مقدمه

در سطح جهان، کانادا دارای سومین و هفتمین پایگاه دارایی از نظر زمین های جنگلی و زراعی است. از این رو، اطلاعات دقیق و دقیق خاک برای حفظ و بهبود منابع خاک و مقابله با چالش‌های زیست محیطی مهم، مانند از دست دادن زمین کشاورزی یا کاهش کربن آلی خاک و بدتر شدن سلامت خاک مورد نیاز است. بدون اطلاعات در مورد الگوهای فضایی خاک، توانایی ما برای شناسایی مناسب‌ترین مکان‌ها برای تحقق فرصت‌های جدید کشاورزی و مدیریت منابع و سرمایه‌گذاری بر منابع طبیعی‌مان در آینده به چالش کشیده خواهد شد.

تقاضا برای اطلاعات به روز خاک برای رسیدگی به مسائل زیست محیطی نوظهور مانند تولید مواد غذایی پایدار افزایش یافته است. تنظیم، سازگاری، و کاهش تغییرات آب و هوا؛ تخریب خاک؛ مدیریت منابع زمین؛ و ارائه خدمات سیستم زمین در تمام گستره های جغرافیایی (سانچز و همکاران، 2009؛ فائو و مشارکت جهانی خاک، 2016). علاوه بر این، اطلاعات بهتر خاک برای انجام ارزیابی خاک ضروری است. و کاهش و اطلاع رسانی از خطرات برای تصمیم گیری (Carré و همکاران، 2007؛ Finke، 2012؛ Arrouays و همکاران، 2014).

کانادا سابقه طولانی در نقشه برداری خاک دارد – با اولین بررسی خاک در انتاریو در سال 1914 تکمیل شد (مک کیگ و استوب، 1978) – و نقشه های تولید شده از بررسی های قدیمی خاک برای اطلاع رسانی مدیریت و برنامه ریزی زمین برای سال ها استفاده شده است. نسخه های دیجیتالی نقشه های قدیمی به طور گسترده به صورت آنلاین در دسترس هستند و هنوز هم تا به امروز مورد استفاده قرار می گیرند (به عنوان مثال، ابزار یاب اطلاعات خاک بریتیش کلمبیا). با وجود این، جامعه علم خاک به خوبی تشخیص داده است که رویکردها و تکنیک های مورد استفاده در بررسی خاک های قدیمی ممکن است برای ارائه اطلاعات دقیق و با وضوح بالا مورد نیاز مدیریت کشاورزی مدرن و فعالیت های ارزیابی زیست محیطی مناسب نباشند. با پیشرفت‌های مستمر در محاسبات، فناوری‌های سنجش از دور و نزدیک، و سیستم‌های اطلاعات جغرافیایی (GIS)، فعالیت‌های نقشه‌برداری خاک به سمت تکنیک‌های مبتنی بر دیجیتال تبدیل شده است که می‌تواند اطلاعات خاک را دقیق‌تر و دقیق‌تر از آنچه قبلاً در دسترس بود، ارائه دهد. شیوه ای کارآمد

این فصل انتقال رویکردهای مرسوم نقشه برداری خاک به رویکردهای نقشه برداری دیجیتال خاک (DSM) را خلاصه می کند. ارائه یک چارچوب نظری از DSM. و یک نمای کلی از چگونگی استفاده از فناوری های نوظهور برای تولید نقشه های خاک دیجیتال ارائه می دهد.

نقشه برداری متعارف خاک

دو دستاورد عمده به توسعه روش های مرسوم بررسی خاک در آمریکای شمالی کمک کرد. اولین دستاورد رسمی شدن فاکتورهای تشکیل خاک توسط هانس جنی (1941) و دومین دستاورد رسمی کردن سیستم های طبقه بندی خاک ملی در ایالات متحده (Soil Taxonomy; Soil Survey Staff, 1975) و کانادا (The Canadian System of Soil Classification) بود. CSSC؛ کمیته بررسی خاک کانادا، 1978؛ به فصل 8 مراجعه کنید. سیستم‌های طبقه‌بندی نحوه طبقه‌بندی خاک‌ها را بر اساس ویژگی‌های مورفولوژیکی که می‌توان به راحتی در مزرعه اندازه‌گیری و کمی کرد، توصیف کرد. مدل کلروپت جنی (معادل 1) شرایط محیطی را که خاک در آن به عنوان تابعی از آب و هوا ( cl ) یافت می شود، ارگانیسم ها ( o) مشخص می کند.)، تسکین ( r )، ماده اصلی ( p )، زمان ( t )، و سایر عوامل محلی که بر خاک‌ها تأثیر می‌گذارند (…):

(1) 

مدل کلروپت در ابتدا به عنوان روشی برای مطالعه چگونگی تغییر کمی خاک ها به عنوان تابعی از عوامل حالت مختلف پیشنهاد شد. یکی از نقل قول های کلیدی که در کتاب جنی نادیده گرفته می شود این است که او چنین می گوید:

«عوامل، پیشینیان، یا پدیدآورندگان، یا نیروها نیستند. آنها متغیرهایی هستند که وضعیت یک سیستم خاک را تعریف می کنند.

به عبارت دیگر، این عوامل صرفاً شرایط محیطی را توصیف می کنند که از آن یک خاک (و ویژگی های آن) پیدا می شود و بنابراین، این متغیرها ممکن است به عنوان مبنایی برای پیش بینی خاک ها با استفاده از مدلی استفاده شوند که خاک را به محیط مرتبط می کند (یعنی، مدل خاک-محیط زیست).

اتخاذ مدل کلروپت جنی منجر به پیشرفت های چشمگیری در بررسی خاک در مقایسه با تلاش های اولیه شد. توصیف ها و نقشه های خاک حول عوامل تشکیل خاک، به ویژه با سازماندهی خاک ها به گروه ها بر اساس ویژگی های مواد اولیه، اما همچنین با پیوند دادن تغییرات توپوگرافی در مقیاس ریز به مرزهای بین خاک ها، شروع به سازماندهی کردند. این یک منطق و سیستمی برای پیوند مرزهای واحد خاک با ویژگی های توپوگرافی ارائه کرد.

سیستم‌های طبقه‌بندی خاک همچنین به بهبود بررسی‌های خاک منجر شده‌اند، زیرا آنها بر مهمترین ویژگی‌های خاک برای ارزیابی نقشه‌برداران میدانی متمرکز شده‌اند، و اینها به طور مداوم در پروژه‌های پیمایشی متعدد اعمال می‌شوند و امکان همبستگی بهتر در مناطق وسیع را فراهم می‌کنند.

بهبودهای مفهومی مرتبط با مدل کلروپت تشکیل خاک و استفاده از اطلاعات پروفیل خاک استاندارد شده، ناشی از بکارگیری یک سیستم طبقه بندی یکنواخت خاک، تا حد زیادی مسئول آنچه امروز به عنوان ارزش اطلاعاتی بالای بررسی خاک در سرتاسر دومی می بینیم بود. نیمه قرن ^بیستم دیجیتالی شدن این بررسی‌ها اطلاعات ارزشمندی را در اختیار مدیران زمین قرار داده و در برخی موارد، مواد اولیه را برای توسعه نقشه‌های دیجیتال خاک امروزی فراهم کرده است. بدون این پیشرفت ها این امکان وجود نداشت.

نمایش های مرسوم خاک

خاک ها را می توان به چند شکل نشان داد: الفمشخصات،پدون،پولیپدون، یاواحد نقشه(شکل 17.1). نمای خاک یک نمایش 2 بعدی و پدون یک نمایش 3 بعدی است که معمولاً 1-3 متر جانبی و 1-2 متر به صورت عمودی است. اصولاً ویژگی‌های پدون نباید به صورت افقی (فقط به صورت عمودی) متفاوت باشد و هنگامی که چندین پدون مشابه به هم متصل می‌شوند، به آن پلی‌پادون گفته می‌شود . مفهوم polypedon با واحد نقشه متفاوت است زیرا واحد نقشه، یک چند ضلعی متمایز که توسط نقشه برداران خاک ترسیم می شود، نمایشی منطقه ای از یک polypedon یا یک مجتمع polypedon است. دو نوع واحد نقشه برداری وجود دارد:انجمن هاوانجمن ها. همبستگی ها واحدهای نقشه هستند که بر اساس یک واحد یا سری طبقه بندی مشخص شده اند و ممکن است به عنوان یک واحد نقشه برداری ساده نامیده شوند، در حالی که انجمن ها شامل دو یا چند گونه خاکی غیرمشابه (مولفه های متعدد) هستند که در الگویی بسیار پیچیده به وجود می آیند که قابل حل نیست. مقیاس نگاشت انتخاب شده (هول و کمبل، 1985؛ شاتزل و اندرسون، 2005). در مورد واحدهای نقشه پیچیده، نسبت هر طبقه خاک در واحد نقشه در افسانه نقشه یا نماد نقشه مشخص می شود.

تهیه نقشه های خاک معمولی

مک میلان و همکاران (1992) مراحل مربوط به تهیه نقشه خاک معمولی را شرح می دهد که با مراحل اولیه تعریف اهداف، گردآوری اطلاعات پس زمینه و توسعه افسانه اولیه آغاز می شود. مراحل اولیه (عمدتاً اداری) با بازرسی خاک، نقشه برداری میدانی و همبستگی دنبال می شود. در نهایت نقشه تولید شده و گزارشی نوشته می شود. رویه‌های مورد استفاده برای تهیه نقشه‌های خاک به‌طور گسترده در طول دوره‌ای که این نقشه‌ها در بسیاری از کشورهای جهان تولید می‌شدند، ثبت شد. در کانادا، رویه ها و ملاحظات برای دستیابی به اهداف نقشه برداری خاک در گروه کاری سیستم های نقشه برداری (1981) و کوئن (1987) مستند شده است.

در یک پیمایش مرسوم، یکی از جنبه های کلیدی برنامه ریزی، تعیین سطح شدت پیمایش است که میزان کار انجام شده (میدان) و سطح جزئیات اطلاعات جمع آوری شده را بیان می کند. رهنمودهایی برای توصیف سطح شدت بررسی در جدول 17.1 ارائه شده است (گروه کاری سیستم های نقشه برداری 1981؛ کوئن، 1987).

جدول 17.1. دستورالعمل های سطح شدت بررسی خاک اقتباس شده از گروه کاری سیستم های نقشه برداری (1981)

در جدول 17.1، یک نمودار مفهومی از فرآیند بررسی خاک ارائه شده است، که در آن داده های محیطی و بازرسی های میدانی در مدل های منظر خاک گنجانده شده و برای تهیه نقشه خاک معمولی استفاده می شود. مدل منظر خاک یکی از ویژگی‌های کلیدی نقشه‌برداری مرسوم خاک است: این مدل‌های ذهنی بودند که به نقشه‌برداران اجازه می‌داد تا اطلاعات بازرسی‌های میدانی در یک منطقه را به مناطق دیگر با ویژگی‌های زیست‌محیطی مشابه گسترش دهند و تولید نقشه را در زمانی که دسترسی به آن‌ها بسیار بهبود بخشید. شبکه ها نسبت به امروز محدودتر بودند.

