ارزیابی فضایی اثرات تغییر پوشش زمین بر فرسایش خاک در مجارستان از سال 1990 تا 2018

خلاصه

از آنجایی که فرسایش خاک هنوز یک تهدید جهانی برای منابع خاک است، برآورد از دست دادن خاک، به ویژه در یک محیط زمانی- مکانی، هنوز یک چالش موجود است. هدف اولیه مطالعه ما ارزیابی تغییرات پتانسیل فرسایش خاک در مجارستان از سال 1990 تا 2018 است که ناشی از تغییرات کاربری و پوشش زمین بر اساس داده‌های پوشش زمین CORINE است. طرح مدل‌سازی شامل کاربرد و ارزش‌گذاری متقابل دو روش کاربردی بین‌المللی، معادله جهانی از دست دادن خاک (USLE) و مدل‌های ارزیابی ریسک فرسایش خاک (PESERA) بود.
دوره-آموزش-حرفه-ای-gis
نتایج نشان می دهد که تغییرات در پوشش زمین منجر به کاهش کلی نرخ فرسایش پیش بینی شده، تا 0.28 تن در هکتار در سال به طور متوسط ​​شده است. تجزیه و تحلیل همچنین نشان داد که کاربرد ترکیبی دو مدل، وقوع پیش‌بینی‌های شدید را کاهش داده است، بنابراین، استحکام روش را افزایش می‌دهد. تجزیه و تحلیل رگرسیون جنگل تصادفی نشان داده است که تفاوت بین دو مدل عمدتاً ناشی از حساسیت آنها به شیب و پوشش زمین و به دنبال آن پارامترهای خاک است. پیش‌بینی‌های فضایی حاصل می‌تواند به آسانی برای تحلیل فضایی کیفی اعمال شود. با این حال، سوال پیش‌بینی‌های شدید هنوز نشان می‌دهد که استفاده کمی از نتایج خروجی تنها باید با دقت کافی انجام شود. پیش‌بینی‌های فضایی حاصل می‌تواند به آسانی برای تحلیل فضایی کیفی اعمال شود. با این حال، سوال پیش‌بینی‌های شدید هنوز نشان می‌دهد که استفاده کمی از نتایج خروجی تنها باید با دقت کافی انجام شود. پیش‌بینی‌های فضایی حاصل می‌تواند به آسانی برای تحلیل فضایی کیفی اعمال شود. با این حال، سوال پیش‌بینی‌های شدید هنوز نشان می‌دهد که استفاده کمی از نتایج خروجی تنها باید با دقت کافی انجام شود.

کلید واژه ها:

PESERA ; USLE ; فرسایش خاک ؛ مجارستان ; کاربری و پوشش زمین ; پوشش زمین CORINE ; جنگل تصادفی

1. معرفی

فرسایش خاک توسط آب همچنان یک فرآیند تخریب قابل توجه برای منابع خاک در سراسر جهان است. با توجه به افزایش مورد انتظار وقوع رویدادهای بارش شدید، فرسایش خاک همچنان یک تهدید کلیدی برای منابع خاک است [ 1 ، 2 ، 3 ]. بنابراین، فرسایش خاک توسط آب همچنان در کانون توجه تعدادی از سیاست های جهانی و منطقه ای است [ 4 ].
در دهه‌های گذشته، تعداد قابل‌توجهی یا مطالعات نقشه‌برداری حساسیت به فرسایش خاک مبتنی بر مدل در سراسر جهان انجام شده است [ 5 ]. باتیستا و همکاران [ 6 ] مروری بر مدل‌های فرسایش خاک، روش‌های ارزیابی و محدودیت‌های اخیر اعمال شده ارائه کرد.
بخش بزرگی از پروژه‌های مدل‌سازی فرسایش خاک بر استفاده از معادله جهانی تلفات خاک (USLE) [ 7 ] یا نسخه‌های اصلاح‌شده آن MUSLE [ 8 ، 9 ] و RUSLE [ 10 ] در مقیاس‌های مکانی و زمانی متغیر متمرکز شده‌اند. تعداد فزاینده ای از برنامه ها از داده های ورودی سنجش از راه دور استفاده می کنند [ 11 ، 12 ، 13 ، 14 ، 15 ].
مدل پاناروپایی ارزیابی ریسک خاک (PESERA) در درجه اول برای برآورد مقیاس منطقه ای فرسایش شیاری و بین شیاری توسعه داده شد. به عنوان یک مدل مبتنی بر فرآیند، PESERA به تعداد قابل توجهی لایه های داده ورودی و مقدار قدرت پردازش بیشتری نسبت به مدل USLE نیاز دارد. اخیراً لی و همکاران. [ 5 ] مدل PESERA را همراه با مدل RUSLE اعمال کرده اند. نقشه‌های فرسایش خاک در سطح ملی در مجارستان ابتدا بر اساس دانش تخصصی مبتنی بر میدان [ 16 ] پایه‌گذاری شده‌اند . در سال 2000، نقشه ملی خطر فرسایش مبتنی بر USLE در مقیاس 1:100000 تدوین شده است [ 17 ]. در سال 2016، پاستور و همکاران. [ 18] یک نقشه جدید خطر فرسایش خاک برای مجارستان، بر اساس مدل های USLE و PESERA، با تمرکز بر سال مرطوب شدید 2010، ایجاد کرد. این نقشه بعداً برای اطلس ملی مجارستان [19] به تصویب رسید . در حالی که تمرکز اولیه تحقیقات فرسایش خاک در مجارستان فرسایش توسط آب است، مطالعات اخیر نیز بر روی حساسیت به فرسایش بادی متمرکز شده است [ 18 ، 20 ].
از آنجایی که مجارستان هنوز فاقد یک شبکه ملی پایش فرسایش خاک است [ 21 ]، اعتبارسنجی و/یا کالیبراسیون مناسب چنین نقشه‌هایی یک چالش بوده است. یک مطالعه ارزیابی نیمه کمی به این نتیجه رسیده است که نقشه از رویکرد ترکیبی USLE-PESERA مطابق با مشاهدات درجا کشاورزان است [ 22 ].
کاربری زمین و پوشش زمین (LULC) نقش مهمی در فرآیندهای فرسایش خاک دارد. تغییرات LULC می تواند تأثیر قابل توجهی بر حساسیت به فرسایش خاک داشته باشد [ 23 ، 24 ، 25 ]، به ویژه در مورد استفاده از زمین کشاورزی [ 26 ، 27 ، 28 ]، و بنابراین، می تواند به کاهش کربن آلی خاک کمک کند (SOC). ) [ 29 ]. بنابراین، درک دینامیک LULC و اثرات آن بر فرسایش خاک می تواند اطلاعات کلیدی را در اختیار تصمیم گیرندگان قرار دهد [ 11 ، 30 ، 31 ، 32 ، 33 ].
با توجه به اثرات تغییر کاربری اراضی بر فرسایش خاک، مطالعات متعددی بر روی ارزیابی تغییرات LULC متمرکز شده است. یک رویکرد معمولی شبیه‌سازی تغییر LULC توسط مدل‌های مختلف است. به عنوان مثال، شرستا و همکاران. [ 34 ] تأثیرات فردی و یکپارچه تغییر اقلیم و کاربری زمین در جریان رودخانه در رودخانه سونگخرام را کمیت کرد. آنها از تبدیل دینامیکی کاربری زمین و اثرات آن (Dyna-CLUE) به عنوان مدل تغییر کاربری زمین برای تعریف سناریوهای تغییر کاربری زمین استفاده کردند. ژانگ و همکاران [ 35 ] از ترکیبی از مدل زنجیره مارکوف و مدل Dyna-CLUE برای شبیه‌سازی کاربری‌های آینده زمین استفاده کرد. Lamichhane و Shakya [ 36] همچنین از یک رویکرد مبتنی بر CLUE-S برای ارزیابی تأثیر LULC و تغییرات آب و هوایی بر هیدرولوژی حوضه استفاده کرد. روش متداول دیگر مبتنی بر استفاده از اطلاعات میراث و/یا داده های ماهواره ای برای ارزیابی تغییرات LULC است [ 37 ، 38 ، 39 ].
همانطور که مطالعات ذکر شده در بالا نشان می دهد، هر دو مدل USLE و PESERA هنوز برای ارزیابی اثرات تغییرات آب و هوا یا کاربری زمین/پوشش زمین استفاده می شوند، حتی اگر تفاوت های واضحی در پیش بینی آنها وجود داشته باشد [40 ، 41 ] . در مطالعه اخیر خود، Ciampalini و همکاران. [ 42 ] یک تحلیل حساسیت با مدل PESERA، با تمرکز بر اثرات پارامترهای اقلیمی انجام داده‌اند. با این حال، هنوز کمبود اطلاعات در مورد اثرات سایر پارامترهای ورودی، به ویژه اثرات کاربری زمین/پوشش زمین وجود دارد.
در موقعیت‌های مدل‌سازی، که داده‌های اعتبارسنجی کافی در دسترس نیست، یک روش بالقوه استفاده از معیارهای اهمیت متغیر تصادفی جنگل به منظور ارزیابی حساسیت مدل‌ها به متغیرهای ورودی خاص است [43 ، 44 ] . با توجه به دانش ما، این روش هنوز برای مقایسه مدل‌های USLE و PESERA استفاده نشده است.
هدف از کار ارائه شده در اینجا ارزیابی میزان تغییرات پوشش زمین در مجارستان بین سال‌های 1990 و 2018 و برآورد اثرات این تغییرات بر پتانسیل فرسایش خاک بود، در حالی که مقایسه این دو مدل و حساسیت آنها به ورودی ارائه شد. پارامترها از طریق کاربرد اهمیت متغیر جنگل تصادفی. مفروضات اساسی ما شامل ماهیت تثبیت شده مدل های کاربردی (یعنی آنها اطلاعات ارزشمندی در مورد تلفات احتمالی ناشی از فرسایش آب [ 18 ، 22 ]) و قابلیت اطمینان مجموعه داده های ورودی ارائه می کنند. فرضیه پایه ما این است که تغییرات LULC از سال 1990 تا 2018 بر نرخ فرسایش بالقوه تأثیر گذاشته است. به منظور مقایسه سال های مختلف، از داده های اقلیمی سال 2010 به عنوان سال معیار استفاده کرده ایم.

