ترکیب روش‌های نقشه‎برداری مرسوم و زمین‎آماری برای تخمین برخی از ویژگی‎های فیزیکی و شیمیایی خاک ‏(مطالعه موردی: منطقه ساردوئیه، استان کرمان)‏

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد دانشگاه ولی عصر (عج) رفسنجان

2 عضو هیأت علمی

3 استادیار گروه علوم خاک دانشگاه ولی عصر (عج) رفسنجان

4 دانشیار گروه علوم خاک دانشگاه ولی عصر (عج) رفسنجان

چکیده

سابقه و هدف: خاک‌ها دارای ویژگی‌های فیزیکی، شیمیایی و بیولوژیکی بسیار متنوعی هستند که نوع و مقدار تغییرات این ویژگی‎ها در رابطه با عملیات کشت و کار محصولات کشاورزی از اهمیت بسیار زیادی برخوردار است. به‌منظور مدیریت بهینه‌ خاک، نیاز به دانستن این ویژگی‎ها می‌باشد؛ اما از آن‌جا که اندازه‌گیری این ویژگی‌ها در آزمایشگاه و آن هم برای یک سطح وسیع، بسیار هزینه‌بر است، نیاز به برآورد توزیع مکانی آن‌ها احساس می‌گردد. پژوهش حاضر به تخمین برخی از ویژگی‌های فیزیکی و شیمیایی خاک در واحد‌های نقشه ژئوفرم بخشی از اراضی منطقه‌ ساردوئیه استان کرمان با کاربرد روش‌های‌ سنتی نقشه‌برداری خاک، کریجینگ، و ترکیب این دو شیوه در قالب یک تخمینگر واحد پرداخته و نتایج دو روش با یکدیگر مقایسه شده است.
مواد و روش‌ها: از خاک سطحی (عمق صفر تا 30 سانتی‌متری) 150 نقطه‌ مشاهداتی با میانگین فاصله‌ 200 متر در قالب یک الگوی نمونه‌برداری تصادفی طبقه‌بندی‌شده، نمونه‌برداری شد. هم‌چنین، با استفاده از سیلندر، نمونه‌های دست‌نخورده از هر موقعیت مشاهداتی برداشت گردید. پس از هواخشک نمودن نمونه‌های برداشت‌شده و عبور آن‌ها از الک دو میلی‌متری، تجزیه‌های آزمایشگاهی لازم بر روی آن‌ها انجام شد. پس از محاسبه‌ مقادیر تخمینی و واریانس خطای متغیرهای مطالعاتی با استفاده از تخمینگرهای مورد نظر، اعتبارسنجی آن‌ها با استفاده از شاخص‌های آماری ضریب تبیین و جذر میانگین مربع خطای نسبی انجام گرفت.
یافته‌ها: تمامی ویژگی‌های مورد مطالعه، به‌جزء چگالی ظاهری و واکنش خاک، از تغییرپذیری متوسط برخوردار بودند. ساختار مکانی همه‌ متغیرهای مورد مطالعه به‌جزء درصد حجمی ذرات درشت، درصد ماده آلی و قابلیت هدایت الکتریکی که ساختار مکانی قوی داشتند، از نوع متوسط بود و مدل‌های کروی و نمایی به‌خوبی توانستند ساختار مکانی ویژگی‌های خاک را مدل‌سازی کنند. دامنه این مدل‌ها برای ویژگی‌های مختلف از حدود 450 متر برای ظرفیت زراعی تا 1945 متر برای واکنش خاک متغیر بود. با توجه به این‌که میانگین دامنه‌های ویژگی‌های مورد مطالعه، حدود 880 متر بود؛ می‌توان این فاصله را به‌عنوان فاصله‌ بهینه‌ نمونه‌برداری برای مطالعات آتی در این منطقه مد نظر قرار داد.
نتیجه‌گیری: نتایج نشان داد زمانی که کلاس همبستگی مکانی یک متغیر، قوی باشد؛ استفاده از تخمینگر کریجینگ و روش ترکیبی، تخمین موفقیت‌آمیزی از آن ویژگی را به همراه خواهد داشت. به‌علاوه، در چنین وضعیتی، کاربرد تخمینگر ترکیبی منجر به کاهش قابل توجهی در میزان اُریب تخمین‌ها شد. از سوی دیگر، استفاده از روش ترکیبی برای تخمین سایر ویژگی‌های خاک‌های منطقه‌ مطالعاتی که کلاس همبستگی مکانی متوسط داشتند از ارجحیت قابل توجهی نسبت به دو تخمینگر دیگر (نقشه‌ ژئوفرم و نقشه‌ کریجینگ) برخوردار نبود.

کلیدواژه‌ها


عنوان مقاله [English]

Combination of conventional and geostatistical mapping methods to estimate some soil ‎physical and chemical properties ‎(A case study: Sarduieh region, Kerman province)‎

نویسنده [English]

  • Isa Esfandiarpour Borujeni 2
1
2
3
4
چکیده [English]

Background and objectives‏:‏‎ Because of wide variety of soil properties (including physical, chemical ‎and biological), the type and rate of change of these properties in relation to the cultivation of ‎agricultural products is great importance. For optimal management of soil, it is need to know these ‎properties. Since it is very expensive to measure soil characteristics in the laboratory and for a broad ‎area, estimation of their spatial distribution is required. This study has estimated some soil physical and ‎chemical properties in geoform map units of some parts of Sarduieh region using the conventional soil ‎mapping method, kriging and their combination as single estimator and has compared the results with ‎each other.‎
Materials and methods: 150 observation points (with a mean distance of 200 m) as a random classified ‎sampling pattern were taken from the topsoil (0-30 cm) of the area. Besides, undisturbed samples were ‎taken from each observation point by cylinder. After air drying the samples and passing them through ‎the 2 mm sieve, required laboratory analyses were done on the samples. After calculation of estimated ‎values and error variance of the studied variables using the mentioned estimators, their validation was ‎conducted using coefficient of determination (R2) and relative root mean square error (RMSE%). ‎
Results: All the studied soil properties, except bulk density and soil reaction, had moderate variability. ‎The spatial structure of all variables (except volume percentage of coarse fragments, organic matter ‎percentage, and electrical conductivity, which had strong spatial structure) was moderate and spherical ‎and exponential models were well able to model the spatial structure of soil properties. The range of ‎models for various properties was variable between 450 m for field capacity and 1945 m for soil ‎reaction. ‎
A distance of approximately 880 meters, which represents an average range of studied properties, can be ‎considered as an optimum sampling distance for future studies in this region. ‎
Conclusion: Results showed when the spatial correlation class of a variable was strong, the kriging ‎estimator and combined method had a more successful estimation of that property. Besides, in such ‎situation, using combined estimator leading to a significant reduction in amount of estimations’ bias. ‎On the other hand, using the combined method for estimating other soil properties in the study area ‎that had moderate spatial correlation classes did not have a significant preference than two other ‎estimators, i.e, geoform and kriging maps. ‎
Key words: Soil spatial variability, Geopedology approach, Kriging, Conventional soil mapping.‎

کلیدواژه‌ها [English]

  • Soil spatial variability
  • Geopedology approach
  • Kriging
  • Conventional soil mapping‎
1.Alison, L.E., and Modie, C.D. 1965. Carbonate. P 1379-1396, In: A.L., Page, R.H. Miller and
D.R., Keeney (Eds.), Methods of soil analysis. Part II, American Society of Agronomy,
Madison, Wisconsin, USA.
2.Blake, G.R. 1965. Bulk density. P 374-390, In: A.L., Page, R.H. Miller and D.R., Keeney
(Eds.), Methods of Soil Analysis. Part I, American Society of Agronomy, Madison,
Wisconsin, USA.
3.Bocchi, S., Castrignano, A., Fornaro, F., and Maggiore, T. 2000. Application of factorial
kriging for mapping soil variation at field scale. Europ. J. Agron. 13: 295-308.
4.Bouyoucos, G.J. 1951. A recalibration of hydrometer method for making mechanical analysis
of soil. Agronomy. 43: 434-438.
5.Bui, E.N., and Moran, C.J. 2003. A strategy to fill gaps in soil survey over large spatial
extents: an example from the Murray- Daling basin of Australia. Geoderma. 111: 21-44.
6.Burgess, T.M., and Webster, R. 1980. Optimal interpolation and isarithmic mapping of soil
properties: I. The variogram and punctual kriging. Soil Science. 31: 315-331.
7.Cambardella, C.A., Moorman, T.B., Parkin, T.B., Karlen, D.L., Turco, R.F., and Konopka,
A.E. 1994. Field scale variability of soil properties in Central Iowa soils. Soil Sci. Soc.
Amer. J. 58: 1501-1511.
8.Duffera, M., White, J.G., and Weisz, R. 2006. Spatial variability of southwestern U.S. coastal
plain soil physical properties. Geoderama. 128: 1. 121-133.
9.Esfandiarpoor Borujeni, I., Mohammadi, J., Salehi, M.H., Toomanian, N., and Poch, R.M.
2010. Assessing geopedological soil mapping approach by statistical and geostatistical
methods: a case study in the Borujen region, Central Iran. Catena. 82: 1-14.
10.Farifteh, J., Van der Meer, F., Atzberger, C., and Carranza, E.J.M. 2007. Quantitative
analysis of salt-affected soil reflectance spectra: a comparison of two adaptive methods
(PLSR and ANN). Remote Sensing of Environment. 110: 59-78.
11.Farpoor, M.H., Neyestani, M., Eghbal, M.K., and Esfandiarpour Borujeni, I. 2012.
Soil -geomorphology relationships in Sirjan playa, south central Iran. Geomorphology.
138: 1. 223-230.
12.Goovarets, P. 1997. Geostatistics for natural resources evaluation. Oxford Univ. Press, UK,
483p.
13.Goovaerts, P. 1999. Geostatistics in soil science: state-of-the-art and perspectives.
Geoderma. 89: 1-45.
14.Hengl, T., and Husnjak, S. 2006. Evaluating adequacy and usability of soil maps in Croatia.
Soil Sci. Soc. Amer. J. 70: 920-929.
15.Hengl, T., Huvelink, G.B.M., and Stein, A. 2004. A generic framework for spatial prediction
of soil 55 variables based on regression-kriging. Geoderma. 120: 75-93.
16.Heuvelink, G.B., and Bierkens, M.F.P. 1992. Combining soil maps with interpolation from
point observations to predict quantitative soil properties. Geoderma. 55: 1-15.
17.Hu, W., Shao, M.A., Wan, L., and Si, B.C. 2014. Spatial variability of soil electrical
conductivity in a small watershed on the Loess Plateau of China. Geoderma. 231: 212-220.
18.Kalkali, M., Karimi, A., Haghnia, Gh., and Esfandiarpour, I. 2015. Comparison of
geostatistical and conventional mapping methods in determining the variation of selected soil
properties (a case study: Jiroft, Kerman province). J. Soil Water (Agricultural Science and
Technology). 28: 2. 353-364. (In Persian)
19.Liu, D., Wang, Z., Zhang, B., Song, K., Li, X., Li, J., Li, F., and Duan, H. 2006. Spatial
distribution of soil organic carbon and analysis of related factors in croplands of the black
soil region, Northeast China. Agriculture, Ecosystems and Environment. 113: 73-81.
20.Mueller, T.G., Pierce, F.J., Schabenberger, O., and Warncke, D.D. 2001. Map quality for
site-specific fertility management. Soil Sci. Soc. Amer. J. 65: 1547-1558.
21.Park, S.J. 2008. Environmental correlation of three-dimensional soil spatial variability: a
comparison of three adaptive techniques. Geoderma. 109: 117-140.
22.Richards, L.A. 1947. Pressure-membrane apparatus construction. Agricultural Engineering.
28: 451-456.
23.Richards, L.A. 1954. Diagnosis and Improvement of Saline-Alkali Soils. U.S.D.A. Hand
book, 60. Washington, D.C., U.S.A, 160p.
24.Rogowski, A.S., and Wolf, J.K. 1994. Incorporating variability into soil map unit
delineations. Soil Sci. Soc. Amer. J. 58: 163-174.
25.Rossiter, D.G., and Hengl, T. 2001. Technical notes: creating geometrically correct photointerpretation,
photo-mosaics and base maps for a project GIS. http://www.itc.nl/rossiter.
26.Safari, Y., Esfandiarpour Boroujeni, I., Kamali, A., Salehi, M.H., and Bagheri Bodaghabadi,
M. 2013. Qualitative land suitability evaluation for main irrigated crops in the Shahrekord
plain, Iran: a geostatistical approach compared with conventional method. Pedosphere.
23: 6. 767-778.
27.Salehi, M.H., Hashemi Beni, O., Beigi Harchegani, H., Esfandiarpour Bprujeni, I., and
Motaghian, H.R. 2011. Refning Soil Organic Matter Determination by Loss-on-Ignition.
Pedosphere. 21: 4. 473-482.
28.Salehi, M.H., Karimian Eghbal, M., and Khademi, H. 2013. Comparison of soil variability in
a detailed and a reconnaissance soil map in central Iran. Geoderma. 111: 45-56.
29.Salehi, M.H., Mohammadi, J., Khademi, H., and Eghbal, M.K. 2008. Improving the
estimation of soil properties using combination of conventional soil maps with Kriging.
Ahvaz, J. Agric. 30: 4. 93-106. (In Persian)
30.Stein, A., Hoogerwef, M., and Bouma, J. 1988. Use of map-delineation to improve
co-kriging of point data on moisture deficits. Geoderma. 43: 311-325.
31.Sun, W., Minasny, B., and McBratney, A. 2012. Analysis and prediction of soil properties
using local regression-kriging. Geoderma. 172: 16-23.
32.Utset, A., Lopez, T., and Diaz, M. 2000. A comparison of soil maps, kriging and a combined
method for spatially predicting bulk density and field capacity of Ferralsols in the
Havan-Matanzas Plain. Geoderma. 96: 199-213.
33.Walky, A., and Black, T.A. 1934. An examination of the Degtjareff method for determining
organic matter and a proposed modification of chromic acid titration method. Soil Sciences.
37: 29-38.
34.Warrick, A., and Nielsen, D.R. 1980. Spatial variability of soil physical properties in
the field. P 319-324, In: D. Hillel (Ed.), Applications of Soil Physics. Academic Press,
New York.
35.Webster, R., and Oliver, M.A. 1992. Statistical methods in soil and land resource survey.
Oxford University Press, Oxford, USA, 316p.
36.Webster, R., and Oliver, M.A. 2001. Geostatistics for environmental scientists. John Wiley
and Sons Press, New York, 255p.
37.Xu, G., Li, Z., and Li, P. 2014. Spatial variability of soil available phosphorus in a typical
watershed in the source area of the middle Dan River, China. Environment Earth Science.
71: 3953-3962.
38.Yang, R., Maob, H., and Shaoa, Y.G. 2009. An investigation on the distribution of
eight hazardous heavy metals in the suburban farmland of China. J. Hazard. Mater.
167: 1246-1251.
39.Yasrebi, J., Saffari, M., Fathi, H., Karimian, N., Emadi, M., and Baghernejad, M. 2008.
Spatial variability of soil properties for precision agriculture in southern Iran. Asian Network
for Scientific Information. J. Appl. Sci. 8: 9. 1642-1650.
40.Zhang, X., Lin, F., Jiang, Y., Wang, K., and Feng, X.L. 2008. Variability of total and
available copper concentrations in relation to land use and soil properties in Yangtz river
deltabof China. J. Environ. Monitor. Assess. 155: 205-213.
41.Zhu, J., Morgan, C.L.S., Norman, J.M., Yue, W., and Lowery, B. 2004. Combined mapping
of soil properties using a multi- scale tree-structured spatial model. Geoderma. 118: 321-334.
42.Zink, J.A. 2013. Geopedology: elements of geomorphology for soil and geohazard studies.
ITC Special Lecture Notes Series. Faculty of Geo-Information Science and Earth
Observation, Enschede, Netherlands, 135p.
43.Zong-Ming, W., Bai, Z., Kai-Shan, S., Dian-Wei, L., and Chun-Ying, R. 2010. Spatial
variability of soil organic carbon under maize monoculture in the Song-Nen plain, Northeast
China. Pedosphere. 20: 80-89.