عکس های هوایی، زمانی که به طور گسترده در دسترس قرار گرفتند، بخش مهمی از این فرآیند بودند. در یک بررسی مرسوم خاک، نقشه‌بردار ابتدا اطلاعات و دانش موجود در مورد روابط خاک-محیط زیست منطقه را بررسی کرد. سپس عکس‌های هوایی به منظور شناسایی الگوهای توپوگرافی و پوشش گیاهی، که در آن متغیرهای خاک-محیط، بیانی خارجی بر روی چشم‌انداز به نمایش گذاشتند، به منظور تلاش برای همبستگی ویژگی‌های منظر با مرزهای خاک (روابط خاک-منظر) مورد بررسی قرار گرفتند. عکس‌های هوایی در طول دهه 1960 و پس از آن به طور گسترده مورد استفاده قرار گرفتند و تفسیر عکس هوا با استفاده از یک استریوسکوپ انجام شد که به نقشه‌بردار اجازه می‌دهد مناظر را به صورت سه‌بعدی ببیند و به طور قابل‌توجهی کیفیت نقشه‌های خاک تولید شده را افزایش می‌دهد. باز هم با اشاره به کلروپت جنیمدل (1941) فرضیه زیربنایی این بود که مناطقی با ویژگی های خاک-زیست محیطی مشابه باید دارای خاک های مشابه باشند. یک نقشه شناسایی اولیه با ترسیم مرزهای بین واحدهای خاک ایجاد شد و نقشه اولیه سپس در میدانی آزمایش شد که در آن طبقه‌بندی مورفولوژیکی بر روی واحدهای نقشه اولیه انجام شد و به یک واحد طبقه‌بندی خاک مرتبط شد (به عنوان مثال،سلسله). هنگامی که سری ها شناسایی شدند، نقشه نگار تلاش کرد تا مرزهای واحد نقشه را بر اساس جایی که نرخ تغییر در خواص خاک بیشترین است را ترسیم یا تنظیم کند و مناطق نسبتاً یکنواخت را در واحدهای نقشه محصور کند.

تکمیل شده با داده های میدانی و توضیحات مشخصات، واحدهای نقشه با ویژگی های مورفولوژیکی مشابه در یک واحد طبقه بندی (مثلا سری) گروه بندی می شوند و سپس ویژگی های خاک و محدوده شرایط محیطی، که خاک ها از آن پیدا شده اند، در خاک توصیف می شوند. افسانه. بررسی های مرسوم خاک با شدت های مختلف بررسی تولید شد که نشان دهنده میزان جزئیات نشان داده شده بر روی نقشه و در مقیاس نقشه مربوطه آن است (جدول 17.1، شکل 17.2). بخش‌های بزرگی از کانادا به این ترتیب نقشه‌برداری شد و اطلاعات ضروری برای توسعه کشاورزی و منابع طبیعی را فراهم کرد.

تکامل نقشه های خاک معمولی

از آنجا که اکثر نقشه‌های خاک معمولی که تا دهه 1990 در کانادا تولید می‌شدند برای اهداف فهرست‌بندی زمین و برنامه‌ریزی منطقه‌ای به‌عنوان نقشه‌های «نیمه تفصیلی» تهیه می‌شدند، و به دلیل اینکه با استفاده از تکنیک‌های کارتوگرافی آنالوگ (یعنی تهیه نقشه چاپی) تهیه می‌شدند. در مقایسه با نیاز فعلی به محصولات با وضوح بالا، محدودیت‌های خاصی دارند. رانقشه کلروپلتنمایش مورد استفاده برای ارائه اطلاعات خاک بر روی نقشه های کاغذی، و فقدان فناوری موجود در آن زمان برای به دست آوردن و پردازش داده های خاک و زمین شبکه بندی شده دیجیتال، دو جنبه کلیدی این محدودیت ها هستند.

اولاً، داده‌ها در نقشه کلروپلث به‌عنوان کلاس‌های گسسته نشان داده می‌شوند که در آن شرایط در واحد نقشه همگن فرض می‌شود (هول، 1978). علاوه بر این، همچنین تشخیص داده شده است که مقدار قابل توجهی از تعمیم فضایی (یعنی ساده سازی) در داخل واحد نقشه به دلیل گنجاندن خاک های زیر غالب که برای نقشه برداری در مقیاس نقشه بسیار کوچک هستند، رخ می دهد (هول و کمبل، 1985). در نتیجه، خلوص واحدهای نقشه برداری ارتباط نزدیکی با پیچیدگی زمین، بیان خارجی مرزها، تلاش بررسی و مقیاس نقشه برداری دارد (بکت، 1971). اگرچه داشتن یک نقشه خاک که فقط از واحدهای نقشه برداری ساده تشکیل شده باشد ایده آل خواهد بود، اما نشان داده شده است که افزایش نسبت واحدهای نقشه خالص در یک نقشه منجر به افزایش تصاعدی هزینه برای توسعه نقشه می شود (Bie et al. ، 1973).

مسائل دیگر ممکن است مربوط به عدم دقت در مرزهای واحد نقشه باشد که در آن تغییرپذیری (یا فقدان آن) سطح خاک لزوماً با تغییرپذیری که ممکن است در زیر زمین رخ می دهد منطبق نباشد (هول، 1978). علاوه بر این، تغییرات در خاک لزوماً گسسته نیستند (همانطور که با استفاده از مرزها پیشنهاد می شود)، بلکه در جایی که ویژگی های خاک بین دو واحد نقشه همسایه، میان گرید خصوصیات خاک دو واحد است، مبهم هستند (Zhu و باند، 1994؛ شاتزل و اندرسون، 2005).

مجموعه نهایی چالش‌ها از ترسیم واحدهای نقشه بر اساس مدل‌های ذهنی روابط خاک-محیط‌زیست ناشی می‌شوند که در درجه اول برای همخوانی با اهداف یک محصول و منطقه نقشه خاص ایجاد شده‌اند. این اهداف از یک نقشه به نقشه دیگر متفاوت بود، و اگرچه معمولاً در گزارش بررسی توصیف می‌شدند، اما به ندرت برای ادغام در ارزیابی‌های خاک مبتنی بر کامپیوتر که مناطق وسیعی را با چندین بررسی کوچک‌تر در بر می‌گرفت، مناسب هستند. در نتیجه، ناسازگاری‌ها خود را در نقشه‌های خاک به‌عنوان مرزهای نامتناسب واحدهای نقشه در میان شهرستان‌ها، ایالت‌ها/استان‌ها و کشورها مختلف نشان دادند (شکل 17.3؛ تامپسون و همکاران، 2012؛ دیویت و همکاران، 2013). علاوه بر این، ناهماهنگی ها همچنین ممکن است منجر به مشکلاتی مانند داشتن چندین سری خاک با خواص خاک یکسان شود که منجر به افزونگی می شود.

با وجود این محدودیت‌ها، در بسیاری از نقاط کانادا و جهان، نقشه‌های خاک قدیمی حاوی مقادیر زیادی از اطلاعات به دست آمده از بازرسی‌های میدانی و دانش نقشه‌بردار خاک است. به این دلایل، آنها منبع مهمی از داده‌های آموزشی برای توسعه نقشه‌های دیجیتالی خاک برای رفع نیازهای فعلی هستند.

نقشه برداری دیجیتالی خاک

نقشه برداری خاک، به عنوان یک عمل، برای استفاده از پیشرفت های فناوری محاسباتی (میناسنی و مک براتنی، 2016؛ راسیتر، 2018)، فناوری های سنجش از دور (مولدر و همکاران، 2011)، فناوری های سنجش نزدیک (ویسکارا) در حال تکامل است. راسل و همکاران، 2011)، GIS، تکنیک‌های یادگیری ماشینی (هونگ و همکاران، 2016)، و افزایش دسترسی به مجموعه داده‌های مکانی (مک براتنی و همکاران، 2003؛ میناسنی و مک براتنی، 2016؛ اسکال و همکاران، 2003). ). از این رو،پدومتریک– شاخه ای از علم خاک که از “روش های ریاضی و آماری برای مطالعه توزیع و پیدایش خاک ها” استفاده می کند (Webster, 1994) – یک زمینه تحقیقاتی نوظهور در سطح جهانی بوده است. اگرچه تکنیک‌های پدومتریک برای تولید نقشه‌های دیجیتال خاک (DSM) از اوایل دهه 1970 وجود داشته است (به عنوان مثال، وبستر و بارو، 1972a، 1972b)، پیشرفت‌های تکنولوژیکی تولید محصولات DSM را از دهه 2000 تسهیل کرده است (McBratney et al., 2003). اسکال و همکاران، 2003؛ میناسنی و مک براتنی، 2016). علاوه بر این، این پیشرفت‌ها همچنین اجازه می‌دهد تا نقشه‌های خاک برای مناطق به تدریج بزرگ‌تر و در سطوح افزایش جزئیات تولید شود (میناسنی و مک براتنی، 2016).

برخی از دستاوردهای مهمی که توسط پدومتریست ها در سراسر جهان به دست آمده است، شامل، اما محدود به آن نمی شود، تأسیس GlobalSoilMap.net ، یک سازمان بین المللی است که هدف آن هماهنگی و تولید نقشه های دیجیتال خاک در مقیاس جهانی است. و تأسیس SoilGrids.org ، سازمانی که اولین سازمانی بود که مجموعه ای از محصولات نقشه در مقیاس جهانی را توسعه داد. در داخل کانادا، از سال 2010، این هنوز یک حوزه تحقیقاتی در حال ظهور و در حال تکامل در بخش‌های کشاورزی، جنگل‌داری و محیط‌زیست است. با موفقیت بزرگ، جامعه DSM اطلاعات ارزشمندی را در مقیاس‌های فضایی مختلف به ذینفعان مختلف، از جمله مالکان، کشاورزان، ارائه کرده است. دولت ها و مدیران جنگل.

مراحل تولید نقشه دیجیتال خاک (پس از Kienast-Brown و همکاران 2017) با نقشه های معمولی در شکل 17.4 مقایسه شده است. دو روش تهیه نقشه چندین مرحله مشترک دارند، به ویژه نیاز به بازرسی های میدانی دقیق و توانایی توصیف و تفسیر صحیح داده های مشخصات خاک. برای نقشه‌های دیجیتالی خاک، مشخصات محتوای اطلاعات و سطح جزئیات با وضوح فضایی هدف، جایی که سطح جزئیات استنباط می‌شود، و در مرحله داده‌های آموزشی، جایی که ویژگی‌های مدل‌سازی شده تعریف می‌شوند، تعریف می‌شوند. برخی از سازمان ها مشخصات نقشه برداری را برای تولید نقشه دیجیتال خاک توسعه داده اند (به عنوان مثال، فائو و پنل فنی بین دولتی در خاک، 2018).

نقشه برداری معمولی و دیجیتالی خاک عمدتاً در نحوه تخصیص طبقات خاک یا مقادیر ویژگی به مکان ها متفاوت است. در نقشه برداری مرسوم خاک، ترکیبی از بازرسی میدانی، برون یابی و دانش تخصصی استفاده می شود، در حالی که در نقشه برداری دیجیتالی خاک، از اطلاعات میدانی و مدل های استنتاج کمی برای پیش بینی شرایط خاک در مکان های معین استفاده می شود. چارچوب مفهومی برای DSM که در شکل 17.5 ارائه شده است، نقشی را که الگوریتم های یادگیری ماشین در تولید نقشه خاک دیجیتال ایفا می کنند برجسته می کند. از اهمیت حیاتی نیاز به داده‌های بازرسی میدانی در هر دو روش معمول و دیجیتال نقشه‌برداری خاک است – DSM نیاز به پدولوژیست‌های آموزش دیده و نقشه‌برداران خاک را برطرف نمی‌کند – تفاوت اصلی در نحوه استفاده از داده‌های میدانی برای ساختن نقشه‌های خاک است.

مهم است که بدانیم در حالی که نقشه‌های خاک معمولی واحدهای نقشه خاک را با استفاده از چند ضلعی نشان می‌دهند، هدف DSM تولید نقشه‌ها با استفاده از یک نمایش شطرنجی است.شطرنجیداده ها از شبکه ای از سلول های دو بعدی (یعنی پیکسل ها) تشکیل شده اند که به موجب آن هر سلول دارای یک موقعیت جغرافیایی (مثلاً طول و عرض جغرافیایی) و مقدار متناظر یک متغیر است. شکل 17.6 مقایسه یک نقشه خاک معمولی که در قالب چند ضلعی نشان داده شده است، و یک نقشه خاک دیجیتالی که در قالب شطرنجی نشان داده شده است را نشان می دهد. در DSM، داده های شطرنجی ممکن است ویژگی های خاک (به عنوان مثال، pH خاک)، یک کلاس خاک (به عنوان مثال، کلاس زهکشی)، یا یکی از عوامل محیطی که برای پیش بینی های فضایی خاک استفاده می شود را نشان دهند.

برای نمایش داده های شطرنجی، مفهوم حیاتی استرزولوشن فضایی; یعنی ابعاد هر سلول با توجه به ناحیه ای که روی زمین نشان می دهد. به عنوان مثال، وضوح فضایی 10 متر نشان می دهد که هر سلول شبکه یا پیکسل یک منطقه 10 × 10 متری روی زمین را نشان می دهد. در نهایت، تفکیک مکانی سطح جزئیات یا دقت نقشه خاک و کاربردهای آن را تعیین می کند. به عنوان مثال، یک نقشه با وضوح خوب یا با وضوح بالا (به عنوان مثال، تفکیک فضایی 5-10 متر) ممکن است برای نشان دادن تغییرپذیری خاک مزارع کشاورزی منفرد برای اهداف کشاورزی دقیق مفیدتر باشد، در حالی که یک نقشه درشت یا با وضوح پایین (به عنوان مثال، 250) -1000 متر تفکیک فضایی) ممکن است برای نمایش تنوع خاک در مقیاس جهانی و ادغام آن داده ها در مدل های آب و هوایی جهانی عملی تر باشد. بنابراین، هنگام انتخاب وضوح فضایی مناسب،

البته، بین وضوح فضایی و اندازه داده نیز مبادله ای وجود دارد که به موجب آن داده های با وضوح بالاتر از نظر اندازه بزرگتر از داده های با وضوح پایین تر هستند. به عنوان مثال، هنگامی که وضوح فضایی با ضریب دو افزایش می یابد (به عنوان مثال، کاهش اندازه سلول از 10 × 10 متر به 5 × 5 متر)، اندازه مجموعه داده را می توان با ضریب چهار افزایش داد، زیرا چهار پیکسل هستند. اکنون باید همان ناحیه پیکسل اصلی را نشان دهد. شکل 17.7 رابطه بین وضوح مکانی و جزئیات را برای داده های توپوگرافی نشان می دهد.

مدل اسکورپان _

با وجود استفاده گسترده از مدل کلروپت جنی (1941) ، هنوز هم تا حد زیادی یک مدل مفهومی است. با این حال، اگر به نقل قول او مراجعه کنیم، باید یادآور شویم که عوامل کلروپت متغیرهایی هستند که محیط را توصیف می کنند. برای بکارگیری رویکردهای دیجیتالی، باید بدانیم که این عوامل کلرپت ممکن است با استفاده از GIS – یک سیستم کامپیوتری که قادر به جمع‌آوری، ذخیره، تجزیه و تحلیل و تجسم داده‌های مکانی است، نیز نمایش داده شوند. مک براتنی و همکاران برای انتقال کامل نظری از رویکردهای معمولی به دیجیتالی نقشه برداری خاک. (2003) مدل اسکورپان را به عنوان بسط مدل کلروپت در موارد زیر پیشنهاد کرد:

(2) 

مدل اسکورپان متغیرهایی مشابه مدل کلرپت دارد که شامل آب و هوا ( c )، ارگانیسم‌ها ( o )، تسکین ( r )، ماده والد ( p ) و زمان/سن ( a ) می‌شود. متغیرهای اضافی عبارتند از s که نمایانگر خصوصیات ذاتی خاک (مثلاً خواص طیفی خاک) است که ممکن است توسط سنسورهای مختلف از راه دور و پروگزیمال گرفته شود. و n که مختصات مکانی یک نمونه یا مکان را نسبت به پدیده جغرافیایی دیگر (مثلا فاصله تا رودخانه) نشان می دهد. اینجا، اسکورپان فردیعوامل، یا ترکیبی از آنها، برای پیش بینی توزیع یک ویژگی خاک یا کلاس خاک، S ، با استفاده از یک تابع کمی، f () که نشان دهنده رابطه خاک و محیط زیست است، استفاده می شود.

نشان دهنده عوامل اسکورپان

اثربخشی مدل اسکورپان در انعطاف‌پذیری آن برای یکپارچه‌سازی داده‌ها از بررسی‌های خاک موجود و مجموعه داده‌های جغرافیایی به‌دست‌آمده از منابع متعدد، مانند داده‌های سنجش از دور، داده‌های رقومی ارتفاع، داده‌های اقلیمی، داده‌های کاربری زمین و داده‌های زمین‌شناسی است (مک‌کنزی و رایان، 1999). این فاکتورهای اسکورپن در قالب شطرنجی نشان داده می شوند و بنابراین، هر مجموعه داده نیز دارای تفکیک فضایی و سیستم طرح ریزی متناظر است. از این رو، هر مجموعه داده مجزا ممکن است نیاز داشته باشد که مجدداً در یک سیستم طرح‌ریزی مشترک بازتاب داده شود و به وضوح فضایی یکنواخت مقیاس‌بندی شود، به طوری که تمام سلول‌های مجزای مجموعه‌های داده مختلف از نظر فضایی تراز شوند (شکل 17.8).

در زیر مروری کوتاه بر عوامل اسکوربن ارائه می شود .

خاک (ها)

عامل s دومین عامل پرکاربرد در مطالعات DSM است (مک براتنی و همکاران، 2003). باز هم، ضریب s بر این مفهوم استوار است که خاک‌ها ممکن است برای پیش‌بینی خاک‌ها استفاده شوند و بنابراین منابع متعددی وجود دارد که این داده‌ها را می‌توان از آن‌ها به دست آورد: داده‌های بررسی خاک معمولی، حسگرهای خاک نزدیک، و سنسورهای از راه دور.

بررسی سنتی خاک: نقشه های معمولی خاک نشان دهنده انبوهی از اطلاعات به دست آمده از سال ها کار میدانی توسط نسل های قبلی خاک شناسان هستند و بنابراین منابع اطلاعاتی بسیار ارزشمندی هستند که به دلیل رابطه ای که متغیرهای مختلف خاک با هر یک از آنها دارند می توانند برای اهداف پیش بینی استفاده شوند. دیگر. به عنوان مثال، پل و همکاران. (2020a؛ 2020b) از خاک های منطقه نقشه لانگلی-ونکوور (Luttmerding، 1980) برای تولید لایه های دیجیتالی درصد شن، سیلت و رس استفاده کرد. و ظرفیت تبادل کاتیونی که سپس به عنوان پیش‌بینی‌کننده برای نقشه‌برداری کربن آلی خاک و کارایی خاک برای Lower Fraser Valley، BC استفاده شد. در هر دو مطالعه، پیش‌بینی‌کننده‌های تولید شده از بررسی اولیه خاک معمولی به‌عنوان مهم‌ترین لایه‌ها شناسایی شدند. اگرچه رویکردهای خاک سنجی به تکنیک های دیجیتالی تبدیل شده است،

سنسورهای از راه دور : سنسورهای از راه دور برای اندازه گیری سطح زمین بدون هیچ گونه تماس فیزیکی طراحی شده اند و بنابراین بر روی هواپیما یا ماهواره نصب می شوند. در اینجا، مهم است که تشخیص دهیم داده های به دست آمده از سنجش از راه دور می توانند برای نشان دادن اسکورپن های متعدد استفاده شوندعوامل. در مجموعه حسگرهای راه دور، حسگرهای طیفی (به عنوان مثال، چند طیفی، فراطیفی) که انرژی بازتابی یا گسیل شده از طیف الکترومغناطیسی را تشخیص می‌دهند، در DSM بیشترین استفاده را دارند (McBratney et al., 2003; Mulder et al., 2011). برای مثال، Landsat 8 اندازه گیری هایی را برای نور مرئی (مثلاً طول موج های قرمز، سبز، آبی) و مادون قرمز (مثلاً مادون قرمز نزدیک، طول موج کوتاه و طول موج بلند) فراهم می کند. از طرف دیگر، در صورت نیاز به داده‌های وضوح فضایی بالاتر، ممکن است حسگرهای طیفی مختلف نیز بر روی یک هواپیما یا یک سیستم هوایی کنترل از راه دور (RPAS) نصب شوند (شکل 17.9).

مسائل متعددی در رابطه با استفاده از حسگرهای طیفی برای اهداف DSM وجود دارد، به ویژه با توجه به اینکه اندازه‌گیری‌های خاک اغلب توسط پوشش گیاهی پنهان می‌شوند. علاوه بر این، اثرات جوی و اعوجاج توپوگرافی ممکن است باعث اندازه گیری های غیرعادی شود. علاوه بر این، هنگام استفاده از حسگرهای طیفی، باید روز و ساعتی را که از آن تصویر گرفته شده است در نظر گرفت. در نهایت، سنسورهای از راه دور معمولاً فقط داده‌هایی را به دست می‌آورند که نماینده خاک‌های سطحی هستند (5 تا 6 سانتی‌متر؛ آدامچوک و همکاران، 2017). با وجود این مسائل، در شرایط خاک لخت، اندازه‌گیری‌های ویژگی‌های طیفی خاک به خوبی با ویژگی‌های خاک مانند کانی‌شناسی، بافت، مواد آلی خاک، رطوبت خاک و سایر خواص خاک مطابقت دارد (مولدر و همکاران. ، 2011).

