکل 11. اعتبارسنجی متقابل زیر مجموعه بین ( a ) Co-Kriging و ( b ) نتیجه IDW.

شکل 12. نقشه SM ایجاد شده توسط ( a ) co-kriging. ( ب ) کریجینگ؛ ( ج ) روش IDW، و ( د ) شاخص NDMI با استفاده از داده‌های Landsat TM.

جدول 1. نمونه ای از خواص فیزیکی و اندازه گیری SM در منطقه مورد مطالعه.

جدول 2. یک فریم از جدول ویژگی های نوع خاک و نقشه رژیم خاک در پایگاه داده جغرافیایی.

جدول 3. توضیحات کد واحد نقشه مساحت واحد زمین ( شکل 7 ).

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons by Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب