موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 48 1 2017 04 21 Three-dimensional mapping of soil texture using spline depth functions and artificial neural networks تهیه نقشه‌های سه بعدی توزیع اندازه ذرات نهایی سازنده خاک (بافت خاک) با استفاده از معادلات عمق و شبکه‌های عصبی مصنوعی 113 123 61346 10.22059/ijswr.2017.61346 FA علیرضا امیریان چکان عضو هیات علمی دانشگاه صنعتی خاتم الانبیاء بهبهان روح اله تقی زاده مهرجردی استادیار دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان فریدون سرمدیان استاد گروه مهندسی علوم خاک دانشگاه تهران احمد حیدری گروه مهندسی علوم خاک، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران Journal Article 2015 02 08 Quantitative, continuous and three-dimensional soil data at appropriate scales are prerequisites for modeling of natural resources and environment. Despite the importance of soil texture, its legacy soil maps are often provided for the surface layers in which vertical and lateral variations of soil properties are not considered. The combination of digital soil mapping (DSM) and soil depth functions is an alternative tool to cope with these problems, especially in countries with limited data such as Iran. Therefore, equal-area spline depth function and DSM techniques were employed to assess the vertical and lateral distribution of soil texture in Silakhor Plain, located in Lorestan province, western Iran. By fitting the depth function to the measured clay, silt and sand percent in 103 sites to a depth of one meter, their estimated percents were obtained at five standard soil depths of Global Soil Map project (0-5, 5-15, 15-30, 30-60 and 60-100 cm). Also artificial neural network model was employed to predict lateral distribution of soil texture fractions using the auxiliary variable derived from satellite image and digital elevation model (DEM) in the standard depths. The results of the sensitivity analysis showed although the relative importance of auxiliary variables in predicting soil texture was different according to the depth and texture fractions, the performance of artificial neural network in upper layers was more than lower layers. R2 values for clay, silt and sand and from the top to the bottom were 0.73 to 0.49, 0.43 to 0.76 and 0.26 to 0.68, respectively. Results also showed, for estimating soil texture, auxiliary variables derived from satellite image were more important in surface layers and of DEM were more important in subsurface layers. در نقشه­های مرسوم معمولا چگونگی تغییرات بافت خاک در فواصل بین نقاط نمونه­برداری نشان داده نمی­شود و در این نقشه­ها و نقشه­های رقومی، تغییرات تدریجی بافت خاک با عمق به خوبی قابل پیش­بینی نیست. از تکنیک نقشه­برداری رقومی برای تخمین ذرات نهایی سازنده خاک در مکان­های نمونه­برداری نشده و از معادلات عمق خاک برای نشان دادن تغییرات بافت خاک با عمق و تخمین آن در هر عمق دلخواه می­توان استفاده نمود. در این مطالعه در 103 نقطه مشاهداتی واقع در دشت سیلاخور در شمال غرب شهرستان دورود استان لرستان، معادله عمق اسپلاین با سطح برابر بر داده­های سیلت، شن و رس تا عمق یک متری برازش داده شد و مقادیر این اجزاء در پنج عمق استاندارد شامل 5-0، 15-5، 30-15، 60-30 و 100-60 سانتی­متر تخمین زده شد.  این اطلاعات با متغیرهای کمکی استخراج شده از تصاویر ETM⁺سنجنده­های ماهواره لندست و مدل رقومی ارتفاعی (DEM) تلفیق و بر اساس روابط بین آن­ها نقشه پیوسته پیش­بینی مقدار اندازه ذرات نهایی سازنده خاک و کلاس­های بافت خاک با استفاده از مدل شبکه­های عصبی مصنوعی برای کل منطقه به دست آمد. نتایج تجزیه و تحلیل حساسیت نشان داد اهمیت نسبی داده­های کمکی در پیش­بینی بافت خاک برای اجزاء مختلف بافت و در اعماق مختلف متفاوت است. بر طبق نتایج حاصله توانایی شبکه­های عصبی در تخمین بافت خاک در لایه­های سطحی بیشتر از لایه­های پایینی بود. مقادیر R² برای رس، سیلت و شن از سطح به عمق به ترتیب از 73/0 تا 49/0، از 76/0 تا 43/0 و از 68/0 تا 26/0 به دست آمد. این نتایج در نقشه­برداری رقومی در حد قابل قبولی هستند. افزون بر این، نتایج نشان داد داده­های کمکی مستخرج از تصاویر ماهواره­ای در لایه‌های سطحی و داده­های مستخرج از DEM در لایه­های عمقی اهمیت بیشتری در تخمین بافت خاک داشتند. https://ijswr.ut.ac.ir/article_61346_89087eb79b0c1721f8e496bf3c4ff1e2.pdf