2. مواد و روشها

مطالعه حاضر روش و داده های مورد استفاده برای توسعه نقشه فرسایش خاک مجارستان [ 18 ] را اتخاذ کرده است. در حالی که یک شبکه ملی پایش فرسایش وجود ندارد، این نقشه (با استفاده از داده های پوشش زمین CORINE 2006) به صورت نیمه کمی ارزیابی شده است و در حال حاضر در سطح ملی پذیرفته شده است [ 22 ، 45 ]. به منظور ارزیابی اثر تغییر LULC، تمام متغیرهایی که تحت تأثیر چنین تغییراتی قرار نگرفته‌اند، با تمرکز بر مرطوب‌ترین سال مشاهده شده در سال 2010 به عنوان خط پایه آب و هوایی، ثابت نگه داشته شده‌اند.
دوره-آموزش-حرفه-ای-gis

2.1. منطقه مطالعه

مجارستان در اروپای مرکزی (45 درجه و 48 دقیقه و 48 درجه و 35 دقیقه شمالی، 16 درجه و 05 دقیقه و 22 درجه و 58 دقیقه شرقی)، در حوضه کارپات واقع شده است. بلندترین قله آن 1014 متر و پایین ترین نقطه آن 78 متر است. کل منطقه کشور در حوضه رودخانه دانوب است [ 19 ].
نقش برجسته مجارستان بیشتر به صورت ارتفاع کم و تشریح عمودی کم بیان می شود ( شکل 1 ). این منطقه تحت سلطه مناطق دشت (82.4٪ زیر 200 متر)، با تنها حدود 0.5٪ از زمین بالای 500 متر است. کوههای با ارتفاع متوسط ​​(200 تا 500 متر) 2.1٪ از مساحت را پوشش می دهند، در حالی که تپه ها و کوهپایه ها 15.5٪. [ 46 ]
مجارستان در منطقه معتدل شمالی واقع شده است، اما تحت تأثیر سه منطقه آب و هوایی (اقیانوسی، قاره ای و مدیترانه ای) قرار دارد. آب و هوای آن با چهار فصل، با تغییرات زمانی زیاد مشخص می شود. پارامترهای آب و هوایی معمولی برای کل مجارستان در جدول 1 ارائه شده است . تابستان گرم ترین فصل با بیشترین بارندگی فصلی است، در حالی که زمستان معمولا سردترین و خشک ترین فصل است. با این حال، بارش می تواند به ویژه در منطقه از نظر زمانی و مکانی متغیر باشد. مرطوب ترین سال مشاهده شده سال 2010 بود که میانگین 9 روز با بارندگی بالا (بیش از 20 میلی متر) را داشت [ 47] .]. مطالعات اخیر نشان داده است که در حالی که توزیع فضایی رویدادهای بارندگی شدید (بیش از 40 یا 60 میلی‌متر) در طول دهه‌های گذشته تغییر قابل‌توجهی نداشته است، شدت و فراوانی آن‌ها گرایش فزاینده‌ای را نشان می‌دهد [48 ، 49 ] . شکل 2 توزیع مکانی بارندگی سالانه را برای سال معیار مطالعه حاضر در سال 2010 نشان می دهد.
در میان مخاطرات طبیعی مختلف در مجارستان، جابجایی‌های توده‌ای (عمدتاً رانش زمین) فقط در مناطق کوچک متمرکز است، در حالی که فرسایش خاک توسط باد می‌تواند به 80 تا 110 میلیون متر مکعب در سال برسد که 10 درصد از مساحت کل کشور را شامل می‌شود. مستعد بودن در برابر فرسایش بادی [ 45 ، 50 ، 51 ]. فرسایش خاک توسط آب حدود 24.7 درصد از کل مساحت مجارستان را تحت تأثیر قرار می دهد [ 18 ، 21 ].
مجارستان خاک های متنوعی دارد. در مناطق تپه ای یا کوهستانی، لوویسول و کامبیسول معمولی هستند، در حالی که منطقه دشت بزرگ دارای طیف وسیعی از خاک های چرنوزم، ورتیسول، سولونچاک و سولونتز است. دشت های آبرفتی اغلب حاوی لوویزول هستند، در حالی که مناطق خاصی با رسوبات شنی دارای آرنوسول ها هستند [ 52 ]. شکل 3 توزیع فضایی عامل USLE K را در مجارستان نشان می دهد.
پوشش گیاهی مجارستان بیشتر بخشی از منطقه پانونی است، یک استپی جنگلی که توسط منطقه جنگلی بلوط ترکیه احاطه شده است. رشته کوه های کارپات توسط راش و صنوبر غالب است. تحت تأثیر اثرات مختلف جغرافیایی زیستی، منطقه پانونی دارای پوشش گیاهی بسیار متنوع با توزیع فضایی متغیر است. علاوه بر مراتع و جنگل های خشک بلوط، نسبت بالایی از گونه های زیر مدیترانه ای، قاره ای و بالکان وجود دارد که عناصر اوراسیا همچنان در اکثر جوامع گیاهی غالب هستند. [ 53 ]

2.2. مدل های کاربردی

2.2.1. مدل معادله جهانی از دست دادن خاک (USLE).

مدل تجربی USLE اولین روش گسترده برای محاسبه تلفات خاک بود. این مدل از فرمول زیر برای محاسبه میانگین تلفات سالانه خاک A (t/ha – ) استفاده می کند:

آ=آر×ک×L×اس×سی×پ

که در آن R شاخص فرسایش بارندگی (MJ mm/ha/h/y)، K ضریب فرسایش پذیری خاک (t×ha×h/h/ha/ MJ/mm)، L ضریب طول شیب و S ضریب شیب شیب است. C عامل مدیریت پوشش زراعی و P عامل عمل کشاورزی است [ 7 و 21 ]. در صورتی که فاکتور عمل کشاورزی در دسترس نباشد، می توان از مقدار پیش فرض 1 استفاده کرد [ 21 ].

2.2.2. مدل پاناروپایی ارزیابی ریسک خاک (PESERA).

مدل مبتنی بر فرآیند، بارش را به جریان های زمینی، تبخیر و تعرق و ذخیره رطوبت خاک تقسیم می کند. همچنین شامل یک مدل رشد گیاه برای محاسبه زیست توده، ریزش برگ و پوشش گیاهی است. با استفاده از توزیع ماهانه گاما، بارندگی روزانه تولید می کند. برای محاسبه فرسایش کل، رسوب Y با عبارت زیر محاسبه می شود:

Y= ςکاچ∑r2

که در آن ς نسبت پایه شیب به شیب متوسط، k فرسایش پذیری خاک (کیلوگرم لیتر -2 متر در روز)، H طول کل شیب (m) ضرب در شیب متوسط ​​شیب و r رواناب محلی در (mm) است. ) برای هر رویداد. معادلات دقیق و توصیف مدل توسط کرکبی و همکاران ارائه شده است. [ 54 ].

مدل PESERA به تعداد زیادی لایه ورودی نیاز دارد که 96 لایه مربوط به اقلیم (بارندگی، دما، تبخیر و تعرق بالقوه)، 25 لایه مربوط به کاربری زمین، محصولات زراعی و تاریخ کاشت (نوع پوشش زمین، محصولات زراعی غالب، تاریخ کاشت، پوشش اولیه زمین است. ذخیره اولیه سطح، کاهش زبری سطح در ماه، عمق ریشه)، 6 تا پارامتر خاک (ذخیره پوسته، حساسیت به فرسایش، ظرفیت ذخیره آب موثر، آب خاک در دسترس گیاهان در 300 میلی متر بالا، آب خاک در دسترس گیاهان، عمق مقیاس ) و 1 به توپوگرافی (انحراف استاندارد ارتفاع در شعاع 1.5 کیلومتر). برخی از لایه های اقلیمی اختیاری هستند و فقط در صورت شبیه سازی تغییرات اقلیمی استفاده می شوند (برای مطالعه فعلی قابل استفاده نیست). در صورتی که محصولات غالب در دسترس نباشند، یک فرض پیش فرض ذرت را می توان برای تمام زمین های زراعی اعمال کرد.55 ].

2.3. منابع داده و پردازش

همه مجموعه داده های منبع و ورودی (به جدول 2 مراجعه کنید) در قالب شطرنجی بوده و اندازه شبکه اصلی آنها در صورت لزوم مجدداً نمونه برداری شده و/یا درون یابی شده است. اندازه شبکه هدف مطالعه یک شبکه 100 × 100 متر (1 هکتار) بود.
پردازش داده و استفاده از مدل USLE (تکثیر عوامل آن) در اصل در ArcMap 10.1 انجام شد، در حالی که استفاده از مدل PESERA از ایستگاه کاری ArcInfo 9.3 برای پیش و پس پردازش استفاده کرد. مدل PESERA خود مجموعه ای از اجرایی مستقل و. فایل های aml، از جمله خود مدل و ورودی/خروجی داده [ 55 ]. تجزیه و تحلیل، جداول و نمودارها با نرم افزار MS Excel و R تهیه شده است [ 56 ].

2.3.1. اطلاعات کاربری و پوشش زمین

اطلاعات مربوط به LULC برای سال‌های 1990، 2000، 2006، 2012 و 2018 از مجموعه داده‌های CORINE Land Cover با وضوح 100 × 100 متر به‌دست آمده است.
موجودی پوشش زمین CORINE (CLC) شامل 44 طبقه پوشش زمین برای سالهای فوق الذکر می باشد. واحدهای نقشه برداری CLC از طریق تفسیر بصری و همچنین با طبقه بندی نیمه خودکار تصاویر ماهواره ای مشخص می شوند. دقت هندسی مجموعه‌های داده عموماً بهتر از 100 متر است، در حالی که دقت موضوعی معمولاً بالای 85 درصد است، بسته به کشورها [ 57 ].
تمام لایه‌های مربوط به کاربری زمین برای مدل PESERA با طبقه‌بندی مجدد داده‌های CORINE بر اساس کتابچه راهنمای PESERA [ 55 ] استخراج شده‌اند. از آنجایی که اطلاعات سالانه در مورد محصولات زراعی در سطح هکتار در دسترس نبود، محصول ذرت به عنوان بدترین سناریو برای هر دو مدل PESERA و USLE (ضریب C) با تاریخ کاشت آوریل انتخاب شده است. به همین دلیل، ضریب USLE P روی 1 تنظیم شده است، زیرا اطلاعات دقیق در مقیاس ملی در دسترس نبود.
فاکتور C برای مدل USLE بر اساس مقادیر CLC با توجه به Podmaniczky و همکاران محاسبه شده است. [ 61 ]

2.3.2. اطلاعات اقلیمی

سال 2010 به عنوان مبنایی برای مقایسه اثرات تغییرات LULC انتخاب شده است. بنابراین، همه «سناریوهای» LULC از متغیرهای ورودی آب و هوایی یکسانی استفاده کرده‌اند. در صورت وجود، داده های آب و هوا از پایگاه داده CARPATCLIM [ 3 ] به دست آمد. با این حال، از آنجایی که بخشی از غرب مجارستان تحت پوشش داده های CARPATCLIM، AGRI4CAST MARS [ 58] برای تکمیل آن استفاده شده است. این دو مجموعه داده با هم ادغام شده و برای یک شبکه 100 متری از طریق کریجینگ معمولی در SAGA GIS دوباره درون‌یابی شده‌اند. مدل PESERA از داده‌های ماهانه (بارش، PET و دما) استفاده می‌کرد، در حالی که USLE فقط به داده‌های بارش سالانه نیاز داشت، که در آن ماهیت شدید بارش 2010 به عنوان یک فرکانس بازگشتی 20 ساله نشان داده شد. محاسبه R بر اساس روش پیشنهادی رنارد و فریموند [ 62 ] با استفاده ترکیبی از معادلات زیر بود:

آر=0.04830 پ1.610

و

آر=587.8-1.219 پ+0.004105 پ2

که در آن P میانگین بارندگی سالانه است. معادله (3) در جایی که P < 850 میلی متر است، اعمال شده است ، در حالی که معادله (4) برای P > 850 میلی متر اعمال شده است .

2.3.3. توپوگرافی

ویژگی های مبتنی بر ارتفاع برای هر دو مدل از مجموعه داده EU-DEM [ 59 ] مشتق شده است . انحراف استاندارد ارتفاع در شعاع 1.5 کیلومتری (برای PESERA) در ArcMap 10.1 محاسبه شد. ضریب USLE L (طول شیب) و S (شیب شیب) در SAGA GIS بر اساس روش مور [ 63 ] بر اساس معادله زیر محاسبه شد:

Lاس= 0.4+1آس22.130.4گناهβ0.08961.3

که β شیب متوسط ​​و As حوضه خاص است .

2.3.4. اطلاعات خاک

پارامترهای خاک (توزیع اندازه ذرات، محتوای مواد آلی و محتوای کربنات) از ابتکار DOSoReMI.hu [ 60 ]، بر اساس سیستم دیجیتال اطلاعات خاک Kreybig (DKSIS) [ 64 ] و اطلاعات خاک مجارستان و سیستم نظارت [60] ارائه شده است. 65 ]. عامل USLE K بر اساس روش شارپلی و ویلیامز [ 66 ] محاسبه شده است:

ک= 0.2+0.3ه-0.256اسآن1-اسمنL/100×اسمنLسیLآ+اسمنL0.3×1-0.25OمOم+ه3.72-2.95Oم×1-0.7اسن1اسن1+ه22.9اسن1-5.51

که در آن SAN = ماسه، SIL = سیلت، CLA = رس و OM = محتوای مواد آلی خاک در حالی که SN 1 = 1- SAN /100.

عوامل فرسایش پذیری خاک و پوسته سطحی PESERA بر اساس Fryrear و همکاران محاسبه شد. [ 67 ]، در حالی که آب خاک در دسترس گیاهان، ظرفیت آب موثر خاک، و عمق مقیاس از مجموعه داده های پان اروپایی اصلی [ 55 ]، با استفاده از کریجینگ رگرسیون و تعمیم شرطی [ 18 ] کاهش یافته است .
دوره-آموزش-حرفه-ای-gis

2.4. هماهنگی و ترکیب نتایج

رویه هماهنگ سازی/ترکیب اعمال شده از روشی پیروی می کند که قبلاً در توسعه و ارزیابی نقشه فرسایش خاک مجارستان استفاده شده بود [ 18 ، 22 ، 45]]. برخی از مقادیر پیش بینی شده منفی بودند. این مقادیر از فرآیند مدلسازی ناشی شده اند. در مورد USLE، آنها مناطق شهری یا بدنه‌های آبی را نشان می‌دهند که بعداً در طول فرآیند پوشانده شدند و بنابراین روی 0 تنظیم شدند. همانطور که مدل PESERA انباشت رسوب را نیز محاسبه می‌کند، مقادیر منفی آن در واقع معنی‌دار است. با این حال، از آنجایی که انباشت رسوب در محدوده مطالعه حاضر نبود، برای جلوگیری از هر گونه نتایج گیج کننده، مقادیر پیش بینی شده زیر 0 بر روی 0 تنظیم شده است.
ترکیب خروجی های دو مدل شامل محاسبه میانگین سلول به سلول از دو خروجی مدل است. در جایی که تنها یکی از مدل ها خروجی تولید می کرد (به دلیل تفاوت های جزئی در روش)، نتایج موجود پذیرفته شد.

2.5. ارزیابی و تحلیل

تجزیه و تحلیل آماری نتایج عمدتاً شامل تجزیه و تحلیل توصیفی پایه و جداول همبستگی متقابل بود. مقایسه سال به سال برآوردهای فرسایش از قانون کلی کم کردن خروجی سناریوی قبلی پیروی می کند. این باعث ایجاد مقادیر مثبت در جایی که مقادیر افزایش یافته است و مقادیر منفی در جایی که کاهش یافته است. مقایسه خروجی‌های USLE و PESERA با محاسبه تفاوت بین دو لایه خروجی برای هر سال مدل‌سازی شده انجام شد.
به منظور ارزیابی تأثیر متغیرهای ورودی مختلف، مدل‌های رگرسیون جنگل تصادفی برای هر سال مدل‌سازی شده، برای هر دو مدل و همچنین تفاوت در نتایج پیش‌بینی‌شده دو مدل، از یک زیرنمونه نماینده تصادفی با 70236 امتیاز ایجاد شده است. بسته randomForest در R. برای هر مدل، 500 درخت رگرسیون رشد کرده است، با 3 متغیر در هر گره امتحان شده است. از آنجایی که متغیرهای ورودی خاص از بسیاری جهات بین دو مدل متفاوت بودند، مجموعه‌ای از 10 متغیر کلیدی شناسایی شده‌اند که اثرات بالقوه بارندگی را نشان می‌دهند (مجموع بارندگی سالانه در سال 2010، “prec”)، شیب (“شیب”) پوشش زمین (CORINE Land Cover، “clc”) و ویژگی های خاک (ضریب USLE K، “k”؛ ذخیره پوسته PESERA، “پوسته”؛ PESERA حساسیت به فرسایش، “فرسایش”; ظرفیت ذخیره آب موثر خاک PESERA، “swsc_eff”; آب خاک PESERA در دسترس گیاهان در 300 میلی متر بالا، “p×1”; آب خاک PESERA در دسترس گیاهان بین 300 تا 1000 میلی متر، “p×2”; عمق مقیاس PESERA، “zm”).

