تاثیر توپوگرافی چند مقیاسی بر توزیع خاک دارای یک الگوی پیچیده است که مربوط به همپوشانی فرآیندهای خاک‌شناسی است که در زمان‌های مختلف رخ داده‌اند و این نیروهای محرکه با مقیاس‌های ژئومورفولوژیکی زیادی در ارتباط هستند. از این نظر، مطالعه حاضر این فرضیه را آزمایش کرد که آیا متغیرهای کمکی تعمیم یافته ژئومورفومتریک چند مقیاسی می‌توانند مدلسازی پدومتریک را بهبود بخشند. برای دستیابی به این هدف، این مطالعه موردی الگوریتم جنگل تصادفی را در پایگاه داده ژئومورفومتریک چند مقیاسی برای پیش‌بینی ویژگی‌های سطح خاک اعمال کرد. منطقه مورد مطالعه در حوضه های رسوبی فانوزوئیک، در Alter do Ch ã استo سازند زمین شناسی، آمازون شرقی، برزیل. تعمیم ژئومورفومتریک چند مقیاسی در متغیرهای کمکی ژئومورفومتریک عمومی و خاص اعمال شد و گروه‌هایی را برای هر ترکیب مقیاس تولید کرد. مدلسازی با استفاده از جنگل تصادفی برای ضخامت افق A، pH، سیلت و محتوای ماسه اجرا شد. برای ارزیابی مدل از تحلیل بصری نقشه های دیجیتال، متریک سازه های جنگلی و تأثیر متغیرها بر پیش بینی استفاده شد. برای ارزیابی طبقه‌بندی بافتی خاک، از ماتریس سردرگمی با شاخص کاپا و دقت کاربر و تولیدکننده استفاده شد. تعمیم ژئومورفومتری تمایل به انحناهای صاف دارد و نمایش های ژئومورفیک قابل شناسایی را در سطوح زیرحوضه و حوضه ایجاد می کند. ساختار جنگل و تأثیر متغیرها بر پیش‌بینی با دانش خاک‌شناسی همخوانی دارد. متغیرهای کمکی تعمیم یافته ژئومورفومتریک چند مقیاسی معیارهای دقت طبقه‌بندی بافت سطح خاک را با شاخص کاپا از 43% به 62% بهبود بخشید. بنابراین، می توان استدلال کرد که توپوگرافی بر توزیع خاک در مقیاس های فضایی درشت تر تأثیر می گذارد و قادر به پیش بینی اندازه ذرات خاک در حوضه مورد مطالعه است. توسعه آینده چارچوب تعمیم ژئومورفومتریک چند مقیاسی می‌تواند شامل روش‌های تعمیم مربوط به حفظ ویژگی‌ها، طبقه‌بندی شکل زمین قابل انطباق در مقیاس‌های چندگانه باشد. می توان استدلال کرد که توپوگرافی بر توزیع خاک در مقیاس های فضایی درشت تر تأثیر می گذارد و قادر به پیش بینی اندازه ذرات خاک در حوضه مورد مطالعه است. توسعه آینده چارچوب تعمیم ژئومورفومتریک چند مقیاسی می‌تواند شامل روش‌های تعمیم مربوط به حفظ ویژگی‌ها، طبقه‌بندی شکل زمین قابل انطباق در مقیاس‌های چندگانه باشد. می توان استدلال کرد که توپوگرافی بر توزیع خاک در مقیاس های فضایی درشت تر تأثیر می گذارد و قادر به پیش بینی اندازه ذرات خاک در حوضه مورد مطالعه است. توسعه آینده چارچوب تعمیم ژئومورفومتریک چند مقیاسی می‌تواند شامل روش‌های تعمیم مربوط به حفظ ویژگی‌ها، طبقه‌بندی شکل زمین قابل انطباق در مقیاس‌های چندگانه باشد.
کلید واژه ها
نقشه برداری دیجیتالی خاک ، ارتقاء مقیاس ، یادگیری ماشینی ، الگوریتم جنگل تصادفی ، تعمیم ژئومورفومتری چند مقیاسی
1. مقدمه
عناصر چشم انداز فرآیندهای عمل بر روی خاک را کنترل می کنند. بنابراین، رویکرد خاک-منظر یکی از قوی‌ترین ابزارهای مفهومی در فعالیت‌های نقشه‌برداری، به ویژه در مقیاس‌هایی با سطح جزییات متوسط یا بیشتر است. رابطه خاک و منظر با مفهوم catena که توسط Milne [ 1 ] ابداع شد، مرتبط است. در یک کاتنا، تغییرات در خاک در امتداد یک شیب به جابه‌جایی عناصر محلول و فرآیندهای فرسایشی و رسوبی نسبت داده می‌شود، بدون در نظر گرفتن مواد منبع مختلف. پس از آن، تجزیه و تحلیل روابط خاک-منظر که توسط هاگت [ 2 ] پیشنهاد شد، مدل های سه بعدی دامنه ها را در نظر گرفت. در زمینه نقشه برداری رقومی خاک، در پارادایم مدل اسکورپان [ 3]، مدلسازی فرآیند خاک-چشم‌انداز را می‌توان به عنوان یک هدف میان رشته‌ای از رابط بین گام‌سنجی-ژئومورفومتری [ 4 ] توصیف کرد.
مسائل مقیاس روابط خاک و منظر به تعاملات پیچیده هر دو عنصر و چگونگی وقوع و درک این فرآیندها مربوط می شود. چندین مطالعه ژئومورفولوژی یک جفت شدن زمان-فضای بین مقیاس‌های اندازه شکل زمین و طول عمر را گزارش می‌کنند [ 5 ] [ 6 ]. از منظر خاک، فرآیندهای خاک شناسی مختلف در مقیاس های زمانی کوتاه، میانی یا طولانی تأثیر خود را نشان خواهند داد [ 7 ] [ 8 ]. در مقابل، مطالعات توپوگرافی در فیزیک خاک، دینامیک آب پیچیده مرتبط با هندسه تودرتوی شیب‌ها را با در نظر گرفتن الگوهای برجسته و ریز نقش برجسته نشان می‌دهد که منجر به روند حرکت ذرات و املاح و تغییر در بافت و پارامترهای شیمیایی خاک می‌شود [ 9 ] ] [ 10]. بنابراین، توپوگرافی چند مقیاسی بر توزیع خاک در دو جنبه کلی تأثیر می‌گذارد، همپوشانی فرآیندهای خاک‌شناسی که در زمان‌های مختلف رخ داده‌اند، و نیروهای محرکه در زمان کنونی، که توسط مجموع نیروهایی که با یک، چند یا چند مقیاس ژئومورفولوژیکی همبستگی بهتری دارند، تعیین می‌شود.
برخی از جنبه های مقیاس بندی فضایی در نقشه برداری دیجیتالی خاک در بررسی های غیر جامع [ 11 ] [ 12 ] خلاصه شده است. از تعریف سلسله مراتبی مقیاس می توان برای درک پدیده های خاک، از ناحیه خاک، عبور از حوزه های آبخیز، کاتنا، پدون، افق ها و در نهایت برهمکنش های مولکولی استفاده کرد. ویژگی‌های اندازه‌گیری بر نتایج تحلیل تأثیر می‌گذارد، و از این نظر، مسئله واحد سطحی قابل اصلاح (MAUP) یک مسئله کلیدی را نشان می‌دهد. انتقال اطلاعات در مقیاس‌ها را می‌توان در ارتقاء، با جزئیات کمتر، یا کاهش مقیاس با جزئیات بیشتر طبقه‌بندی کرد، اما هر دوی این موارد نیاز به تعصب دارند.
با توجه به مقیاس متغیرهای کمکی برای نقشه‌برداری پیش‌بینی خاک، بالاترین وضوح DEM لزوماً بالاترین دقت را ایجاد نمی‌کند [ 13 ] [ 14 ]. علیرغم پتانسیل یادگیری ماشینی برای تولید پیش‌بینی‌های پیچیده و غیرخطی، مطالعات کمی دیدگاه چند مقیاسی را در متغیرهای کمکی بررسی کرده‌اند تا فرآیند فیزیکی را که با اطلاعات محیطی در مقیاس دقیقتر قابل پیش‌بینی نیستند، توضیح دهند [ 15 ]. برخی از مطالعات تکنیک‌های مبتنی بر داده را برای انتخاب اندازه پیکسل یا اندازه همسایگی برای یک منظره خاص پیشنهاد می‌کنند [ 16 ] [ 17 ]]، اما این رویکرد نتایج متنوعی را در واحدهای ژئومورفیک مختلف ایجاد می‌کند که تفسیر اجزای اسکالر را در رابطه خاک و منظر پیچیده می‌کند. برای تفسیری دوستانه از روابط مقیاس در مدلهای خاک-منظر، این مطالعه یک معیار مبتنی بر نقشه‌کشی را برای رسمی کردن مطابقت مقیاس با اندازه پیکسل برای متغیرهای کمکی ژئومورفومتریک پیشنهاد کرد.
مطالعه حاضر این فرضیه را آزمایش کرد که آیا نمایش ژئومورفیک چند مقیاسی، به‌دست‌آمده از تعمیم نقشه‌برداری یک مدل رقومی ارتفاع، می‌تواند مدلسازی پدومتریک را بهبود بخشد. برای دستیابی به این هدف، این مطالعه موردی الگوریتم جنگل تصادفی را در پایگاه داده ژئومورفومتریک چند مقیاسی برای پیش‌بینی ویژگی‌های سطح خاک اعمال کرد.
2. مواد و روش ها
رویه های شرح داده شده در این بخش با استفاده از نرم افزار منبع باز QGIS 3.10 انجام شد. SAGA GIS 2.3; GRASS GIS 7.8; و R Programming 3.5 [ 18 ] [ 19 ] [ 20 ] [ 21 ].
2.1. منطقه مطالعه
این مطالعه در حوضه آبخیز دریاچه Iripixi (ILW) و Caipuru Lake (CLW) با مساحت 27.137 و 28.315 هکتار، واقع در حوضه ترومبتاس در Oriximiná-Pará در آمازون شرقی انجام شد. مناطق پایلوت، متشکل از مزارع کوچک، در مسیرهای بالا و پایین در هر دو حوضه و مرزهای حوضه مجاور، همانطور که در شکل 1 نشان داده شده است ، در مجموع 697 هکتار، تقریباً 1٪ از وسعت حوضه، توزیع شده است.
منطقه مورد مطالعه در حوضه های رسوبی فانوزوئیک، در سازند زمین شناسی Alter do Chão، که ویژگی های محلی آن از تجزیه و تحلیل چهره شناسی در نزدیکی Óbidos [ 22 ]، یک شهرداری همسایه ارزیابی شد. این منطقه به عنوان اقلیم استوایی مرطوب با 3 ماه خشک طبقه بندی می شود [ 23 ]. واحدهای ژئومورفیک این حوضه ها به عنوان یک تشریح همگن با تراکم زهکشی درشت و عمق برش ضعیف طبقه بندی می شوند [ 24 ]. محیط زیست این منطقه مورد مطالعه در اراضی بالایی حوضه آمازون تحتانی قرار دارد و فراوان ترین طبقات خاک در منطقه عبارتند از Latossolo Amarelo (Ferrasols)، Latossolo Vermelho-Amarelo (Ferrasols)، Argissolo .Vermelho-Amarelo (Acrisols) و Gleissolos Haplicos (Gleysols) [ 25 ].
2.2. متغیرهای کمکی محیطی
در مقیاس نقشه برداری پیشنهادی، پوشش گیاهی و عوامل توپوگرافی منابع اصلی تنوع خاک هستند. در این تحقیق برای نمایش چنین عواملی، به ترتیب از تصاویر چندطیفی منبع لندست 8 و مدل 30 متری ماموریت توپوگرافی رادار شاتل (SRTM DEM 30) استفاده شد.
شکل 1 . موقعیت منطقه مطالعه در آمازون شرقی.
تصاویر Landsat 8 مربوط به 11 سپتامبر 2017 هستند که برای بازتاب سطحی با الگوریتم LaSRC توسط USGS [ 26 ] تصحیح شده‌اند. SRTM DEM یک مدل رقومی ارتفاع بر اساس بررسی رادار استریوسکوپی است و دارای 30 متر پیکسل است [ 27 ]. اصلاحات انجام شده در SRTM DEM پر کردن سینک ها و کاهش اثر جنگل زدایی با روش تخمینی افزودن تاج پوشش بود [ 28 ].
اطلاعات توپوگرافی ارتقا یافته و در گروه های متغیر ژئومورفومتریک چند مقیاسی تعمیم یافته سازماندهی شد، همانطور که در بخش بعدی توضیح داده شد.
2.3. تعمیم ژئومورفومتریک چند مقیاسی
تعمیم ژئومورفومتریک چند مقیاسی (MGG) یک عملیات ارتقاء مقیاس است که بر اساس مفاهیم نقشه برداری تعمیم نقشه های دیجیتال [ 29 ] [ 30 ] است. این رویکرد را می توان برای هر متغیر ژئومورفیک، از جمله مدل های ارتفاعی، واحدهای شکل زمین، و مشتقات اولیه و ثانویه اعمال کرد.
این عملیات منجر به متغیرهایی در مقیاس های مختلف می شود که بر اساس معیارهای مورد نیاز برای تجزیه و تحلیل در گروه ها مرتب شده اند. چارچوب این روش‌های افزایش مقیاس، این درک را به دیدگاه پدومتریک می‌آورد که رابطه خاک و منظر از طریق تعاملات پیچیده و چند مقیاسی رخ می‌دهد. به این معنا، رسمی شدن مقیاس های تحلیل و مدل سازی مطلوب هم در تعریف آنها و هم در ترتیبات گروهی اتفاق می افتد.
برای عملیات MGG، نمایش‌های برداری و شطرنجی رویکردهای متفاوتی را برای ارتقاء مقیاس می‌طلبد، زیرا هر یک از آنها به دلیل ساختارهای ریاضی خود دارای مشکلات تبدیل مقیاس خاصی هستند. علاوه بر این، وجود یک مرجع منحصر به فرد برای مقیاس ها برای نمایش سازگار ویژگی های ژئومورفیک در هر دو نوع متغیر ضروری است، بنابراین امکان تفسیر مشترک را فراهم می کند. در این مطالعه، مفهوم حداقل مساحت قابل نقشه برداری برای بررسی خاک [ 31 ] برای تعریف اندازه پیکسل ها در رابطه با مقیاس نقشه برداری در نظر گرفته شد. توضیحات مفصل برای هر یک از چهار مقیاس مورد استفاده در جدول 1 آمده است. معادل مساحت بین شطرنجی و بردار به عنوان تابعی از یک شبکه 5 × 5 پیکسل محاسبه می شود که یک پارامتر محافظه کار برای تعیین یک ویژگی ژئومورفیک در نظر گرفته می شود.
MGG برای متغیرهای کمکی ژئومورفومتریک زیر اعمال شد: ارتفاع (Elev)، شیب، موقعیت شیب نسبی (RSP)، شاخص رطوبت توپوگرافی (TWI)، انحنای پلان (PlanCurv)، انحنای پروفیل (ProfCurv)، ضریب توپوگرافی فرسایش آب (LS). ) و ژئومورفون ها.
این متغیرهای ژئومورفیک، در مقیاس های مختلف، از SRTM DEM از دو روش افزایش مقیاس، همانطور که در شکل 2 نشان داده شده است، به دست آمدند . با استفاده از میانگین های محلی در ارتفاع متغیر، در پنجره های 2×2، 3×3، 4×4، به ترتیب برای وضوح 60 متر، 90 متر و 120 متر، و مشتقات بعدی محاسبه متغیر کمکی. طبقه بندی ژئومورفون ها [ 32 ] با حذف چند ضلعی های کوچکتر از حداقل مساحت قابل نقشه برداری برای هر مقیاس دنبال شد. چنین روش هایی مطابقت دارند
شکل 2 . فلوچارت روش MGG برای متغیرهای توپوگرافی.
به تعمیم کارتوگرافی که به ترتیب برای ژئومورفومتری عمومی و ژئومورفومتری خاص اعمال می شود [ 33 ].
در این مطالعه موردی از رویکرد یادگیری ماشین برای شناسایی و انتخاب مقیاس‌های بهینه متغیرها برای مدلسازی استفاده شد. بنابراین لازم بود یک پایگاه داده چندگانه برای آموزش و ارزیابی هر مقیاس ارائه شود. به این معنا، متغیرها از ترکیب مجموعه ای از متغیرهای توپوگرافی سازماندهی شدند که در تمام ترکیبات ممکن مرتب شدند.
2.4. نمونه برداری و آنالیز خاک
نمونه برداری از خاک در 9 منطقه پایلوت با در نظر گرفتن متغیرهای کمکی برای ارزیابی اثر توپوگرافی مربوط به تنوع در توزیع خاک انجام شد. هر منطقه آزمایشی در 10 نقطه نمونه برداری شد، تراکم کافی برای بررسی های نیمه دقیق خاک، سازگار با نقشه های خاک در مقیاس 1:25000 [ 31 ]. نقاط نمونه بر اساس یک آرایش تصادفی طبقه بندی شده با روش هایپرمکعب لاتین شرطی [ 34 ] [ 35 ]، با متغیرهای توپوگرافی شطرنجی، که در بخش قبل توضیح داده شد، در مقیاس 1:25.000 توزیع شدند. در مجموع 90 نقطه نمونه، توصیف مورفولوژیکی افق A انجام شد [ 36 ] و نمونه‌های خاک در عمق 0 تا 30 سانتی‌متری برای آنالیزهای فیزیکی و شیمیایی جمع‌آوری شد [ 37 ] [ 37].38 ]. برای ارزیابی واریانس ها و الگوها در مجموعه داده نمونه، تجزیه و تحلیل مؤلفه های اصلی [ 39 ] انجام شد.
2.5. مدل سازی توسط Random Forest
مدلسازی زمین-منظر با استفاده از جنگل تصادفی [ 40 ]، یک الگوریتم یادگیری ماشینی که اغلب برای تولید نقشه‌های خاک دیجیتال استفاده می‌شود، انجام شد [ 41 ]. برخی از ویژگی‌های این الگوریتم که قابل ذکر است این است که می‌تواند متغیرهای طبقه‌ای و پیوسته را مدیریت کند، می‌تواند رگرسیون و طبقه‌بندی انجام دهد، برای مشکلات بیش از حد برازش قوی است و برای تفسیر روابط متغیرها از جمله سیستم‌های خطی و غیرخطی امکان‌پذیر است [ 42 ]. .
ابتدا مجموعه موارد آموزشی و مواردی که برای اعتبارسنجی در نظر گرفته شده بود، تعریف شد. انتخاب به صورت تصادفی با نسبت های 70% و 30% انجام شد. آموزش برای هر گروه از متغیرهای کمکی ژئومورفومتریک، یک گروه در یک زمان، برای مدلسازی برخی از ویژگی‌های خاک، یعنی ضخامت افق، pH، سیلت و محتوای ماسه انجام شد. سپس برای پیش‌بینی گروه‌های ژئومورفومتریک تعمیم‌یافته چند مقیاسی، گروه‌هایی که بهترین تعدیل را داشتند، بر اساس بالاترین مقادیر درصد تغییرات توضیح داده شده توسط مدل، ارزیابی و انتخاب شدند. در نهایت، ساختار مدلسازی و نتایج گروه‌های ژئومورفومتریک مقیاس اصلی و ژئومورفومتریک تعمیم‌یافته با هم مقایسه شدند. برای ارزیابی این پیش‌بینی‌ها، از تحلیل بصری نقشه‌های رقومی و نمودارهای چند طرفه سازه‌های جنگلی و تأثیر متغیرها بر پیش‌بینی استفاده شد.43 ].