حسگرهای خاکی پروگزیمال : در حالی که حسگرهای راه دور مبتنی بر هوا یا فضا هستند، سنسورهای پروگزیمال مجموعه‌ای از حسگرهای زمینی هستند که برای اندازه‌گیری ویژگی‌های خاک طراحی شده‌اند که ممکن است با سایر ویژگی‌های خاک مرتبط باشد. با توجه به اینکه اندازه‌گیری‌ها بر روی زمین انجام می‌شود، حسگرهای پروگزیمال خاک می‌توانند تنوع خاک را با وضوح فضایی بالاتر نسبت به داده‌های سنجش از دور مشخص کنند. و در نتیجه، این حسگرها برای نقشه برداری خاک در مقیاس مزرعه مساعدتر هستند. شکل 17.10 یک وسیله نقلیه زمینی بدون سرنشین را نشان می دهد که به یک سیستم حسگر رادیومتری گاما مجهز شده است.

در میان حسگرهای پروگزیمال خاک، حسگرهای القای الکترومغناطیسی (EMI) نیروی کار برای تحقیقات DSM و کشاورزی دقیق بوده است (Doolittle and Brevik، 2014). سنسور EMI هدایت الکتریکی ظاهری (EC _a ) خاک را در فواصل عمقی متعدد اندازه گیری می کند. همراه با یک سیستم موقعیت یابی جهانی (GPS)، داده های بررسی EMI اغلب به عنوان پیش بینی کننده خواص خاک مانند شوری خاک، محتوای رس و محتوای آب استفاده می شود. با این حال، ویژگی های ثانویه خاک، مانند چگالی ظاهری خاک و کربن آلی خاک نیز ممکن است از EC _{a مشتق شوند.}اندازه گیری ها حسگرهای EMI همه به جز یک نوع سنسور پروگزیمال هستند—سایر سنسورها ممکن است شامل سنسورهای رادیومتریک گاما، رادار نفوذ به زمین و سنسورهای مقاومت الکتریکی (در میان بسیاری) باشند. به خوانندگان علاقه مند توصیه می شود به Viscarra Rossel و همکاران مراجعه کنند. (2011) و آدامچوک و همکاران. (2017) برای مروری دقیق از این سیستم ها.

آب و هوا (ج)

این عامل یکی از کم استفاده ترین عوامل اسکورپان است (مک براتنی و همکاران، 2003) – چندین توضیح ممکن به ذهن می رسد. اولاً، اقلیم محلی تا حد زیادی تحت تأثیر توپوگرافی قرار می‌گیرد و در نتیجه، شاخص‌های توپوگرافی مانند ارتفاع و جنبه ممکن است به دلیل رابطه بین ارتفاع و میزان لغزش محیطی و رابطه بین شیب- به عنوان نماینده ای برای متغیر آب و هوا استفاده شود. جهت و درجه حرارت صورت (شاتزل و اندرسون، 2005). با این حال، با افزایش وسعت منطقه مورد مطالعه به مقیاس ملی و جهانی، الگوهای اقلیمی در مقیاس بزرگ به عنوان یک کنترل مهم بر خواص مختلف خاک نشان داده شده است – این در SoilGrids250m جهانی مشهود بود .محصول (هنگل و همکاران، 2017). از نظر لایه های اقلیمی، متغیرهای رایج عبارتند از میانگین دمای سالانه، میانگین بارندگی سالانه و تبخیر و تعرق (McBratney et al., 2003). این مجموعه داده ها ممکن است از حسگرهای نصب شده بر روی ماهواره ها مشتق شوند. با این حال، داده‌های مدل آب و هوایی، که اغلب از ایستگاه‌های هواشناسی به دست می‌آیند (به عنوان مثال، WorldClim، ClimateNA) نیز ممکن است مورد استفاده قرار گیرند (شکل 17.11). علاوه بر استفاده از شرایط آب و هوایی فعلی به عنوان ورودی در یک مدل، شرایط تاریخی و پیش بینی شده آینده نیز می تواند برای شبیه سازی اثرات تغییر شرایط آب و هوایی با توجه به درک الگوهای مکانی و زمانی خواص خاک مورد استفاده قرار گیرد.

موجودات (o)

منبع اصلی داده‌های پوشش گیاهی مورد استفاده در DSM ممکن است از تصاویر ماهواره‌ای مشتق شود که در آن شاخص‌های رویشی متعددی بر اساس نسبت‌های باند ماهواره‌ای توسعه یافته‌اند (مولدر و همکاران، 2011). شايد متداول‌ترين متغير مورد استفاده، شاخص گياهي تفاوت نرمال شده (NDVI) باشد كه اندازه‌گيري سبزي رويشي را به عنوان تابعي از طول موج‌هاي مادون قرمز نزديك و قرمز از تصاوير چند طيفي ارائه مي‌كند. NDVI و سایر داده های سنجش از دور مانند تصاویر حرارتی نیز نشان داده شده است که پیش بینی کننده موثری برای رطوبت خاک، رنگ خاک، بافت خاک و ظرفیت نگهداری آب هستند. و همچنین در ارزیابی رشد گیاه موثر است (شکل 17.12؛ مولدر و همکاران، 2011). علاوه بر NDVI، شاخص های مشابه ممکن است شامل شاخص گیاهی تنظیم شده خاک (SAVI)، SAVI تبدیل شده (TSAVI)، SAVI اصلاح شده (MSAVI) و شاخص جهانی نظارت بر محیط زیست (GEMI). مطالعاتی مانند Paul et al. (2020) کاربرد این متغیرها را برای نقشه برداری کربن آلی خاک و خاک رس در دره فریزر پایین، BC پیدا کرده اند. در حالی که هیونگ و همکاران (2017) از متغیرهای مشابه برای نقشه برداری گروه های بزرگ خاک برای منطقه Okanagan-Kamloops، BC استفاده کردند. شاخص های مشابه نیز ممکن است با استفاده از تصاویر بدست آمده از یک RPAS که مجهز به حسگر چندطیفی یا ابرطیفی است محاسبه شوند. اگرچه این شاخص ها به طور گسترده در DSM مورد استفاده قرار گرفته اند، داده ها تحت تأثیر فصل و سالی است که تصویر از آن گرفته شده است. اگر نقشه‌بردار خاک به اطلاعاتی در مورد پوشش گیاهی نیاز دارد، تصاویر گرفته شده در طول فصل رشد مفیدتر از تصاویر پس از برداشت است. (2020) کاربرد این متغیرها را برای نقشه برداری کربن آلی خاک و خاک رس در دره فریزر پایین، BC پیدا کرده اند. در حالی که هیونگ و همکاران (2017) از متغیرهای مشابه برای نقشه برداری گروه های بزرگ خاک برای منطقه Okanagan-Kamloops، BC استفاده کردند. شاخص های مشابه نیز ممکن است با استفاده از تصاویر بدست آمده از یک RPAS که مجهز به حسگر چندطیفی یا ابرطیفی است محاسبه شوند. اگرچه این شاخص ها به طور گسترده در DSM مورد استفاده قرار گرفته اند، داده ها تحت تأثیر فصل و سالی است که تصویر از آن گرفته شده است. اگر نقشه‌بردار خاک به اطلاعاتی در مورد پوشش گیاهی نیاز دارد، تصاویر گرفته شده در طول فصل رشد مفیدتر از تصاویر پس از برداشت است. (2020) کاربرد این متغیرها را برای نقشه برداری کربن آلی خاک و خاک رس در دره فریزر پایین، BC پیدا کرده اند. در حالی که هیونگ و همکاران (2017) از متغیرهای مشابه برای نقشه برداری گروه های بزرگ خاک برای منطقه Okanagan-Kamloops، BC استفاده کردند. شاخص های مشابه نیز ممکن است با استفاده از تصاویر بدست آمده از یک RPAS که مجهز به حسگر چندطیفی یا ابرطیفی است محاسبه شوند. اگرچه این شاخص ها به طور گسترده در DSM مورد استفاده قرار گرفته اند، داده ها تحت تأثیر فصل و سالی است که تصویر از آن گرفته شده است. اگر نقشه‌بردار خاک به اطلاعاتی در مورد پوشش گیاهی نیاز دارد، تصاویر گرفته شده در طول فصل رشد مفیدتر از تصاویر پس از برداشت است. (2017) از متغیرهای مشابه برای نقشه برداری گروه های بزرگ خاک برای منطقه Okanagan-Kamloops، BC استفاده کرد. شاخص های مشابه نیز ممکن است با استفاده از تصاویر بدست آمده از یک RPAS که مجهز به حسگر چندطیفی یا ابرطیفی است محاسبه شوند. اگرچه این شاخص ها به طور گسترده در DSM مورد استفاده قرار گرفته اند، داده ها تحت تأثیر فصل و سالی است که تصویر از آن گرفته شده است. اگر نقشه‌بردار خاک به اطلاعاتی در مورد پوشش گیاهی نیاز دارد، تصاویر گرفته شده در طول فصل رشد مفیدتر از تصاویر پس از برداشت است. (2017) از متغیرهای مشابه برای نقشه برداری گروه های بزرگ خاک برای منطقه Okanagan-Kamloops، BC استفاده کرد. شاخص های مشابه نیز ممکن است با استفاده از تصاویر بدست آمده از یک RPAS که مجهز به حسگر چندطیفی یا ابرطیفی است محاسبه شوند. اگرچه این شاخص ها به طور گسترده در DSM مورد استفاده قرار گرفته اند، داده ها تحت تأثیر فصل و سالی است که تصویر از آن گرفته شده است. اگر نقشه‌بردار خاک به اطلاعاتی در مورد پوشش گیاهی نیاز دارد، تصاویر گرفته شده در طول فصل رشد مفیدتر از تصاویر پس از برداشت است.

علاوه بر استفاده از تصاویر خام ماهواره ای، محققان در سراسر جهان قبلاً مقادیر زیادی از تصاویر را برای تولید نقشه های پوشش زمین پردازش کرده اند. به عنوان مثال، سیستم نظارت بر تغییر سرزمین آمریکای شمالی نقشه‌های پوشش زمین را برای سال‌های 2005، 2010 و 2015 با وضوح فضایی 30 متر ارائه می‌کند. و برای مثال کانادایی، کشاورزی و کشاورزی و مواد غذایی کانادا داده‌های موجودی محصول سالانه را توسعه داده‌اند، که از سال 2009 اطلاعات سطح ملی محصول را ارائه می‌دهد (شکل 17.13). با این حال، لازم است تشخیص دهیم که این مجموعه داده ها با استفاده از مدل های پیش بینی تولید می شوند. از این رو، برای نقشه‌بردار خاک مهم است که به اسناد پشتیبانی این محصولات مراجعه کرده و دقت آنها را یادداشت کند.

در موارد دیگر، داده های محصول نیز به عنوان یک متغیر کمکی برای پیش بینی فضایی استفاده شده است. به عنوان مثال، عملکرد محصول نتیجه تعامل بین خاک، گیاهان و جو است. بنابراین، داده‌های عملکرد محصول ممکن است به‌عنوان شاخصی برای ویژگی‌های خاک مورد استفاده قرار گیرد، زیرا رشد گیاه تحت تأثیر ویژگی‌هایی مانند محتوای رس، محتوای رطوبت و محتوای مواد مغذی است (شاتر و مک براتنی، 1999؛ مک براتنی و همکاران، 2000). در یک محیط جنگلی، یک فرصت ممکن ممکن است در استفاده از داده‌های موجودی جنگل باشد که در آن متغیرهای جنگل مانند مساحت پایه، حجم کل ناخالص، تراکم توده، ارتفاع توده و زیست توده بالای زمین ممکن است بینشی در مورد ویژگی‌های خاک ارائه دهند. به خصوص با پیشرفت در داده های به دست آمده با استفاده از فناوری های تشخیص نور و محدوده (LiDAR)، داده های موجودی جنگل ممکن است به عنوان یک پیش بینی کننده رایج تر شود (وودز و همکاران، 2011؛ ​​تریتز و همکاران، 2012). شکل 17.14 یک مدل سطح دیجیتال را نشان می دهد که تنوع در ارتفاع محصول و درخت را با استفاده از LiDAR نشان می دهد.

تسکین (r)

به خوبی شناخته شده است که عامل r بیشترین استفاده را در DSM دارد (مک براتنی و همکاران، 2003). یکی از موارد اساسی در تحقیقات DSM استفاده از یک مدل ارتفاعی دیجیتال (DEM) بوده است – شطرنجی که از مقادیر ارتفاعی تشکیل شده است. DEM ها ممکن است از چندین منبع تولید شوند: نقشه های کانتور دیجیتالی. درون یابی شده از اندازه گیری های زمینی؛ و از سنجش از دور با استفاده از سنسورهای نصب شده در ماهواره یا RPAS به دست آمده است.

DEM ها به ویژه مفید هستند زیرا به راحتی در دسترس هستند و معمولاً دسترسی به آنها رایگان است. به عنوان مثال، محصولات DEM استانی و فدرال مختلفی وجود دارد که از طریق پورتال های اینترنتی آنلاین قابل دسترسی هستند، و در بخش هایی از کشور که اطلاعات DEM در دسترس نیست، محصولات DEM جهانی مانند ماموریت توپوگرافی رادار شاتل (SRTM) یا Advanced وجود دارد. رادیومتر گسیل و انعکاس حرارتی فضابرد (ASTER) نیز ممکن است قابل دسترسی باشد. به عنوان یک توصیه کلی، قبل از استفاده از هر DEM، همیشه مهم است که نقشه‌بردار خاک به صورت بصری DEM را با ایجاد یک نمای تپه‌ای (شبیه سه بعدی) از سطح توپوگرافی ارزیابی کند (شکل 17.15). این به نقشه‌بردار کمک می‌کند تا فراوانی و انواع ناهنجاری‌های DEM را به دلیل کیفیت داده‌های خام و روش‌های مورد استفاده برای تولید DEM ارزیابی کند. و همچنین اینکه آیا تکنیک های پیش پردازش (به عنوان مثال،

مقدار DEM از انعطاف پذیری آن در محاسبه مجموعه بزرگی از متغیرهای توپوگرافی ناشی می شود. به عنوان مثال، یک DEM می تواند برای مشخص کردن مورفومتری در مقیاس محلی (به عنوان مثال، شیب، جنبه، انحنا)، مورفومتری در مقیاس منظر (به عنوان مثال، موقعیت شیب نسبی)، و الگوهای هیدرولوژیکی (مثلاً، شاخص رطوبت توپوگرافی) استفاده شود – همه اینها بر الگوهای خاک تأثیرگذار هستند (شکل 17.16). در واقع، تجزیه و تحلیل سطح زمین با استفاده از تکنیک های مختلف ریاضی و آماری و توسعه متغیرهای توپوگرافی جدید، همگی بخشی از این رشته علمی است که به عنوانژئومورفومتری.

در داخل کانادا، DEM های با کیفیت بالا به عنوان مبنایی برای نقشه برداری مواد اولیه خاک (هونگ و همکاران، 2014)، انواع خاک (هونگ و همکاران، 2016)، و ضخامت خاک (Scarpone و همکاران، 2016) در سراسر قبل از میلاد استفاده شده است. ; و نقشه برداری عمق خاک و طبقات بافتی در سراسر ON (Akumu و همکاران، 2015؛ Akumu و همکاران، 2016). در واقع، آن مطالعات عموماً فقط از داده های مشتق شده از DEM استفاده می کردند.

علاوه بر این، متغیرهای توپوگرافی نیز ممکن است برای ترسیم ویژگی‌های شکل زمین استفاده شوند (شکل 17.17). در پنوک و همکاران. (1987)، ترکیبی ازپلان فرم(تغییر جنبه) و انحنای پروفیل (تغییر شیب) به مجموعه ای از هفت عنصر شکل زمین (یعنی شانه های واگرا/همگرا؛ شیب های پشتی واگرا/همگرا؛ شیب های پای واگرا/همگرا؛ و سطوح تراز) طبقه بندی شدند که کنترل های توپوگرافی را مشخص می کنند. جریان رسوب و آب در نتیجه، طرح‌های طبقه‌بندی چشم‌انداز مشابهی را می‌توان با استفاده از یک DEM (به عنوان مثال، MacMillan و همکاران، 2000، 2004) در یک رویکرد نیمه خودکار به کار برد.

مواد اصلی (p)

اطلاعات مربوط به مواد اولیه خاک معمولاً از نقشه های زمین شناسی دیجیتالی به دست آمده است. از این رو، آنها مشکلات فضایی مشابهی با نقشه های معمولی بررسی خاک دارند که به موجب آن ممکن است ترکیبی از واحدهای نقشه پیچیده وجود داشته باشد. مقدار جزئیات توسط مقیاس نقشه برداری کنترل می شود. و نقشه های دقیق ممکن است در پوشش محدود باشند. در نتیجه، ماده اصلی خاک یک ویژگی خاک است که قبلاً با استفاده از روش های پیش بینی نقشه برداری شده است. برای مثال، هیونگ و همکاران. (2014) یک نقشه مواد اصلی برای دره فریزر پایین، BC تهیه کرد.

هنگام استفاده از نقشه های زمین شناسی دیجیتالی، مهم است که منبع موادی را که خاک از آن مشتق شده است، بشناسید (شکل 17.18). به عنوان مثال، نقشه زمین‌شناسی سنگ بستر احتمالاً در محیط‌های غیر یخ‌زده که خاک عمدتاً از سنگ بستر فرسوده گرفته شده است، کاربرد بیشتری پیدا می‌کند. با این حال، مناظر کانادا عمدتاً یخبندان هستند و بنابراین رسوبات پوشاننده ممکن است دارای خواص متضاد با سنگ بستر باشند و از این رو، یک نقشه زمین شناسی سطحی مفیدتر خواهد بود زیرا موادی را که حمل و نقل شده و روی سنگ بستر رسوب کرده اند مشخص می کند. این تلاش‌های نقشه‌برداری، ارتباط نزدیک بین توپوگرافی و مواد مادر را، به‌ویژه در محیط‌های یخبندان، برجسته کرده‌اند، بنابراین ترکیبی از مشتقات توپوگرافی اغلب در DSM به عنوان جایگزینی برای مواد مادر استفاده می‌شود.

سن (الف)

عامل سن ممکن است برای توصیف مدت زمان پدوژنز استفاده شود و ممکن است به عنوان سن زمین یا ماده ای که خاک از آن توسعه یافته است تخمین زده شود (مک براتنی و همکاران، 2003). در DSM، نمونه های بسیار کمی وجود دارد که این اطلاعات به دلیل دشواری در تعیین سن خاک در قالبی که برای استفاده در یک GIS مناسب باشد، استفاده شده است. یکی از گزینه‌های بالقوه برای گنجاندن عامل a در چارچوب DSM، گنجاندن اطلاعاتی در مورد چگونگی تغییر چشم‌انداز توسط انسان و در نتیجه تأثیرگذاری بر ویژگی‌ها و انواع خاک است.

موقعیت مکانی (n)

عامل n ممکن است به روش های مختلفی ترکیب شود: استفاده از مختصات مکانی مکان های نمونه خاک یا استفاده از یک لایه شطرنجی که نشان دهنده فاصله تا برخی از پدیده های جغرافیایی است.

مختصات مکانی نمونه‌های خاک : پیش‌بینی ویژگی‌های خاک ممکن است تنها با استفاده از مختصات مکانی خود نمونه‌های خاک انجام شود. در اینجا باید اولین قانون جغرافیای والدو توبلر (Tobler, 1970) را معرفی کنیم که می گوید:

“همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند.”

هنگامی که برای DSM اعمال می شود، بنابراین می توانیم بگوییم که دو نمونه خاک که در مجاورت نزدیک هستند، نسبت به دو نمونه خاکی که دور از یکدیگر قرار دارند، احتمالاً خواص مشابهی دارند. در نتیجه، رابطه بین محل نمونه‌برداری، ارزش خاک متناظر آن، و فاصله آن تا مکان‌های نمونه‌برداری مجاور را می‌توان برای پیش‌بینی (یعنی درون‌یابی) مقادیر خاک بین آن مکان‌ها با استفاده از روش‌های زمین‌آماری استفاده کرد. اگرچه بررسی اجمالی زمین آمار بسیار فراتر از محدوده این کتاب درسی است، دانش‌آموزانی که در کلاس تحلیل فضایی شرکت کرده‌اند، با درون‌یابی‌هایی مانند وزن‌دهی معکوس فاصله و رویکردهای کریجینگ آشنا هستند.

در کانادا، از روش های زمین آماری برای توصیف تنوع خاک در اوایل دهه 1980 استفاده شده است. در ریموند، آلبرتا، چانگ و همکاران. (1988) شبکه ای از 64 نقطه نمونه برداری را بر روی یک مزرعه کشاورزی 20×25 متر برای نقشه برداری از محتوای ماسه و شوری خاک با استفاده از کریجینگ برای تسهیل روش های آبیاری در خاک های شور ایجاد کرد. چندلر و همکاران در یک سیستم جنگلی واقع در جنوب غربی قبل از میلاد. (2008) رویکرد مشابهی را با استفاده از نمونه‌برداری شبکه‌ای و کریجینگ برای ارزیابی الگوهای محلی و فضایی مواد مغذی کف جنگل به‌عنوان تحت‌تاثیر درخت افرای برگ بزرگ در یک توده‌ی غالب مخروطی‌ها به کار برد.

رستر مبتنی بر فاصله : اطلاعات مربوط به موقعیت مکانی نیز ممکن است با محاسبه فاصله یا نزدیکی هر پیکسل در منطقه مورد مطالعه به پدیده جغرافیایی خاص یا نقطه مرجع، برای گرفتن اطلاعات متنی در مورد چشم انداز، گنجانده شود. برای مثال، با استفاده از یک شبکه جریان، یک لایه فاصله تا نزدیکترین جریان ممکن است محاسبه شود. علاوه بر این، لایه‌های مبتنی بر فاصله مشابه ممکن است برای نشان دادن نزدیکی به اقیانوس، دریاچه‌ها، رودخانه‌ها، ویژگی‌های ژئومورفیک و بسیاری از ویژگی‌های دیگر محاسبه شوند. مطالعاتی مانند Heung et al. (2014) دریافته‌اند که هنگام نقشه‌برداری از مواد اولیه خاک برای دره فریزر پایین، قبل از میلاد، لایه‌هایی که فاصله تا نزدیک‌ترین جریان و رودخانه فریزر را نشان می‌دهند برای پیش‌بینی توزیع مواد رودخانه‌ای مهم هستند.

نمونه برداری از خاک

اساس بررسی خاک بر انتخاب مکان‌های نمونه نمونه استوار است. با منابع کمتر در دسترس برای تکمیل برنامه‌های میدانی بزرگ و پیشرفت‌های اخیر در ابزارهای محاسباتی، تکنیک‌های جدید برای بهینه‌سازی انتخاب سایت نمونه برای بهبود دقت مدل‌های پیش‌بینی و در عین حال به دست آوردن کارایی در نمونه‌گیری میدانی استفاده می‌شوند. نمونه برداری خاک در DSM به دنبال جمع آوری اطلاعات برای درک توسعه و توزیع خاک است که توسط عوامل تشکیل دهنده خاک بیان می شود (جنی، 1941)، یا اسکورپان .متغیرهای مدل (مک براتنی و همکاران، 2003). در ابتدایی ترین حالت، طرح نمونه برداری به دنبال نمونه برداری نماینده از منطقه جغرافیایی مورد نظر و همه عوامل تشکیل دهنده خاک (یعنی متغیرهای کمکی) است. فرض اساسی این است که تغییرپذیری مکانی خواص خاک پیش‌بینی شده را می‌توان با متغیرهای کمکی محیطی توضیح داد.

روش‌های زیادی برای طراحی نمونه‌گیری وجود دارد، از جمله رویکردهای آماری و هندسی که به دنبال انتخاب تصادفی نمونه‌ها از همه مکان‌های نمونه‌برداری ممکن (جمعیت) یا توزیع مکان‌های نمونه در فضای جغرافیایی بر اساس موقعیت مکانی یا مختصات هستند و رویکردهایی که از داده‌های جانبی برای انتخاب نمونه استفاده می‌کنند. مکان‌ها، که معمولاً به عنوان رویکردهای فضای ویژگی شناخته می‌شوند.

در قلب هر برنامه نمونه برداری این سوال وجود دارد که چه ویژگی هایی را در هر مکان میدان اندازه گیری کنیم. این سوال ارتباط نزدیکی با مشکلی دارد که برای نقشه برداری خاک معمولی رایج بود، یعنی توسعه افسانه نقشه. بسته به سطح جزئیات مورد نظر در محصول نهایی و منابع بررسی موجود، نیاز به تراکم و تقسیم بندی طبقات خاک، عمق مورد نیاز برای ارزیابی خواص خاک، و روش های خاص برای نمونه برداری و تجزیه و تحلیل مزرعه، همگی بر نقشه نهایی تأثیر می گذارند. و انواع اطلاعات در مجموعه داده آموزشی. در نهایت، این ملاحظات باید از اهداف اصلی تعیین شده برای پروژه DSM پشتیبانی کند.

متداول‌ترین روش‌های هندسی مورد استفاده شامل نمونه‌گیری شبکه‌ای (GS)، نمونه‌گیری تصادفی ساده (SRS)، نمونه‌گیری تصادفی طبقه‌ای (STRS)، نمونه‌برداری از ترانسکت (TS)، نمونه‌گیری خوشه‌ای (CS) و نمونه‌گیری تودرتو (NS) است. نمونه‌برداری شبکه‌ای، منطقه مورد مطالعه را به یک شبکه منظم با فاصله یکسان با مکان‌های نمونه در مرکز هر شبکه تقسیم می‌کند. اندازه شبکه توسط کاربر بر اساس برخی معیارها، معمولاً زمان، بودجه یا دانش قبلی از تراکم نمونه برداری مورد نیاز مشخص می شود. نمونه‌گیری تصادفی ساده، مکان‌های نمونه‌گیری را ایجاد می‌کند که به طور کامل به‌طور تصادفی (بروس و همکاران، 2011) از منطقه مورد مطالعه موجود با احتمال مساوی برای انتخاب انتخاب می‌شوند (بیسواس و ژانگ، 2018). نمونه‌گیری تصادفی طبقه‌ای مشابه SRS است با این تفاوت که منطقه به بلوک‌های کوچک‌تر به نام طبقات تقسیم می‌شود و SRS برای طبقات اعمال می‌شود (Brus and de Gruijter, 1997). اندازه اقشار را می توان برای وزن نمونه استفاده کرد و در نتیجه نمونه گیری متناسب از اقشار انجام شد (پنوک و یتس، 2007). نمونه برداری از ترانسکت شکلی از نمونه گیری خوشه ای است که در آن نمونه ها در فواصل مساوی در امتداد یک خط انتخاب می شوند (دی گرویتر و مارسمن، 1985). در نمونه‌گیری خوشه‌ای، مکان‌های نمونه از نزدیک گروه‌بندی می‌شوند، تکنیکی که برای فعال کردن نمونه‌برداری در زمین‌های ناهموار با مناطق غیرقابل دسترس بدون به خطر انداختن دقت استفاده می‌شود (بیسواس و ژانگ، 2018). نمونه‌برداری تودرتو معمولاً در ترکیب با طرح‌های نمونه‌گیری دیگر اعمال می‌شود و تغییرپذیری داده‌ها را در فواصل مختلف کمی نشان می‌دهد، مفهومی که از زمین آمار نشات می‌گیرد. نمونه هایی از طرح های نمونه در شکل 17.19 ارائه شده است. نمونه برداری از ترانسکت شکلی از نمونه گیری خوشه ای است که در آن نمونه ها در فواصل مساوی در امتداد یک خط انتخاب می شوند (دی گرویتر و مارسمن، 1985). در نمونه‌گیری خوشه‌ای، مکان‌های نمونه از نزدیک گروه‌بندی می‌شوند، تکنیکی که برای فعال کردن نمونه‌برداری در زمین‌های ناهموار با مناطق غیرقابل دسترس بدون به خطر انداختن دقت استفاده می‌شود (بیسواس و ژانگ، 2018). نمونه‌برداری تودرتو معمولاً در ترکیب با طرح‌های نمونه‌گیری دیگر اعمال می‌شود و تغییرپذیری داده‌ها را در فواصل مختلف کمی نشان می‌دهد، مفهومی که از زمین آمار نشات می‌گیرد. نمونه هایی از طرح های نمونه در شکل 17.19 ارائه شده است. نمونه برداری از ترانسکت شکلی از نمونه گیری خوشه ای است که در آن نمونه ها در فواصل مساوی در امتداد یک خط انتخاب می شوند (دی گرویتر و مارسمن، 1985). در نمونه‌گیری خوشه‌ای، مکان‌های نمونه از نزدیک گروه‌بندی می‌شوند، تکنیکی که برای فعال کردن نمونه‌برداری در زمین‌های ناهموار با مناطق غیرقابل دسترس بدون به خطر انداختن دقت استفاده می‌شود (بیسواس و ژانگ، 2018). نمونه‌برداری تودرتو معمولاً در ترکیب با طرح‌های نمونه‌گیری دیگر اعمال می‌شود و تغییرپذیری داده‌ها را در فواصل مختلف کمی نشان می‌دهد، مفهومی که از زمین آمار نشات می‌گیرد. نمونه هایی از طرح های نمونه در شکل 17.19 ارائه شده است. تکنیکی که برای فعال کردن نمونه‌برداری در زمین‌های ناهموار با مناطق غیرقابل دسترس بدون به خطر انداختن دقت استفاده می‌شود (بیسواس و ژانگ، 2018). نمونه‌برداری تودرتو معمولاً در ترکیب با طرح‌های نمونه‌گیری دیگر اعمال می‌شود و تغییرپذیری داده‌ها را در فواصل مختلف کمی نشان می‌دهد، مفهومی که از زمین آمار نشات می‌گیرد. نمونه هایی از طرح های نمونه در شکل 17.19 ارائه شده است. تکنیکی که برای فعال کردن نمونه‌برداری در زمین‌های ناهموار با مناطق غیرقابل دسترس بدون به خطر انداختن دقت استفاده می‌شود (بیسواس و ژانگ، 2018). نمونه‌برداری تودرتو معمولاً در ترکیب با طرح‌های نمونه‌گیری دیگر اعمال می‌شود و تغییرپذیری داده‌ها را در فواصل مختلف کمی نشان می‌دهد، مفهومی که از زمین آمار نشات می‌گیرد. نمونه هایی از طرح های نمونه در شکل 17.19 ارائه شده است.

رویکردهای فضای ویژگی، مقادیر متغیرهای کمکی محیطی را در مکان‌های نمونه‌گیری در نظر می‌گیرند. نمونه‌برداری فازی k-means (FKMS) از الگوریتم خوشه‌بندی k-means برای به حداقل رساندن فاصله بین مکان‌های نمونه‌گیری استفاده می‌کند، اما این فاصله در فضای متغیر متغیر است، نه فضای جغرافیایی (Brus, 2019). نمونه گیری لاتین هایپرمکعب شرطی (cLHS) توسط (میناسنی و مک براتنی، 2006) به عنوان اصلاحی برای نمونه برداری ابرمکعب لاتین پیشنهاد شد (Mckay et al., 1979). با بسیاری از متغیرهای کمکی، یک آزمایش فاکتوریل کامل غیرممکن است – نمونه‌برداری ابرمکعب لاتین امکان نمونه‌گیری از همه متغیرهای کمکی را با یک نمونه در هر لایه (بروس، 2019) می‌دهد.

یک طرح نمونه برداری بهینه باید پوشش مناسبی از هر دو فضای جغرافیایی و ویژگی را فراهم کند. این را می توان با استفاده از ابزارهای مختلف ارزیابی کرد. برای پوشش فضای ویژگی، معمولاً می توان مقایسه ای از پوشش فضای ویژگی سایت های نمونه و کل منطقه مورد مطالعه را برای تعیین کفایت طرح نمونه تکمیل کرد. ابزارهایی برای بهینه‌سازی نمونه‌گیری از نظر فضای جغرافیایی و از نظر فضای ویژگی وجود دارد، با این حال ادغام این دو استراتژی بهینه‌سازی نمونه یک حوزه مهم تحقیقاتی باقی مانده است. یکی از جنبه‌های موجود در استراتژی‌های نمونه‌گیری موجود، اطلاعات مربوط به تعداد بهینه سایت‌های مورد نیاز برای بهینه‌سازی توانایی پیش‌بینی مدل مورد استفاده برای DSM است. به خوانندگان علاقه مند توصیه می شود به بروس و همکاران مراجعه کنند. (2011) و Biswas and Zhang (2018) برای مقدمه ای دقیق تر بر طراحی نمونه گیری.

طراحی نمونه و نمونه برداری خاک چالش های فنی و لجستیکی بسیاری را به همراه دارد. در طول مرحله طراحی نمونه‌برداری، نقشه‌بردار خاک باید ویژگی‌هایی را در نظر بگیرد که در هنگام انتخاب نمونه باید از آنها اجتناب شود، به‌ویژه با توجه به استفاده از الگوریتم‌های کامپیوتری، که نمی‌توانند این محدودیت‌ها را هنگام انتخاب مکان‌های نمونه تشخیص دهند. به عنوان مثال، ویژگی‌های انسانی مانند جاده‌ها، ساختمان‌ها، معادن و ویژگی‌های طبیعی مانند بدنه‌های آبی، معمولاً برای نقشه‌برداران خاک چندان مورد توجه نیستند و باید از لایه‌های اطلاعاتی که برای طراحی طرح نمونه استفاده می‌شوند حذف شوند. به طور مشابه، در زمین‌های دشوار یا مناطق دورافتاده، می‌توان فرآیند انتخاب نمونه را به یک فاصله بافر قابل مدیریت از جاده‌های دسترسی محدود کرد. دسترسی به زمین های خصوصی برای نمونه برداری از خاک می تواند چالش برانگیز باشد. محدود کردن طرح نمونه‌برداری به زمین‌های عمومی در بیشتر موارد غیرعملی است و امکان‌پذیر نیست، و به همین دلیل برای تکمیل کار مزرعه‌ای نمونه‌برداری خاک باید از مالکان اجازه گرفته شود. یک مسئله رایج که مطرح می شود، نیاز به یک مکان نمونه جایگزین در زمانی که دسترسی به زمین خصوصی ممنوع است، است. اگرچه فراتر از محدوده این مقدمه برای DSM، محققان در حال توسعه استراتژی هایی برای اصلاح و تطبیق الگوریتم های طراحی نمونه برای توضیح این نوع محدودیت ها هستند (کلیفورد و همکاران، 2014؛ مالون و همکاران، 2019).

پیش بینی طبقات و خواص خاک

تهیه نقشه خاک با استفاده از تکنیک های DSM عمدتاً به سه عنصر زیر نیاز دارد:

1. مجموعه‌ای از لایه‌های محیطی (یعنی پیش‌بینی‌کننده‌ها یا متغیرهای کمکی) که فاکتورهای اسکورپن را نشان می‌دهند .
2. داده های خاک که از نظر جغرافیایی ارجاع داده می شوند. و
3. مدلی که رابطه بین داده های خاک و محیط را به منظور پیش بینی مکان های نمونه برداری نشده مشخص می کند.

در بخش‌های قبلی، منابع مختلف داده‌های زیست‌محیطی را بررسی کرده‌ایم و روش‌های مختلف نمونه‌برداری فضایی مورد استفاده برای به دست آوردن داده‌های خاک را شرح داده‌ایم. در این بخش، فرآیند مورد نیاز برای ایجاد یک مجموعه داده آموزشی را شرح می‌دهیم، که سپس برای کالیبره کردن یک مدل پیش‌بینی برای تولید خروجی‌های نقشه استفاده می‌شود.

به طور معمول، تکنیک‌های DSM شامل نوعی یادگیری تحت نظارت است که در آن یک مجموعه داده آموزشی ابتدا با تقاطع مکانی مکان‌های نمونه (با ویژگی‌های خاک اندازه‌گیری شده) با مجموعه زیرین لایه‌های محیطی ایجاد می‌شود. با استفاده از یک مدل پیش بینی، رابطه بین متغیر پاسخ خاک و لایه های پیش بینی محیطی با استفاده از یک تابع طبقه بندی یا رگرسیون (یعنی برازش مدل) برقرار می شود. هنگامی که مدل پیش‌بینی با داده‌های آموزشی برازش داده می‌شود، سپس بر روی لایه‌های محیطی مجموعه اعمال می‌شود تا ویژگی‌ها یا طبقات خاک را در مکان‌های نمونه‌گیری نشده پیش‌بینی کند.

قبل از انجام پیش‌بینی، نقشه‌بردار خاک باید نوع داده‌های خاکی را که قرار است پیش‌بینی شود، تشخیص دهد. داده‌های خاک ممکن است به شکل داده‌های طبقه‌ای یا داده‌های پیوسته باشد که به موجب آن داده‌های طبقه‌بندی ممکن است بیشتر به داده‌های اسمی و داده‌های ترتیبی تقسیم شوند.. داده‌های اسمی جنبه‌های کیفی خاک را توصیف می‌کنند و ارزش کمی ندارند و رایج‌ترین نمونه از داده‌های اسمی واحد طبقه‌بندی خاک (به عنوان مثال، ردیف خاک، گروه بزرگ، سری) است، اما ممکن است شامل کلاس مواد اولیه خاک، طبقه بافتی خاک نیز باشد. ، و دیگران. داده‌های ترتیبی، نوع دیگری از داده‌های طبقه‌بندی، مقادیری را نشان می‌دهند که دارای واحدهای مرتب شده هستند (یعنی مقادیر نسبت به یکدیگر هستند)، که در آن نمونه‌ها ممکن است شامل کلاس‌های رژیم رطوبت خاک و مواد مغذی باشند. در رژیم رطوبتی خاک، 9 مقدار بالقوه از 0 تا 8 وجود دارد که مقدار 0 بیانگر شرایط “بسیار خشک” و مقدار 8 نشان دهنده شرایط “هیدریک” است. با این حال، تفاوت دقیق بین مقادیر مشخص نیست. در مقابل، داده های پیوسته نشان دهنده ویژگی های اندازه گیری شده خاک مانند عمق خاک، pH خاک، محتوای رس،

تمایز بین انواع داده های طبقه بندی شده و پیوسته هنگام نمایش اطلاعات خاک بسیار مهم است زیرا تا حد زیادی تعیین می کند که کدام مدل پیش بینی و روش های ارزیابی دقت و عدم قطعیت مدل مناسب است. هنگام پیش‌بینی داده‌های طبقه‌بندی خاک، ما به استفاده از رویکردهای پیش‌بینی‌کننده که برای اهداف طبقه‌بندی مناسب هستند محدود می‌شویم، در حالی که پیش‌بینی داده‌های پیوسته نیاز به استفاده از رویکردهای مدل‌سازی رگرسیون دارد. نمونه ای از نقشه رقومی خاک تولید شده با استفاده از روش مدل سازی رگرسیون در شکل 17.6 (سمت راست) برای پیش بینی کربن آلی خاک و نمونه ای با استفاده از رویکرد مدل سازی طبقه بندی در شکل 17.20 برای گروه بزرگ خاک نشان داده شده است.

بررسی اجمالی رویکردهای مدلسازی بسیار فراتر از محدوده این کتاب درسی است. با این حال، خوانندگان علاقه مند باید به مک براتنی و همکاران مراجعه کنند. (2003)، که مروری بر رویکردهای مدل سازی مختلف برای رگرسیون و طبقه بندی با استفاده از تکنیک های یادگیری ماشینی و زمین آماری ارائه می دهد. برای یک نمای کلی از تکنیک های یادگیری ماشینی که برای اهداف طبقه بندی در DSM استفاده می شود، خوانندگان ممکن است به Heung و همکاران مراجعه کنند. (2016).

برای خوانندگان مهم است که بدانند انواع مختلفی از تکنیک های مدل سازی پیش بینی وجود دارد که در DSM و همچنین در رشته های فراتر از DSM استفاده می شود. با این حال، هیچ مدل واحدی وجود ندارد که به طور مداوم از مدل دیگری بهتر عمل کند یا در همه شرایط “بهترین” در نظر گرفته شود. انتخاب در لایه‌های پیش‌بینی‌کننده محیطی، ماهیت روابط خاک-محیط‌زیست (به عنوان مثال، روابط خطی در مقابل غیرخطی)، اندازه مجموعه داده‌های آموزشی، ویژگی خاک، و همچنین مجموعه‌ای از عوامل دیگر، ممکن است بر روی عملکرد مدل علاوه بر این، ویژگی‌های ذاتی مدل، مانند زمان پردازش، تقاضای محاسباتی و پیچیدگی مدل، متفاوت خواهد بود. در نتیجه، توصیه می‌شود که متخصصان DSM انواع تکنیک‌های مدل‌سازی را با هم مقایسه کنند و ارزیابی دقیقی از همه نتایج انجام دهند. علاوه بر این،

با توجه به اینکه بسیاری از فرآیند مدل‌سازی ممکن است به روشی خودکار با استفاده از نرم‌افزار آماری مانند R انجام شود ، اتوماسیون تا حد زیادی مقایسه مدل‌ها را تسهیل می‌کند و فرآیند مقایسه مدل‌ها باید به عنوان «بهترین عمل» در نظر گرفته شود. به عنوان مثال، در Heung et al. (2016)، از داده های ورودی یکسان برای آموزش 11 تکنیک مدل سازی استفاده شد، جایی که مشخص شد با وجود ورودی های یکسان، خروجی های مدل هنگام نقشه برداری گروه های بزرگ خاک برای Lower Fraser Valley، BC (شکل 17.21) به شدت متفاوت است.

ارزیابی دقت

همه نقشه‌ها واقعیت تقریبی دارند و همه نقشه‌های دیجیتالی خاک از دنیای واقعی منحرف می‌شوند و هر آنچه که از مدل تولید می‌شود تنها یک مورد از تعداد بی‌نهایت تحقق نقشه خاک است. دوباره، این در شکل 17.21 نشان داده شده است، که نشان می دهد که مدل های مختلف می توانند تحقق های بسیار متفاوتی از نقشه خاک ایجاد کنند. بنابراین، برای تعیین کمیت کیفیت پیش‌بینی‌های نقشه، باید یک ارزیابی دقت در همه پیش‌بینی‌ها انجام شود. در اینجا، ما اصطلاح “دقت” را به عنوان تفاوت بین مقادیر مشاهده شده و پیش بینی شده در یک مکان توصیف می کنیم (Brus et al., 2011). به موجب آن می‌توانیم دقت را با کاهش اختلاف «بالاتر» توصیف کنیم.

همانند انتخاب نوع مدل مناسب برای پیش‌بینی متغیرهای طبقه‌بندی و پیوسته خاک، انتخاب معیارهای دقت مناسب نیز به این بستگی دارد. با این حال، در هر دو مورد، ارزیابی دقت باید با استفاده از یک مجموعه داده مستقل (یعنی اعتبارسنجی یا آزمایش) انجام شود که برای آموزش مدل استفاده نشده است.

هنگام ارزیابی دقت پیش‌بینی‌های طبقه‌بندی شده (مثلاً سری خاک، نوع ماده اصلی خاک)، به طور کلی بر دقت کلی و ضریب کاپا کوهن به عنوان معیارهای اصلی تکیه می‌کنیم. دقت کلی نسبت مشاهداتی است که به درستی برای مجموعه داده مستقل پیش‌بینی شده است. در حالی که کاپا توافق تصادفی بین کلاس های مشاهده شده و پیش بینی شده را به حساب می آورد. هر دو معیار از 0 تا 1 متغیر هستند، جایی که مقدار 1 نشان دهنده دقت بالا است.

هنگام ارزیابی دقت پیش‌بینی‌های پیوسته (مانند چگالی ظاهری، کربن آلی خاک)، میانگین مربعات خطا (MSE)، ریشه میانگین مربعات خطا (RMSE)، ضریب تعیین (R2) و ضریب همبستگی تطابق Lin (CCC) ^هستند . اغلب استفاده می شود. MSE به طور موثر میانگین اختلاف مجذور بین مقادیر مشاهده شده و پیش بینی شده است. در مقایسه، RMSE، جذر MSE است و در واحدهای مشابه با متغیر خاک بیان می‌شود. در هر دو مورد، MSE یا RMSE پایین تر نشان دهنده مدل دقیق تری است. R2 اندازه گیری می کند که مقادیر مشاهده شده و پیش بینی شده چقدر از یک خط رگرسیون مناسب پیروی می کنند (یعنی چقدر مقادیر نزدیک به هم مرتبط هستند) و نشان دهنده نسبت تغییرات خاک ^است که توسط مدل توضیح داده شده است. ذکر این نکته ضروری است که R² دقت را نشان نمی دهد زیرا برای تعصب مدل که به موجب آن مدل ممکن است به طور مداوم یک متغیر خاک را بیش از حد یا کمتر پیش بینی کند، در نظر نمی گیرد. در عوض، متریک مناسب‌تر استفاده از CCC است که نشان‌دهنده خوبی تناسب در امتداد یک خط 45 درجه بر روی نمودار پراکندگی مقادیر مشاهده‌شده و پیش‌بینی‌شده است. مقادیر CCC از 0 تا 1 متغیر است، که در آن مقادیر 1 سناریوهایی را نشان می دهد که مقادیر پیش بینی شده با مقادیر مشاهده شده مطابقت دارند و بنابراین دقت و دقت پیش بینی بالا را نشان می دهد.

عدم قطعیت در نقشه های خاک دیجیتال

درک این نکته مهم است که همراه با تمام فعالیت‌های مدل‌سازی محیطی، مدل‌ها به سادگی بازنمایی انتزاعی از دنیای واقعی هستند و عدم قطعیت‌هایی در مورد خواص واقعی خاک وجود دارد. نحوه ارائه الگوهای خاک بر روی نقشه خاک بر اساس یک مدل پیش بینی است که هرگز واقعاً عاری از خطا نیست. از این رو، تخمین کمی عدم قطعیت نقشه های خاک دیجیتال به اندازه اعتبارسنجی آن مهم است، زیرا به کاربران امکان می دهد سودمندی نقشه ها و نحوه استفاده از آن نقشه ها را ارزیابی کنند (هیولینک، 1998). عدم قطعیت‌ها از سه منبع انباشته و منتشر می‌شوند: ویژگی خاک اندازه‌گیری شده، پیش‌بینی‌کننده‌های محیطی نشان‌دهنده عوامل اسکورپان ، و مدل پیش‌بینی‌کننده.

عدم قطعیت در خواص خاک : هر زمان که یک نمونه خاک به آزمایشگاه برده می‌شود، همیشه تفاوت‌هایی در تکنیک‌های تحلیلی وجود دارد که ممکن است هنگام اندازه‌گیری ویژگی‌های مختلف خاک باعث خطا شود. در برخی شرایط، متغیرهای پاسخ خاک ممکن است از سایر متغیرهای خاک استنباط شوند که اندازه‌گیری آن‌ها با استفاده از توابع انتقالی آسان‌تر است و به موجب آن خطاها ممکن است بیشتر منتشر شوند. همچنین هنگام ثبت موقعیت مکانی نقاط نمونه در هنگام استفاده از GPS، عدم قطعیت‌ها ممکن است به وجود بیاید که به موجب آن برخی از GPSها دقیق‌تر از سایرین هستند.

عدم قطعیت در پیش بینی های محیطی : عدم قطعیت ذاتی با خود پیش بینی کننده های محیطی وجود دارد. به عنوان مثال، عدم قطعیت های عمودی ممکن است با DEM ها و همچنین عدم قطعیت اندازه گیری از سنسورهای دور و نزدیک خاک وجود داشته باشد. هنگام استفاده از نقشه های معمولی خاک یا نقشه های زمین شناسی در قالب چند ضلعی، ترکیب چند ضلعی، مرزهای چند ضلعی و مقیاس نقشه همگی ممکن است به عدم قطعیت کمک کنند.

عدم قطعیت در مدل پیش بینی: همانطور که قبلا بحث شد، انتخاب مدل پیش بینی ممکن است به نقشه های خاک به شدت متفاوت منجر شود. و از این رو، ساختار مدل ممکن است منبع دیگری از عدم قطعیت باشد. روابط بین پیش‌بینی‌کننده‌های محیطی و ویژگی‌های خاک ممکن است خطی، غیرخطی یا ترکیبی از هر دو باشد و انواع خاصی از مدل‌ها در به تصویر کشیدن این روابط مؤثرتر از سایرین هستند. برای مثال، یک مدل خطی ساده در مدل‌سازی روابط خطی مؤثر است، در حالی که رویکردهای مدل‌سازی غیرخطی (به عنوان مثال، طبقه‌بندی و درختان رگرسیون) در گرفتن روابط غیرخطی و سلسله مراتبی مؤثر هستند. در نهایت، برخی از رویکردهای مدل سازی (به عنوان مثال، درختان مدل) ترکیبی از مدل های خطی و غیر خطی هستند و بنابراین قادر به گرفتن هر دو نوع روابط هستند.

در حالت ایده‌آل، تمام نقشه‌های دیجیتال خاک باید با نقشه‌های عدم قطعیت همراه شوند، که عدم قطعیت را برای هر پیکسل منفرد تخمین می‌زنند – اما در عمل اغلب اینطور نیست. با توجه به اهمیت تشخیص عدم قطعیت در خروجی‌های مدل، استانداردهای بین‌المللی نقشه‌برداری (به عنوان مثال، GlobalSoilMap.net ) اغلب نیاز به گنجاندن یک نقشه فاصله پیش‌بینی 90% و همچنین محدودیت‌های پیش‌بینی پایین (5%) و بالا (95%) دارند. شکل 17.22). در اینجا، ما فرض می کنیم که با سطح اطمینان 90٪، ارزش واقعی یک ویژگی خاک در بازه پیش بینی خواهد بود. بنابراین، هنگام تفسیر این نقشه های عدم قطعیت، عدم قطعیت با افزایش عرض فاصله پیش بینی 90 درصد افزایش می یابد. لازم به ذکر است که این نمایش عدم قطعیت فقط برای متغیرهای پیوسته خاک اعمال می شود.

هنگام نمایش عدم قطعیت برای پیش‌بینی متغیرهای طبقه‌بندی خاک، نقشه‌های احتمال کلاس برای محاسبه عدم قطعیت برای هر پیکسل استفاده می‌شود. در اینجا، مجموعه‌ای از رسترهای احتمالی برای هر کلاس تولید می‌شوند که به موجب آن هر پیکسل دارای یک مقدار متناظر است که احتمال وقوع آن کلاس را نشان می‌دهد (شکل 17.23). اگر یک کلاس فردی احتمال وقوع بالایی داشته باشد، عدم قطعیت کم است. با این حال، اگر همه کلاس‌ها احتمال وقوع یکسانی داشته باشند، عدم قطعیت زیاد است. اگرچه معیارهای زیادی وجود دارد که ممکن است از این رسترهای احتمال کلاس محاسبه شود (به عنوان مثال، عدم قطعیت ناآگاهی، عدم قطعیت اغراق، شاخص سردرگمی)، همه آنها به طور مؤثری گسترش مقادیر احتمال را در بین طبقات مختلف مشخص می کنند (شکل 17.24).

فراتر از نقشه برداری دیجیتالی خاک

تلاش زیادی برای بهبود دسترسی، تفسیرپذیری، درک و ارتباط اطلاعات خاک به کاربران داده در برخی استان ها صورت گرفته است . برنامه‌های کاربردی آنلاین، مانند ابزار یاب اطلاعات خاک بریتیش کلمبیا (SIFT) ، اطلس منابع زمین کشاورزی آلبرتا ، سیستم اطلاعات خاک ساسکاچوان (SKSIS) ، Info-Sols (کبک) و اطلس اطلاعات کشاورزی انتاریو ، نقشه‌های خاک میراث و یک رابط کاربری گرافیکی ارائه می کند که به موجب آن کاربر می تواند به راحتی از آن نقشه ها پرس و جو کند و اطلاعات مربوط به ویژگی های خاک و همچنین اطلاعات تفسیری خاک از جمله قابلیت زمین کشاورزی و خطر فرسایش خاک را به دست آورد.

پلتفرم‌های دیگر، مانند SOILx، استفاده از واقعیت افزوده را در تجسم نمایه‌های خاک در یک دستگاه تلفن همراه بررسی کرده‌اند. این پلتفرم ها پتانسیل بهبود فرآیندهای تصمیم گیری، کمک به ارزیابی اثرات زیست محیطی و ارائه اطلاعات مدیریت خاک پایدار به کاربران را دارند. با این حال، این سکوها به دلیل کیفیت اطلاعات خاکی که آنها را پر می کند و توانایی کاربر برای درک آن اطلاعات محدود می شوند.

به طور سنتی، نقشه‌برداران خاک بر توسعه روش‌های کمی برای پیش‌بینی خاک در فضا متمرکز شده‌اند. با این حال، نقش حیاتی دیگر نقشه‌بردار خاک، که بسیار کمتر مورد توجه قرار گرفته است، نقش «مولد و ارائه‌دهنده دانش» و درک چگونگی استفاده از اطلاعات خاک برای اطلاع‌رسانی در تصمیم‌گیری و شیوه‌های برنامه‌ریزی منابع است (فینکه، 2012). ). نقش نقشه‌بردار خاک همراه با متخصصان حوزه (به عنوان مثال، کشاورزان، جنگل‌بانان، دانشمندان محیط‌زیست، مهندسان)، تفسیر جمعی نقشه‌های دیجیتالی مختلف خاک و توسعه ابزارهای تفسیری است که تهدیدات و عملکرد خاک را ارزیابی می‌کند و فرآیند تصمیم‌گیری را تسهیل می‌کند. . به عنوان مثال، نقشه خطر فرسایش خاک احتمالاً برای تصمیم گیرندگان مفیدتر از نقشه های فردی خصوصیات خاک است (به عنوان مثال،

در جامعه پدومتریک، بخش بزرگی از این رشته به استفاده از نقشه های دیجیتال خاک به عنوان مواد تشکیل دهنده برای ارزیابی عملکردها و تهدیدات خاک اختصاص دارد. این حوزه فعال تحقیقاتی به عنوان ارزیابی خاک دیجیتال (DSA) نامیده می شود. در حالی که جزئیات DSA فراتر از محدوده این فصل است، خوانندگان علاقه مند باید به Carré و همکاران مراجعه کنند. (2007)، که برای اولین بار این زمینه را معرفی کرد، و Finke (2012)، که متعاقباً دامنه این رشته را مورد بحث قرار داد. در سطح جهانی، پیشرفت فوق العاده ای در جهت توسعه ابزارهای ارزیابی خاک با استفاده از نقشه های دیجیتال خاک صورت گرفته است.