3. نتایج

3.1. تغییر پوشش زمین

تغییرات شناسایی شده در LULC در شکل 4 خلاصه شده است ، با دسته های CORINE اصلی که برای ارائه بهتر در گروه های اصلی ادغام شده اند. شکل کاهش تقریباً مستمر “زمین زراعی غیرآبیاری” را نشان می دهد، همراه با افزایش “سطوح مصنوعی” و “جنگل-بوته های انتقالی”، در حالی که به نظر می رسد سایر دسته ها فقط تغییرات جزئی دارند.
شکل 5 تغییرات را به صورت درصدی از کل مساحت تحت پوشش هر دسته نشان می دهد. قابل مشاهده ترین روندها کاهش زمین های زراعی غیرآبیاری و افزایش سطوح مصنوعی و مناطق انتقالی جنگلی- بوته ای است. اینها نشان می دهد که چنین تغییراتی عمدتاً ناشی از استفاده از زمین است و جانشینی طبیعی تنها زمانی می تواند نقش داشته باشد که زمین زراعی (به طور موقت یا طولانی مدت) کشت نشود. تغییرات عموماً به خوبی در کشور توزیع شده است و عمدتاً به صورت پراکنده و بدون هیچ گونه روند فضایی قابل مشاهده در سطح ملی رخ می دهد. خلاصه ای از تغییرات از 1990 تا 2018 در جدول 3 ارائه شده است ، در حالی که مقایسه دقیق تر تمام پنج سال در پیوست A ارائه شده است .

3.2. فرسایش خاک

به عنوان خروجی فرآیند مدل‌سازی و ارزیابی فرسایش، در مجموع 30 نقشه ایجاد شده است ( پیوست B را ببینید ). نقشه های تخمینی تلفات خاک برای توزیع LULC برای سال های 1990، 2000، 2006، 2012 و 2018 تهیه شده است.
شکل 6 برآورد تلفات خاک را بر اساس آخرین اطلاعات موجود (2018) پوشش زمین بر اساس مدل PESERA نشان می دهد. خروجی مدل USLE برای همان سال در شکل 7 ارائه شده است ، در حالی که خروجی ترکیبی (میانگین) در شکل 8 نشان داده شده است . نتایج سایر سالها در پیوست B ارائه شده است ( شکل A1 و شکل A2 ).
پوشش فضایی طبقات فرسایش خاک تفاوت معنی داری بین سال ها نشان نداد. بیشتر مساحت کشور (PESERA: 83.7-83.6٪؛ USLE: 63.6-65.1٪) کمتر از 5 تن در هکتار از دست دادن خاک را نشان داد. در حالی که پوشش طبقات بالاتر بین دو مدل برای 5-10 تن در هکتار / سال متفاوت بوده است (PESERA: 6.0-6.7٪؛ USLE: 13.3-13.7٪). و بالاتر از 10 تن در هکتار در سال (PESERA: 10.3-10.7٪؛ USLE: 21.6-22.7٪).
به منظور ارزیابی اثرات تغییرات LULC و توزیع فضایی آنها، تعدادی نقشه با کم کردن پیش‌بینی‌های نقشه قدیمی‌تر از نقشه جدیدتر ایجاد شده است. تغییرات در نرخ فرسایش از سال 1990 تا 2018 در شکل 9 نشان داده شده است ، در حالی که تغییرات برای سال های دیگر در پیوست B ارائه شده است .
شکل 10 تغییرات میانگین تلفات خاک را در بازه زمانی مشاهده شده برای روش های مختلف برآورد (USLE، PESERA، ترکیبی) نشان می دهد. نمودارها به وضوح نشان می دهند که اثرات تغییرات در مورد مدل USLE و در نتیجه رویکرد ترکیبی برجسته تر است.
به منظور ارزیابی تأثیر کاربری زمین بر تفاوت پیش‌بینی بین دو مدل، شکل 11 حداقل و حداکثر مقادیر (در نتیجه محدوده‌ها) تفاوت‌های پیش‌بینی را در دسته‌های CORINE نشان می‌دهد. برخی از دسته ها (211، 311 و 324) تنوع بیشتری نسبت به سایرین داشتند. این نتایج نشان می دهد که برای طبقات خاصی (111- بافت شهری پیوسته، 213- مزارع برنج، 221- تاکستان، 333- مناطق کم پوشش گیاهی، 411- باتلاق های داخلی، 511- مسیرهای آبی) USLE احتمال بیشتری دارد که تخمین های بالاتری ارائه دهد، در حالی که برای دسته های دیگر، بیش از حد/کم برآورد کردن دو روش متعادل تر بود، به استثنای مراتع (231)، که در آن PESERA کمی بیشتر احتمال داشت که تخمین های بالاتری را تولید کند.
جدول 4 آمار توصیفی اساسی در مورد اثرات تغییرات LULC را ارائه می دهد. میانگین نشان می دهد که در سطح ملی، به استثنای دوره 1990 تا 2000، فرسایش بالقوه به طور مداوم کاهش یافته است.
جدول 5 تغییرات برآورد شده توسط روش های مختلف را مقایسه می کند. به وضوح نشان می دهد که روش USLE به طور کلی میانگین بالاتری را برآورد می کند، در حالی که از سال 2000 به بعد، بالاترین برآورد توسط روش PESERA پیش بینی شده است.
لازم به ذکر است که حداکثر مقادیر ارائه شده در بیشتر این فصل مقادیر بسیار بالایی هستند که در شرایط مجارستان اصلاً معمولی نیستند. در واقع، به احتمال زیاد این مقادیر افراطی پرت هستند. با این حال، در حال حاضر ما اطلاعات مشاهده شده کافی برای ارائه یک خط پایه مناسب که از آن محاسبه و حذف نقاط پرت شدید ممکن باشد، نداریم. مشاهده توزیع فضایی تخمین های بالای 100 تن در هکتار نشان می دهد که اینها بیشتر در مناطق تپه ای رخ می دهند. در مورد PESERA، آنها بیشتر در کوه های Transdanubian (شمال دریاچه بالاتون) ظاهر می شوند، در حالی که تخمین های USLE عموماً به طور مساوی در امتداد کوه ها / تپه های مجارستان توزیع شده اند.

3.3. اهمیت متغیرهای ورودی

به منظور ارزیابی اهمیت متغیرهای ورودی که هم بر خروجی مدل‌ها و هم بر تفاوت‌های پیش‌بینی بین این دو تأثیر می‌گذارند، 15 مدل رگرسیون جنگل تصادفی (RF) محاسبه شده‌اند. نتایج تفصیلی این مدل ها در پیوست C ارائه شده است . نمونه ای از تجسم اهمیت متغیر برای تفاوت های بین دو مدل برای سال 2018 در شکل 12 ارائه شده است . سمت چپ شکل نشان دهنده اهمیت هر متغیر به عنوان درصد افزایش میانگین مربعات خطا (MSE) پس از کنار گذاشتن متغیر است، در حالی که سمت راست خلوص گره را بر اساس شاخص جینی نشان می دهد.
رتبه بندی متغیرها بر اساس اهمیت در جدول 6 ارائه شده است . جدول 7 اهمیت (به بالا را ببینید) هر متغیر ورودی، و همچنین میانگین مجذور باقیمانده و درصد واریانس توضیح داده شده توسط رگرسیون جنگل تصادفی را نشان می دهد. توجه به این نکته مهم است که اهمیت این متغیرها تنها بر اساس رگرسیون RF ارائه می شود، زیرا خود مدل ها دقیقاً متغیرهای ورودی مشابهی را به اشتراک نمی گذارند.