پیش‌بینی بافت خاک با در نظر گرفتن لایه‌های شطرنجی سیلت و ماسه با استفاده از سیستم طبقه‌بندی خاک برزیل [ 44 ] انجام شد. برای ارزیابی این پیش‌بینی، ماتریس سردرگمی با شاخص کاپا و دقت کاربر و تولیدکننده محاسبه شد [ 45 ].
3. نتایج و بحث
3.1. ژئومورفومتریک چند مقیاسی تعمیم یافته
تعمیم ژئوموفومتریک چند مقیاسی مجموعه داده ای از متغیرهای کمکی را در هر مقیاس تولید می کند. برای ارزیابی آن عملیات، در این بخش، گرایش توزیع‌های ژئومورفومتری و تفسیر ژئومورفولوژی این داده‌های تعمیم‌یافته شرح داده می‌شود.
استفاده از MGG در پایگاه داده اصلی DEM منجر به 28 متغیر ژئومورفومتریک پیوسته شد که توزیع آنها در شکل 3 نشان داده شده است.. برخی از توزیع‌ها تغییرات کوچک‌تری داشتند، مانند TWI و LS، با کاهش وقوع مقادیر شدید و برخی کاهش پراکندگی در جهت افزایش مقیاس. این را می توان با کمترین نمایش ویژگی های ژئومورفیک کوچکتر که به شمارش حدود بالا و پایین در دینامیک آب در شیب کمک کرد، توضیح داد. برخی از توزیع های متغیر تغییرات بسیار قابل توجهی داشتند، مانند شیب و انحناهای ژئومورفیک، که کاهش شدید و پیشرونده پراکندگی مربوط به صاف ترین سطح تعمیم یافته را داشتند. با در نظر گرفتن PlanCurv، قابل مشاهده است که مشتق ارتقا یافته، ویژگی های دره ها و خوشه ها را در منطقه مورد مطالعه، همانطور که در شکل 4 (ب) نشان داده شده است، بهتر توصیف می کند.
برخی از مطالعات اثرات افزایش مقیاس را بر روی اطلاعات توپوگرافی دیجیتال با نتایج قابل مقایسه آزمایش می کنند. مدلسازی فضایی زمینه‌ای، با استفاده از نرخ‌های مقیاس فضایی گاوسی برای تولید مجموعه‌ای از DEMهای با وضوح درشت، نتیجه مشابهی از صاف داشت.
شکل 3 . توزیع متغیرهای شطرنجی ژئومورفومتری در مقیاس های اصلی و تعمیم یافته.
شکل 4 . نمای سه بعدی مقایسه ای از متغیرهای کمکی ژئومورفومتریک اصلی و تعمیم یافته: (الف) موقعیت شیب نسبی. (ب) انحنای پلان.
شیب و انحناهای ژئومورفیک [ 46 ]. در مقابل، مطالعات دیگر محاسبات پیچیده‌ای را برای تعمیم DEM با در نظر گرفتن سؤالات حفظ ویژگی پیشنهاد کرده‌اند و می‌توانند با چارچوب MGG آزمایش شوند. روش حفظ ویژگی هموارسازی DEM (FPDEMS) پیچیدگی سطح را در مقیاس‌های فضایی دقیق که در آن زبری غالب است، کاهش می‌دهد، در حالی که پیچیدگی توپوگرافی را در مقیاس‌های فضایی بزرگتر به‌طور قابل‌توجهی تغییر نمی‌دهد [ 47 ]. روش‌های دیگر از یک الگوریتم چند نقطه‌ای برای بازیابی سریع و دقیق نقاط بحرانی استفاده می‌کنند، با استفاده از TIN با زهکشی محدود، برای تولید DEM با وضوح درشت‌تر [ 48 ] [ 49 ].
توزیع موقعیت‌های شیب نسبی پیچیده‌ترین تنوع را داشت و مربوط به فرآیند کالبد شکافی بود که بر روی سطح مسطح حوضه‌های رسوبی فانوزوئیک عمل می‌کرد که منجر به سازماندهی این نوع لندفرم، تشریح همگن با بالای جدولی، تراکم زهکشی درشت و ضعیف می‌شود. عمق برش [ 24 ] [ 50 ]. یک نمای سه بعدی مقایسه ای از موقعیت های شیب نسبی اصلی و تعمیم یافته در شکل 4 نشان داده شده است.(آ). این متغیر در مقیاس اصلی خود، تغییرات را در سطح زیرحوضه، با مقادیر فاصله 0 – 1 که در هر تقسیم زهکشی رخ می دهد، شناسایی می کند. در مقابل، در 1:100000، این متغیر تغییرات را در سطح حوضه نشان می دهد، با مقادیر بالا فقط در مرتفع ترین بخش خط الراس. در این منظر، متغیر ارتقا یافته می‌تواند رشته‌های بالایی و پایینی حوضه‌ها را شناسایی کند، اطلاعات مرتبطی برای نقشه‌برداری خاک، زیرا امکان تجزیه و تحلیل سطح پایه، زمان قرار گرفتن در معرض هوازدگی و تمایز چینه‌شناسی بر تشکیلات زمین‌شناسی رسوبی را فراهم می‌کند [ 5 ].
دگرگونی‌های مقیاس ژئومورفونی منجر به ادغام بخش‌های دره برخی از بخش‌های لندفرم محلی شد که در ابتدا در بالا و شیب طبقه‌بندی می‌شدند، همانطور که در شکل‌های 5(a)-(c) نشان داده شده است. بنابراین، در مقیاس 1:100000، برخی از ویژگی های ژئومورفیک از الگوهای اصلی جدا شد و حذف شد و با نوع ژئومورفونی رایج محلی جایگزین شد. با توجه به ژئومورفون‌های مقیاس اصلی، نتایج نشان‌دهنده توالی لندفرم‌های دره-شیب-بالا در اکثر سایت‌های نقشه‌برداری است. با این حال، در همان مقیاس نقشه برداری خاک در آفریقای جنوبی، ژئومورفون ها با ترسیم دستی متخصص با درجه بالایی از عدم تطابق (57٪ از منطقه)، علیرغم نتایج پیش بینی منطقی مقایسه شدند [ 51 ]]. روش دیگر، با توجه به اهمیت کم ژئومورفون ها در درخت های تصمیم، همانطور که در بخش بعدی خواهیم دید، می توان روش های دیگری را برای تعمیم آزمایش کرد، از جمله تغییر پارامترهای جستجو در تعریف واحدهای امدادی.
سایر رویکردها برای طبقه‌بندی لندفرم‌ها، مانند شاخص موقعیت توپوگرافی [ 52 ]، و خوشه‌بندی k-median [ 53 ]، همچنین دارای پارامترهایی بودند که می‌توانستند برای مطابقت پیشنهادی مقیاس‌ها تنظیم شوند. بنابراین، این تکنیک ها را می توان با چارچوب MGG در تحقیقات آینده گنجانده و آزمایش کرد.
3.2. ارزیابی مدل های خاک- منظر
این بخش رابطه متغیرهای خاک را با متغیرهای کمکی ژئومورفومتریک، در زمینه MGG ارائه می‌کند و بر روی این موضوع تمرکز می‌کند که آیا ساختارهای جنگلی درخت تصمیم دارای معنای خاک‌شناختی مورد انتظار هستند یا خیر، و اینکه آیا تعداد بیشتری از متغیرهای توپوگرافی می‌توانند عوامل دیگر را بپوشانند.
تغییرات اصلی خاک مربوط به توزیع اندازه ذرات است، همانطور که با سهم این متغیر در اولین جزء PCA، همانطور که در شکل 6 نشان داده شده است، نشان داده شده است. ضخامت افق A نسبت به سیلت تمایل مخالف دارد.
شکل 5 . نمای سه بعدی مقایسه ای از متغیرهای کمکی ژئومورفومتریک اصلی و تعمیم یافته: (الف) ژئومورفون ها 1:25000; (ب) Geomorphons 1:100000; (ج) مدل رقومی ارتفاع در مقیاس اصلی.
شکل 6 . (الف) بردارها و (ب) بارهای متغیر اجزای اصلی برای ویژگی‌های خاک.
و فقط کمی با محتوای ماسه مطابقت دارد، که پویایی هوازدگی مربوط به انتقال مواد آلی در خاک‌های جنگل بارانی شنی را نشان می‌دهد. ماده آلی تأثیر مرتبطی بر تمایز خاک دارد و به طور مستقیم با pH مرتبط است، همانطور که در این محیط زیست، یک زمین بالای حوضه پایین آمازون [ 25 ] انتظار می رود.
همچنین، آلومینیوم قابل مبادله تنها تطابق جزئی با محتوای رس دارد، و این احتمالاً با کانی‌شناسی رسی تحت سلطه کائولینیت مرتبط است، که در آن بخش در خاک‌های اسیدی رایج است [ 54 ]. مطالعات نشان می‌دهد که غلبه کائولینیت در خاک سطحی با کاهش شسته شدن سیلیس توسط چرخه Si که توسط پوشش گیاهی جنگلی ترویج می‌شود، توضیح داده می‌شود و الگوهای خواص خاک حاصل در خاک‌های آمازون واقع در حوزه‌های رسوبی با محتوای آلومینیوم قابل تبادل بالا، مانند این مطالعه پیدا شد. منطقه [ 55 ] [ 56 ].
تغییر در افق A به شدت به عوامل پوشش زمین و توپوگرافی مرتبط است [ 57 ]. برای مدلسازی افق A، گروه MGG 15 بهترین تعدیل را داشت، با 40.5٪ از تغییرات توضیح داده شده، در مقابل 30.2٪ برای DEM مقیاس اصلی، که نشان دهنده تأثیر متغیرهای درشت است. این می‌تواند به این معنی باشد که فرآیندهای پدولوژیکی قدیمی‌تر در ارتباط با ویژگی‌های ژئومورفیک بزرگتر و قدیمی‌تر وجود دارد.
ساختارهای جنگلی درخت تصمیم، همانطور که در شکل 7 نشان داده شده است، به وضوح کنترل کننده های اصلی گرایش ها را نشان می دهد که توسط Elev و RSP نشان داده شده است، مانند بخش بالایی از حوزه های آبخیز که فرآیندهای خاک شناسی طولانی مدت توسعه خاک را حفظ کرده و در حال حاضر ارائه می کنند. در ضخامت کلی بیشتر، برخلاف قسمت جدا شده. محتوای آب و دینامیک، نشان‌داده‌شده توسط TWI، PlanCurv، ProfCurv، بر تغییر ضخامت افق A تأثیر می‌گذارد و پوشش زمین نیز اهمیت قابل‌توجهی در مدل دارد، که توسط متغیرهای بازتاب سطح نشان داده می‌شود.
این نتایج مشابهت را با مطالعه دیگری نشان می دهد که افزایش دقت پیش بینی خاک توسط Random Forest را در چهار مجموعه داده در سراسر جهان با افزودن یک مقیاس درشت تر DEM [ 58 ] گزارش کرد. این نویسندگان همچنین رویکردی با تنوعی از ویژگی‌های خاک برای تقریب‌های پیشینی مقیاس مؤثر برای مدلسازی پیشنهاد کردند. در زمینه MGG، این می تواند برای تعریف مقیاس و آرایش گروهی برای ویژگی های خاک در محیط زیست خاص استفاده شود.
شکل 7 . ساختارهای جنگلی درخت تصمیم MGG برای ضخامت افق A، گروه ژئومورفومتریک 1:75000 به اضافه 1:100000 مقیاس.
pH خاک بر میکروبیوتا، جذب عناصر غذایی، رشد ریشه و در نتیجه رشد گیاه به طور کلی تأثیر می گذارد [ 59 ]. pH خاک به شدت با استفاده از زمین یا در عقرب، عامل ارگانیسم مرتبط است. همانطور که انتظار می رود، مهم ترین متغیر برای مدل سازی این ویژگی خاک، در مقیاس اصلی، بازتاب سطح است، همانطور که در شکل 8 (الف) نشان داده شده است. هنگام در نظر گرفتن نمودار اهمیت گروه MGG 22، نشان داده شده در شکل 8 (ب)، همان پنج متغیر دارای بالاترین شاخص اهمیت هستند. از این نظر، هر دو مدل با وجود دو برابر تعداد متغیرهای ژئومورفومتریک در MGG، عوامل توپوگرافی را با اهمیت کمتری نسبت به عوامل پوشش گیاهی، به یک نسبت نشان می‌دهند.
3.3. پیش بینی بافت لایه سطحی خاک
این بخش پیش‌بینی جنگل تصادفی اندازه ذرات را مورد بحث قرار می‌دهد، که می‌تواند طبقه‌بندی بافتی خاک را برای کاربران زمین و ذینفعان تولید کند و بر این سؤال تمرکز می‌کند که آیا می‌توان تنظیم مدل را با MGG بهبود بخشید، و آیا نقشه‌های اندازه ذرات خاک منجر به طبقه بندی بافتی خاک دقیق تر
برای پیش‌بینی اندازه ذرات لایه سطحی، از بخش‌های ماسه و سیلت به دلیل سهم کم خاک‌رس در سنگ‌شناسی Alter do Chão استفاده شد. این را می توان با ویژگی های محلی آن سازند زمین شناسی، با محتوای کلی ماسه سنگ دانه ریز تا متوسط در قسمت بالایی، و ماسه سنگ های متوسط و درشت با سهم کمی از سنگ های رسی قرمز در قسمت پایین توضیح داد [ 22 ].
مدلهای جنگل تصادفی برای سیلت و ماسه، در ژئومورفومتریک مقیاس اصلی، تنظیم ضعیفی داشتند، همانطور که در جدول 2 نشان داده شده است. هنگام در نظر گرفتن بهترین گروه های MGG تنظیم شده، علیرغم بخش قابل توجهی از تصادفی بودن مرتبط
شکل 8 . اهمیت پیش‌بینی متغیر برای pH در (الف) مقیاس ژئومورفومتریک اصلی و (ب) ژئومورفومتریک تعمیم‌یافته چند مقیاسی.
جدول 2 . تنظیم مدل برای سیلت و ماسه.
نسبت به ناهمگونی خاک، درصد تغییرات توضیح داده شده به طور معقولی بیشتر و میانگین مجذور باقیمانده ها به طور معقولی کمتر است. پیش‌بینی‌کننده‌های مدل سهم عمده‌ای از متغیرهای 1:75000 و 1:100000 دارند و می‌توانند گرایش‌ها را در مقیاس حوضه شناسایی کنند.
مهم ترین متغیرهای کمکی پیش بینی اندازه ذرات در شکل 9 (الف)، شکل 9 (ب) نشان داده شده است: Elev و RSP در مقیاس های درشت تر، مرتبط با چینه شناسی و حمل و نقل طولانی مدت شیب تپه ای. ProfCurv در مقیاس های درشت تر، و PlanCurv در مقیاس های اصلی و درشت تر، مربوط به مناطق تجمع، حمل و نقل و اتلاف [ 60 ].
پیش‌بینی محتوای ماسه و سیلت، در ژئومورفومتریک تعمیم‌یافته اصلی و چند مقیاسی، در شکل 10 نشان داده شده است . در هر دو گروه متغیر، MGG نقشه هایی با نویز کمتر و الگوهای قابل تشخیص بیشتر مرتبط با ویژگی های ژئومورفیک تولید کرده است. این نتایج این فرضیه را تأیید می کند که توپوگرافی در یک زمینه فضایی بزرگتر تأثیر دارد و بر پیش بینی محتوای اندازه ذرات خاک در حوضه آزمایش شده شیوع دارد. در مقابل، یک مطالعه موردی با جنگل تصادفی با 30 متر و 90 متر DEM تفاوت معنی‌داری در پیش‌بینی به دست نیاورد [ 61 ]]. علیرغم شباهت هایی با اهمیت متغیرهای کمکی، مانند Elev و RSP، مدل سازی بر روی مجموعه داده های یک مقیاس انجام می شود. از این نظر، می‌توانیم اهمیت مشاهده پدیده‌های خاک-منظر از دیدگاه چند مقیاسی را استدلال کنیم.
شکل 9 . اهمیت پیش بینی متغیر: (الف) مدل شن و ماسه با گروه ژئومورفومتریک 1:25000 به اضافه 1:75000. (ب) مدل سیلت بر اساس گروه ژئومورفومتریک 1:75000 به اضافه 1:100000.
شکل 10 . نقشه های پیش بینی سیلت (a، b) و ماسه (c، d) به ترتیب در ژئومورفومتریک مقیاس اصلی و ژئومورفومتریک تعمیم یافته چند مقیاسی.
مطالعه موردی انجام شده در مزرعه ای در چین، با یادگیری ماشینی بر روی متغیرهای مقیاس تک و چندگانه [ 62 ]، همچنین نتایج بهتری را با طیف وسیعی از مقیاس های مناسب، حتی با استفاده از تنها مشتقات محلی، یافت. از این نظر، چارچوب MGG پتانسیل بیشتری دارد زیرا تبدیل DEM قبل از محاسبه مشتق، امکان استفاده از مشتقات محلی و منطقه‌ای را در یک آرایش گروهی چند مقیاسی فراهم می‌کند.
4. نتیجه گیری
این مطالعه تعمیم ژئومورفومتریک چند مقیاسی را با هدف مدلسازی رابطه خاک و منظر ارزیابی می‌کند. مقايسه مقياس اصلي با متغيرهاي تعميم يافته چند مقياسي بر اساس پيش بيني جنگل تصادفي صفات خاك بود. با توجه به چارچوب روش‌شناختی پیشنهادی، نتایج و مسائل زیر از این مطالعه موردی برجسته است:
● تعمیم ژئومورفومتری عمومی تمایل به صاف کردن شیب ها و انحناها دارد و نمایش های قابل شناسایی از موقعیت شیب نسبی در سطح زیرحوضه و حوضه ایجاد می کند. تعمیم ژئومورفومتری خاص منجر به ادغام برخی بخش‌های لندفرم محلی در بخش‌های دره می‌شود که در ابتدا در بالا و شیب طبقه‌بندی می‌شدند.
● مدلسازی تصادفی جنگل با متغیرهای MGG اهمیت بیشتری از فاکتور پوشش گیاهی را برای پیش‌بینی ویژگی‌های خاک مرتبط با پوشش زمین پنهان نکرد. ساختار جنگل و تأثیر متغیرها بر پیش بینی با دانش خاک شناسی مطابقت دارد. با مقایسه این نتایج با نتایج سایر مطالعات، می توان استدلال کرد که پدیده های خاک-منظر از دیدگاه چند مقیاسی بسیار مرتبط هستند.
● MGG تنظیم مدل برای ذرات سیلت و ماسه را بهبود بخشید و همچنین دقت معیارهای طبقه بندی بافت خاک لایه سطحی را، به ویژه برای غیر معمول ترین طبقات، با شاخص کاپا از 43% به 62% بهبود بخشید. توپوگرافی در مقیاس فضایی درشت‌تر تأثیر می‌گذارد و بر پیش‌بینی اندازه ذرات خاک در حوضه آبخیز مورد مطالعه شیوع دارد.
● توسعه آتی چارچوب MGG باید به تعمیم DEM در مورد حفظ ویژگی و مقایسه طبقه‌بندی لندفرم قابل انطباق در مقیاس‌های چندگانه بپردازد.
منابع
بدون دیدگاه