4. بحث

تجزیه و تحلیل نتایج نشان داده است که اثرات تغییرات LULC بین سال‌های 1990 و 2018 به وضوح در مجارستان با کاهش کلی در برآورد فرسایش خاک وجود دارد. این نشان می دهد که تغییرات اعمال شده تا حدودی خطر فرسایش خاک را در مجارستان کاهش داده است. بر اساس مقایسه مقادیر متوسط ​​برآوردی فرسایش برای سال 1990 و پوشش زمین 2018، کاهش 0.28 تن در هکتار در سال محاسبه شده است. با در نظر گرفتن 93030 کیلومتر مربع کل قلمرو مجارستان، این به معنای حفظ بالقوه حدود 2.6 میلیون تن خاک در سال، تحت شرایط آب و هوایی مشابه سال 2010 است.
با این حال، توزیع فضایی این تغییرات یکنواخت نیست و مشخص است که مناطق کوچکی در سراسر کشور وجود دارد که خطر فرسایش به دلیل تغییرات پوشش زمین در آنها افزایش یافته است. در حالی که روش کاربردی استفاده از مجموعه داده های CORINE به عنوان ورودی به خوبی تثبیت شده است [ 29 ]، بهترین روش برای تجزیه و تحلیل تغییرات بلند مدت است. با این حال، همان روش می تواند برای ارزیابی تغییرات کوتاه مدت بر اساس تصاویر Sentinel-2 همانطور که توسط Karydas و همکاران نشان داده شده است، مورد استفاده قرار گیرد. [ 68 ].
الگوی فضایی تغییرات ( شکل 9 ) در نرخ های فرسایش پیش بینی شده نشان می دهد که اثر تغییرات LULC در سراسر کشور وجود دارد. با این حال، تفسیر بصری نتایج نیز نشان می دهد که تأثیر این تغییرات در مناطق تپه ای و کوهستانی بسیار بیشتر است. این اثر به وضوح در (اما نه محدود به) کوه‌های مجارستان شمالی و کوه‌های تراندانوبی قابل مشاهده است. وقوع و همچنین شدت چنین تغییراتی (به عنوان متغیرهای مؤثر بر فرسایش خاک) در مناطق کم ارتفاع مانند دشت بزرگ مجارستان کمتر بیان می شود.
کاربرد موفقیت‌آمیز این دو مدل، اعتبار کاربرد آنها را همانطور که اخیراً در مطالعات مشابه یافت شد، پشتیبانی کرد [ 69 ]. با این حال، پردازش طولانی‌تر و سخت‌تر برای مدل PESERA نشان‌دهنده تقاضای رو به رشد برای ابزارهای پردازش سطح بالاتر، مانند قابلیت‌های پردازش موازی برای مدل‌های مبتنی بر فیزیکی است [ 70 ].
مقایسه این دو مدل نشان داد که همانند مطالعات قبلی، مدل USLE به طور کلی برآوردهای بالاتری نسبت به PESERA ایجاد کرد. این با یافته های سایر مطالعات [ 40 ، 41 ، 70 ] که در آن به کارگیری مدل RUSLE و PESERA نتایج مشابهی را ارائه کرد، مطابقت دارد. یافته های آنها نشان می دهد که PESERA به جای شیب، به تغییرات پوشش گیاهی واکنش بهتری نشان داده است. ارزیابی تحلیل رگرسیون جنگل تصادفی این موضوع را تایید کرده است. همچنین شایان ذکر است که PESERA نسبت به مدل USLE نسبت به پارامترهای خاک نیز حساس‌تر بود. مدل PESERA همچنین احتمالاً پیش‌بینی‌های کمتری در وضوح‌های فضایی دقیق‌تر ایجاد می‌کند [ 41]، که به وضوح محدودیت های خود را هنگام اعمال در مقیاس های کوچکتر نشان می دهد. تغییرات در مقادیر میانگین حداکثر مدل PESERA کمتر تحت تأثیر تغییرات پوشش زمین قرار گرفته است، که نشان می‌دهد مدل USLE نسبت به چنین اثراتی حساس‌تر است. به نظر نمی رسد که تفاوت در پیش بینی ها برای هیچ کلاس LULC خاصی باشد. در حالی که برخی از دسته‌های پوشش زمین در واقع تغییرات بیشتری را در تفاوت پیش‌بینی ایجاد می‌کنند، این دسته‌ها همچنین می‌توانند با پوشش فضایی بالاتر مرتبط باشند. جدول 6 و جدول 7 نشان می دهد که تفاوت بین این دو مدل عمدتاً ناشی از حساسیت آنها به شیب و پوشش زمین و به دنبال آن پارامترهای خاک است. تفاوت در پیش بینی ها بر یافته های [ 6] با توجه به اهمیت ارتباط عدم قطعیت در مدل های فرسایش. در حالی که وجود برآوردهای جدید و به روز شده فرسایش صریح فضایی غیرقابل انکار است، کاربران نهایی – از جمله تصمیم گیرندگان و عموم مردم – نیز باید از محدودیت های این محصولات آگاه تر باشند.
تحقیقات آینده باید بر روی روش تعیین مناسب برای پیش‌بینی‌های پرت و حذف آنها از مجموعه داده‌ها تمرکز کند. مقایسه تخمین‌های مدل با داده‌های پایش مبتنی بر میدان نیز برای ارزیابی مناسب روش‌ها بسیار ارزشمند خواهد بود.
دوره-آموزش-حرفه-ای-gis

5. نتیجه گیری ها

در طول تحقیق خود، ما با موفقیت یک رویکرد ترکیبی از مدل‌های PESERA و USLE را برای تخمین اثرات تغییرات اخیر LULC در مجارستان به کار بردیم. بر اساس نتایج و بحث های فوق، می توانیم نتایج زیر را بدست آوریم:
  • تغییرات کاربری زمین/پوشش زمین از سال 1990 تا 2018 فرسایش بالقوه خاک توسط آب در مجارستان را به طور متوسط ​​تا 0.28 تن در هکتار در سال کاهش داده است.
  • تغییرات LULC در مجارستان در درجه اول بر وسعت زمین های قابل کشت غیر آبیاری (کاهش)، سطوح مصنوعی و مناطق انتقالی جنگلی-بوته ای (افزایش یافته) تأثیر گذاشته است.
  • مدل USLE به طور کلی تخمین های بالاتری را با حساسیت بالاتر به شیب و تغییرات LULC ارائه می کند.
  • مدل‌های PESERA به پارامترهای خاک حساس‌تر هستند.
همانطور که نتایج ما نشان داده است، شناسایی مقادیر پیش‌بینی‌شده پرت (افراطی) یک مسئله حیاتی است و باید تجزیه و تحلیل بیشتری برای شناسایی مناسب این مقادیر انجام شود. در حالی که مطالعه ما یک رویکرد ترکیبی برای استفاده از دو مدل ارائه کرده است، روش هنوز می تواند با اجرای بالقوه وزن دهی تفاضلی فضایی بر اساس نقاط قوت / ضعف مدل های اعمال شده پیشرفت کند.

پیوست اول

جداول تغییر کاربری و پوشش زمین برای مجارستان بر اساس داده های پوشش زمین CORINE.
جدول
جدول A1. منطقه تحت تاثیر تغییر LULC در مجارستان بین سال های 1990 و 2000.
جدول
جدول A2. منطقه تحت تاثیر تغییر LULC در مجارستان بین سال های 2000 و 2006.
جدول
جدول A3. منطقه تحت تاثیر تغییر LULC در مجارستان بین سال های 2006 و 2012.
جدول
جدول A4. منطقه تحت تاثیر تغییر LULC در مجارستان بین سال‌های 2012 و 2018.

ضمیمه B

برآوردها و تغییرات فرسایش خاک
Ijgi 09 00667 g0a1 550
شکل A1. برآورد فرسایش برای سال های مشاهده شده و روش های اعمال شده.
Ijgi 09 00667 g0a2 550
شکل A2. تغییرات در برآوردهای فرسایش بین سال های مشاهده شده (مدل های PESERA و USLE ترکیبی).

پیوست ج

نتایج تفصیلی تحلیل رگرسیون جنگل تصادفی.
اهمیت متغیرها با روش تجزیه و تحلیل ارائه شده است (P—PESERA؛ U—USLE؛ %IncMSE— درصد افزایش در MSE؛ پیش—بارندگی کل سالانه در سال 2010؛ شیب—شیب؛ clc—CORINE پوشش زمین؛ k—ضریب USLE K. پوسته – ذخیره پوسته PESERA؛ فرسایش – حساسیت PESERA به فرسایش؛ swsc_eff – PESERA ظرفیت ذخیره آب موثر خاک PESERA؛ p×1. آب خاک PESERA در دسترس برای گیاهان با ارتفاع 300 میلی متر؛ p×2 – آب خاک PESERA در دسترس گیاهان بین 300 تا 1000 میلی متر؛ zm – عمق مقیاس PESERA). سمت چپ شکل نشان دهنده اهمیت هر متغیر به عنوان درصد افزایش میانگین مربعات خطا (MSE) پس از کنار گذاشتن متغیر است، در حالی که سمت راست خلوص گره را بر اساس شاخص جینی نشان می دهد.
Ijgi 09 00667 g0a3 550
شکل A3. اهمیت متغیر بر اساس رگرسیون جنگل تصادفی برای مدل PESERA برای تمام سال های مدل شده.
Ijgi 09 00667 g0a4 550
شکل A4. اهمیت متغیر بر اساس رگرسیون جنگل تصادفی برای مدل USLE برای تمام سال های مدل شده.
Ijgi 09 00667 g0a5 550
شکل A5. اهمیت متغیر بر اساس رگرسیون جنگل تصادفی برای تفاوت بین مدل‌های USLE (U) و PESERA (P) برای همه سال‌های مدل‌سازی شده.

منابع

  1. کمیسیون اروپایی. اطلاعیه 16 آوریل 2002 کمیسیون به شورا، پارلمان اروپا، کمیته اقتصادی و اجتماعی و کمیته مناطق: به سوی یک استراتژی موضوعی برای حفاظت از خاک . کمیسیون اروپا: بروکسل، بلژیک، 2002. [ Google Scholar ]
  2. Van den Besselaar، EJM; کلاین تانک، AMG; Buishand، TA روند در بارندگی شدید اروپا در طول 1951-2010. بین المللی جی.کلیماتول. 2013 . [ Google Scholar ] [ CrossRef ]
  3. زلایی، س. اوئر، آی. هیبل، جی. میلکویچ، جی. رادیم، تی. استپانک، پ. زهرادنیچک، پ. بیهاری، ز. لاکاتوش، م. Szentimrey، T. و همکاران آب و هوای منطقه کارپات بزرگ. گزارش فنی نهایی 2013. در دسترس آنلاین: www.carpatclim-eu.org (در 2 اکتبر 2020 قابل دسترسی است).
  4. پاناگوس، پی. Katsoyiannis، A. مدل‌سازی فرسایش خاک: چالش‌های جدید در نتیجه تحولات سیاست در اروپا. Envres 2019 ، 172 ، 470-474. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. لی، پی. زنگ، ی. ما، دی. یائو، دبلیو. هولدن، جی. ایروین، بی. ژائو، جی. نرخ فرسایش خاک توسط RUSLE و PESERA برای حوضه آبریز فلات لس چین تحت تغییرات پوشش زمین ارزیابی شد. زمین گشت و گذار. روند. Landf. 2020 ، 45 ، 707-722. [ Google Scholar ] [ CrossRef ]
  6. باتیستا، PV; دیویس، جی. سیلوا، ام ال. Quinton، JN در مورد ارزیابی مدل های فرسایش خاک: آیا ما به اندازه کافی انجام می دهیم؟ Earth-Sci. Rev. 2019 , 197 , 102898. [ Google Scholar ] [ CrossRef ]
  7. ویشمایر، WH; اسمیت، DD پیش بینی تلفات فرسایش باران: راهنمای علوم برنامه ریزی حفاظت . دفترچه راهنمای وزارت کشاورزی ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 1978; پ. 537.
  8. صادقی، ش. میزویاما، تی. میاتا، س. گومی، ت. کوسوگی، ک. میزوگاکی، اس. اوندا، ی. آیا MUSLE برای حوضه آبخیز کوچک جنگلی با شیب تند مناسب است؟ جی. برای. Res. 2007 ، 12 ، 270-277. [ Google Scholar ] [ CrossRef ]
  9. اودونگو، VO؛ اونیاندو، جو. Mutua، BM; ون اوئل، روابط عمومی؛ Becht، R. تجزیه و تحلیل حساسیت و کالیبراسیون معادله جهانی از دست دادن خاک (MUSLE) برای حوضه فوقانی Malewa، کنیا. بین المللی J. رسوب. Res. 2013 ، 28 ، 368-383. [ Google Scholar ] [ CrossRef ]
  10. کنفورتی، ام. بوتافوکوآ، جی. راگوب، وی. Aucellic، PPC; Robustellib، G. Scarciglia، F. ارزیابی از دست دادن خاک در حوضه آبریز توربولو (کالابریا، ایتالیا). J. Maps 2015 ، 12 ، 815-825. [ Google Scholar ] [ CrossRef ]
  11. مینایی، م. کاینز، W. پوشش اراضی آبخیز/ نقشه برداری کاربری اراضی با استفاده از سنجش از دور و داده کاوی در گرگانرود، ایران. Isprs Int. J. Geo-Inf. 2016 ، 5 ، 57. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. ژانگ، ک. یو، ی. دونگ، جی. یانگ، کیو. Xu, X. تطبیق و آزمایش استفاده از عامل USLE K برای خاکهای کشاورزی در چین. کشاورزی اکوسیست. محیط زیست 2019 ، 269 ، 148–155، ISSN 0167-8809. [ Google Scholar ] [ CrossRef ]
  13. سرینیواسان، ر. سینگ، SK; نایاک، دی سی؛ هگده، ر. رامش، م. برآورد تلفات خاک با استفاده از مدل USLE با استفاده از تکنیک‌های سنجش از دور و GIS – مطالعه موردی در ساحل اودیشا، هند. Eurasian J. Soil Sci. 2019 ، 8 ، 321-328. [ Google Scholar ] [ CrossRef ]
  14. بورلی، پی. میوسبرگر، ک. بالابیو، سی. پاناگوس، پی. Alewell, C. مدل‌سازی فرسایش خاک شی گرا: یک تغییر الگوی احتمالی از ارزیابی ریسک بالقوه به واقعی در محیط‌های کشاورزی. Land Degrad Dev. 2018 ، 29 ، 1270-1281. [ Google Scholar ] [ CrossRef ]
  15. فینزی، ک. ابریها، د. برتالان، ال. هالب، آی. Szabó، S. یادگیری ماشینی برای استخراج ویژگی خندقی بر اساس تصویر چندطیفی پان شارپن: رویکرد چند کلاسه در مقابل باینری. Isprs Int. J. Geo-Inf. 2020 ، 9 ، 252. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  16. Stefanovits, P. تخریب خاک در مجارستان ; OMMI: بوداپست، مجارستان، 1964. (به مجارستانی) [ Google Scholar ]
  17. Centeri، CS; Pataki, R. نقشه فرسایش مجارستان. در مجموعه مقالات کنفرانس مدیریت زیست محیطی چشم انداز روستایی در اروپای مرکزی و شرقی، پودبانسکه، اسلواکی، 2 تا 6 سپتامبر 2000. ص 20-22. [ Google Scholar ]
  18. پاستور، ال. والتنر، آی. سنتری، سی. بلنیسی، م. Takács، K. فرسایش خاک مجارستان با مدلسازی صریح فضایی ارزیابی شد. J. Maps 2016 , 12 , 407–414. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. Kocsis، K. (سردبیر)؛ اطلس ملی مجارستان: محیط طبیعی ؛ آکادمی علوم مجارستان، مرکز تحقیقات نجوم و علوم زمین، موسسه جغرافیایی: بوداپست، مجارستان، 2018; شابک 978-963-9545-57-1. [ Google Scholar ]
  20. بارتوس، م. بارتا، ک. Szatmári، J. فرسنگ، ا. Agrokémia És Talajt. 2019 ، 68 ، 225-242. [ Google Scholar ] [ CrossRef ]
  21. کرتز، آ. Centeri, CS Soil Erosion in Europe ; Boardman, J., Poesen, J., Eds. جان وایلی و پسران: چیچستر، بریتانیا، 2006. [ Google Scholar ]
  22. والتنر، آی. پاستور، ال. سنتری، سی. تاکاچ، ک. پیرکو، بی. کوس، اس. László، P. ارزیابی نقشه جدید فرسایش خاک مجارستان – یک رویکرد نیمه کمی. Land Degrad Dev. 2018 ، 29 ، 1295-1302. [ Google Scholar ] [ CrossRef ]
  23. کلر، بی. سابو، جی. سنتری، سی. جکاب، جی. Szalai, Z. شدت های مختلف کاربری اراضی و حساسیت آنها به فرسایش خاک. Agrokémia És Talajt. 2019 ، 68 ، 14-23. [ Google Scholar ] [ CrossRef ]
  24. روبیو-دلگادو، جی. اشنابل، اس. گومز-گوتیرز، Á. لاوادو-کنتادور، JF تغییرات زمانی و مکانی فرسایش خاک در مراتع جنگلی جنوب غربی اسپانیا. زمین گشت و گذار. روند. Landf. 2019 ، 44 ، 2141-2155. [ Google Scholar ] [ CrossRef ]
  25. گوا، ی. پنگ، سی. زو، س. وانگ، ام. وانگ، اچ. پنگ، اس. مدلسازی اثرات تغییرات آب و هوا و کاربری زمین بر فرسایش آب خاک: برنامه های کاربردی مدل، محدودیت ها و چالش های آینده. جی. محیط زیست. مدیریت 2019 ، 250 ، 109403. [ Google Scholar ] [ CrossRef ]
  26. یشانه، ای. واگنر، دبلیو. اکسنر-کیتریج، ام. لجس، دی. Blöschl، G. شناسایی پویایی کاربری/پوشش زمین در حوضه آبریز کوگا، اتیوپی، از داده‌های چند مقیاسی، و پیامدهایی برای تغییرات محیطی. Isprs Int. J. Geo-Inf. 2013 ، 2 ، 302-323. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. Kijowska-Strugała، M.; بوکالا-هرابیا، ا. Demczuk، P. تاثیر طولانی مدت تغییرات کاربری زمین بر فرسایش خاک در یک حوضه آبریز کشاورزی (در کارپات لهستان غربی). تخریب زمین توسعه دهنده 2018 ، 29 ، 1871-1884. [ Google Scholar ] [ CrossRef ]
  28. بونتی، اس. ریشتر، دی. Porporato، A. اثر فرسایش تسریع شده خاک بر مورفولوژی دامنه تپه. زمین گشت و گذار. روند. Landf. 2019 ، 44 ، 3007–3019. [ Google Scholar ] [ CrossRef ]
  29. بورلی، پی. ون اوست، ک. میوسبرگر، ک. الول، سی. لوگاتو، ای. پاناگوس، ص. گامی به سوی ارزیابی کل نگر از تخریب خاک در اروپا: جفت فرسایش در محل با انتقال رسوب و شار کربن. محیط زیست Res. 2018 ، 161 ، 291-298. [ Google Scholar ] [ CrossRef ]
  30. راکلوت، دی. Le Bissonnais, Y.; عنابی، م. صابر، م. Smetanova، A. مسائل اصلی برای حفظ منابع خاک مدیترانه از فرسایش آب تحت تغییر جهانی. تخریب زمین توسعه دهنده 2018 ، 29 ، 789–799. [ Google Scholar ] [ CrossRef ]
  31. فیاس، سی ام; ابیسینها، NS; Nirmanee، KGS; ساماراتونگا، دی. Mallawatantri، A. برآورد تلفات خاک با استفاده از مدل RUSLE برای اولویت بندی کنترل فرسایش در حوضه رودخانه KELANI در سریلانکا. بین المللی حفظ آب خاک Res. 2019 ، 7 ، 130-137. [ Google Scholar ] [ CrossRef ]
  32. Boluwade، A. منطقه‌بندی و تقسیم‌بندی شاخص‌های سلامت خاک برای نیجریه با استفاده از خوشه‌بندی پیوسته فضایی برای توسعه‌های اقتصادی و اجتماعی-فرهنگی. Isprs Int. J. Geo-Inf. 2019 ، 8 ، 458. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. یو، اچ. وانگ، ال. وانگ، ز. رن، سی. Zhang، B. استفاده از Landsat OLI و جنگل تصادفی برای ارزیابی تخریب علفزار با داده‌های تولید اولیه خالص بالای زمین و رسانایی الکتریکی. Isprs Int. J. Geo-Inf. 2019 ، 8 ، 511. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. شرستا، س. باتا، بی. شرستا، م. Shrestha، PK ارزیابی یکپارچه تأثیر تغییر اقلیم و کاربری زمین بر هیدرولوژی و کیفیت آب در حوضه رودخانه Songkhram، تایلند. علمی کل محیط. 2018 ، 643 ، 1610-1622. [ Google Scholar ] [ CrossRef ]
  35. ژانگ، ال. نان، ز. خو، ی. لی، اس. اثرات هیدرولوژیکی تغییر کاربری زمین و تنوع آب و هوا در منطقه سرآب حوضه رودخانه هیهه، شمال غربی چین. PLoS ONE 2016 ، 11. [ Google Scholar ] [ CrossRef ]
  36. لامیخانه، س. Shakya، NM ارزیابی یکپارچه تغییرات آب و هوا و تأثیرات تغییر کاربری زمین بر هیدرولوژی در حوزه آبخیز دره کاتماندو، مرکزی نپال. Water 2019 ، 11 ، 2059. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  37. آقسایی، ح. دینان، NM; مریدی، ع. اسدالهی، ز. دلاور، م. فوهرر، ن. واگنر، PD اثرات تغییر کاربری زمین/پوشش زمین بر منابع آب و رسوب دهی حوضه آبریز تالاب انزلی، گیلان، ایران. علمی کل محیط. 2020 ، 712 ، 136-449. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. برنز، پ. Nolin، A. استفاده از تصاویر Landsat تصحیح شده جوی برای اندازه‌گیری تغییر ناحیه یخچال‌های طبیعی در کوردیلرا بلانکا، پرو از سال 1987 تا 2010. سنسور از راه دور محیط زیست. 2014 ، 140 ، 165-178. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. چمورا، ا. رواسکا، دی. موتانگا، او. دوبی، تی. Mushore، T. تأثیر تغییرات کاربری / پوشش زمین بر تعادل آب زیرحوضه ناهمگن Buzi، زیمبابوه. Remote Sens. Appl. Soc. محیط زیست 2020 ، 18 ، 100292. [ Google Scholar ] [ CrossRef ]
  40. فرناندز، سی. وگا، JA ارزیابی مدل‌های RUSLE و PESERA برای پیش‌بینی تلفات فرسایش خاک در سال اول پس از آتش‌سوزی جنگلی در شمال غربی اسپانیا. Geoderma 2016 ، 273 ، 64-72. [ Google Scholar ] [ CrossRef ]
  41. باگلی، ن. Potts، J. حساسیت مدل فرسایش خاک PESERA به زمین و ورودی های خاک. ژئودرما Reg. 2017 ، 11 ، 104-112. [ Google Scholar ] [ CrossRef ]
  42. چامپالینی، آر. کنستانتین، ج.ا. واکر-اسپرینگت، کی جی. Hales, TC; Ormerod، SJ; هال، مدل‌سازی IR پاسخ‌های فرسایش خاک به تغییرات آب و هوایی در سه حوضه آبریز بریتانیای کبیر. علمی کل محیط. 2020 , 749 , 141657. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. آرچر، KJ; کیمز، RV توصیف تجربی معیارهای اهمیت متغیر تصادفی جنگل. محاسبه کنید. آمار داده آنال. 2008 ، 52 ، 2249-2260. [ Google Scholar ] [ CrossRef ]
  44. ژانگ، اف. یانگ، X. بهبود طبقه‌بندی پوشش زمین در یک منطقه ساحلی شهری توسط جنگل‌های تصادفی: نقش انتخاب متغیر. سنسور از راه دور محیط. 2020 ، 251 ، 112105. [ Google Scholar ] [ CrossRef ]
  45. سابو، جی. شوایتزر، اف. هوروات، جی. بیهاری، ز. Czigány، SZ; فابیان، اس. گابریس، جی. ایوانی، ک. کرنی، ا. لوکی، جی. و همکاران خطرات طبیعی ؛ Kocsis، K.، Ed. آکادمی علوم مجارستان، مرکز تحقیقات نجوم و علوم زمین، موسسه جغرافیایی: بوداپست، مجارستان، 2018; صص 156-167. شابک 978-963-9545-57-1. [ Google Scholar ]
  46. گابریس، جی. پکسی، ام. شوایتزر، اف. Telbisz, T. Relief ; Kocsis، K.، Ed. آکادمی علوم مجارستان، مرکز تحقیقات نجوم و علوم زمین، موسسه جغرافیایی: بوداپست، مجارستان، 2018; ص 42-57. شابک 978-963-9545-57-1. [ Google Scholar ]
  47. بیهاری، ز. Babolcsai، GY; بارتولی، جی. فرنسی، ز. Gerhát-Kerényi، J. هازپرا، ال. Homoki-Ujváry، K. کواچ، تی. لاکاتوش، م. Németh، Á. و همکاران آب و هوا ؛ Kocsis، K.، Ed. آکادمی علوم مجارستان، مرکز تحقیقات نجوم و علوم زمین، موسسه جغرافیایی: بوداپست، مجارستان، 2018; صص 58-69. شابک 978-963-9545-57-1. [ Google Scholar ]
  48. افزایش بارندگی-سری‌های زمانی طولانی چه چیزی را نشان می‌دهند؟ در دسترس آنلاین: https://www.met.hu/ismeret-tar/erdekessegek_tanulmanyok/index.php?id=2594&hir=Intenzivebbe_valo_csapadekhullas_%E2%80%93_mit_mutatnak_a_hosszu_idosorok? (در 1 اکتبر 2020 قابل دسترسی است).
  49. لاکاتوش، م. ایزاک، بی. Szentes، O.; هافمن، ال. کرچی، ا. Bihari, Z. مقادیر بازگشتی 60 دقیقه بارندگی شدید برای مجارستان. Időjárás 2020 ، 124 ، 43-156. [ Google Scholar ] [ CrossRef ]
  50. پاستور، ال. نگیسی، جی. Laborczi، A.; کواچ، تی. لازلو، ای. Bihari, Z. ارزیابی فضایی یکپارچه خطر فرسایش بادی در مجارستان. نات سیستم خطرات زمین. علمی 2016 ، 16 ، 2421-2432. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. نگیسی، جی. لوکی، جی. بورو، بی. برتالان بالاز، بی. Pásztor, L. تحقیقات فرسایش بادی در مجارستان – احتمالات گذشته، حال و آینده. آویزان شد. Geogr. گاو نر 2019 ، 68 ، 223-240. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. پاستور، ال. دوبوس، ای. میشلی، ای. Várallyay، خاکهای GY ; Kocsis، K.، Ed. آکادمی علوم مجارستان، مرکز تحقیقات نجوم و علوم زمین، موسسه جغرافیایی: بوداپست، مجارستان، 2018; صص 82-93. شابک 978-963-9545-57-1. [ Google Scholar ]
  53. مولنار، ZS; کرالی، جی. فکته، جی. آزالوس، آر. بارینا، ز. بارتا، دی. بیتو، ام. برهیدی، ع. بولنی، جی. چوچ، بی. و همکاران پوشش گیاهی ؛ Kocsis، K.، Ed. آکادمی علوم مجارستان، مرکز تحقیقات نجوم و علوم زمین، موسسه جغرافیایی: بوداپست، مجارستان، 2018; صص 94-103. شابک 978-963-9545-57-1. [ Google Scholar ]
  54. کرکبی، ام جی؛ ایروین، بی جی; جونز، RJA; گاورز، جی. تیم PESERA. مدل فرسایش در مقیاس درشت PESERA برای اروپا I. – منطق و پیاده سازی مدل. یورو J. Soil Sci. 2008 ، 59 ، 1293-1306. [ Google Scholar ] [ CrossRef ]
  55. ایروین، بی. کتابچه راهنمای کاربر Kosmas, C. PESERA. گزارش فنی PESERA قابل تحویل 15; قرارداد پروژه چارچوب پنجم با بودجه کمیسیون اروپا QLK5-CT-1999-01323, 34. 2003, p. 7. در دسترس آنلاین: https://esdac.jrc.ec.europa.eu/ESDB_Archive/pesera/pesera_cd/pdf/DL15Manual.pdf (در 4 نوامبر 2020 قابل دسترسی است).
  56. تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2020؛ در دسترس آنلاین: https://www.R-project.org/ (در 3 نوامبر 2020 قابل دسترسی است).
  57. پوشش زمین CORINE. در دسترس آنلاین: https://land.copernicus.eu/pan-european/corine-land-cover (در 9 ژوئن 2020 قابل دسترسی است).
  58. نظارت بر منابع کشاورزی (MARS). در دسترس آنلاین: https://ec.europa.eu/jrc/en/mars (در 9 ژوئن 2020 قابل دسترسی است).
  59. باشفیلد، ا. Keim، A. ایجاد DEM در سراسر قاره برای اتحادیه اروپا. در مجموعه مقالات سی و چهارمین سمپوزیوم بین المللی سنجش از دور محیط زیست، عصر GEOSS: به سوی پایش محیطی عملیاتی، سیدنی، استرالیا، 10-15 آوریل 2011. صص 10-15. [ Google Scholar ]
  60. پاستور، ال. Laborczi، A.; تاکاچ، ک. Szatmári، G. دوبوس، ای. ایلس، جی. Bakacsi، ZS; Szabó, J. گردآوری نقشه های خاک دیجیتال جدید و تجدید شده و هدف گرا با استفاده از ابزارهای زمین آماری و داده کاوی. آویزان شد. Geogr. گاو نر 2015 ، 64 ، 49-64. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. پودمانیکی، ال. بالاز، ک. بلنیسی، م. Centeri، CS; کریستوف، دی. کوههب، ن. مدل سازی تغییرات کیفیت خاک در اروپا. ارزیابی تأثیر تغییر کاربری زمین بر کیفیت خاک در اروپا. Ecol. اندیک. 2011 ، 11 ، 4-15. [ Google Scholar ] [ CrossRef ]
  62. رنارد، KG; Freimund, JR با استفاده از داده‌های بارش ماهانه برای تخمین ضریب R در USLE تجدیدنظر شده. جی هیدرو. 1994 ، 157 ، 287-306. [ Google Scholar ] [ CrossRef ]
  63. مور، شناسه; Grayson RB Ladson، مدل‌سازی زمین دیجیتال AR: مروری بر کاربردهای هیدرولوژیکی، ژئومورفولوژیکی و بیولوژیکی. هیدرول. روند. 1991 ، 5 ، 3-30. [ Google Scholar ] [ CrossRef ]
  64. پاستور، ال. سابو، جی. Bakacsi، ZS; ماتوس، جی. Laborczi، A. گردآوری نقشه های خاک دیجیتال در مقیاس 1:50000 برای مجارستان بر اساس سیستم اطلاعات خاک دیجیتال Kreybig. J. Maps 2012 ، 8 ، 215-219. [ Google Scholar ] [ CrossRef ]
  65. Laborczi، A.; Szatmári، G. تاکاچ، ک. Pásztor, L. نقشه برداری از بافت خاک سطحی در مجارستان با استفاده از درختان طبقه بندی. جی مپس 2015 . [ Google Scholar ] [ CrossRef ]
  66. به شدت، AN; Williams, JR EPIC–Erosion/Productivity Impact Calculator: 1. Model. مستندات ؛ بولتن فنی وزارت کشاورزی ایالات متحده؛ وزارت کشاورزی ایالات متحده: واشنگتن دی سی، ایالات متحده آمریکا، 1990; 235p.
  67. Fryrear، DW; Bilbro، JD; صالح، ع. شومبرگ، اچ ام. Stout, JE; Zobeck, TM RWEQ: فناوری فرسایش بادی بهبود یافته است. J. حفظ آب خاک. 2000 ، 55 ، 183-189. [ Google Scholar ]
  68. کاریداس، سی. بوارور، او. Zdruli، P. نقشه برداری از الگوهای فرسایش مکانی-زمانی خاک در حوضه رودخانه Candelaro، ایتالیا، با استفاده از مدل G2 با تصاویر Sentinel2. Geosciences 2020 ، 10 ، 89. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  69. فالکائو، سی جی; دوارته، اس ام. da Silva Veloso، A. برآورد فرسایش خاک بالقوه در یک شهرستان نیمه خشک برزیل با استفاده از USLE، GIS، و داده های سنجش از دور. محیط زیست نظارت کنید. ارزیابی کنید. 2020 ، 192 ، 47. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  70. کرامسوتی، م. پتروپولوس، GP; پاپانیکولاو، شناسه; کایریس، او. پیش‌بینی‌های نرخ فرسایش Kosmas، K. از PESERA و RUSLE در یک سایت مدیترانه قبل و بعد از آتش‌سوزی جنگلی: مقایسه و مفاهیم. ژئودرما 2016 ، 261 ، 44-58. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00667 g001 550
شکل 1. موقعیت و توپوگرافی (بر اساس DEM) منطقه مورد مطالعه (مجارستان).
Ijgi 09 00667 g002 550
شکل 2. بارش سالانه در مجارستان (میلی متر) در سال 2010.
Ijgi 09 00667 g003 550
شکل 3. معادله جهانی از دست دادن خاک (USLE) عامل K در مجارستان.
Ijgi 09 00667 g004 550
شکل 4. کاربری زمین و پوشش زمین (LULC) در طول زمان بر اساس کل مساحت تغییر می کند.
Ijgi 09 00667 g005 550
شکل 5. LULC در طول زمان با درصد تغییر تغییر می کند.
Ijgi 09 00667 g006 550
شکل 6. برآورد تلفات خاک برای LULC 2018 توسط مدل پاناروپایی ارزیابی خطر فرسایش خاک (PESERA).
Ijgi 09 00667 g007 550
شکل 7. برآورد تلفات خاک برای LULC 2018 توسط مدل USLE.
Ijgi 09 00667 g008 550
شکل 8. برآورد تلفات خاک برای LULC 2018 با ترکیب مدل های PESERA و USLE.
Ijgi 09 00667 g009 550
شکل 9. تغییر در برآوردهای فرسایش از سال 1990 تا 2018 LULC (مدل های PESERA و USLE ترکیبی).
Ijgi 09 00667 g010 550
شکل 10. تغییرات در میانگین تلفات تخمینی خاک در طول زمان، با استفاده از مدل های PESERA و USLE و ترکیب آنها.
Ijgi 09 00667 g011 550
شکل 11. مقادیر حداقل و حداکثر تفاوت در پیش بینی های PESERA و USLE برای سال 2018 توسط طبقات پوشش زمین CORINE.
Ijgi 09 00667 g012 550
شکل 12. اهمیت متغیر بر اساس رگرسیون جنگل تصادفی برای تفاوت های بین مدل های USLE (U) و PESERA (P) برای پیش بینی های 2018. (P—PESERA؛ U—USLE؛ %IncMSE— درصد افزایش در MSE؛ پیش—بارندگی کل سالانه در سال 2010؛ شیب—شیب؛ clc—پوشش زمین CORINE؛ k—ضریب USLE K؛ پوسته—ذخیره پوسته PESERA؛ فرسایش— حساسیت PESERA به فرسایش؛ swsc_eff — ظرفیت ذخیره آب موثر PESERA در خاک؛ p×1. آب خاک PESERA در دسترس برای گیاهان در 300 میلی متر بالا؛ p×2—آب خاک PESERA در دسترس گیاهان بین 300 تا 1000 میلی متر؛ zm — عمق مقیاس PESERA ).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید