نوع مقاله : مقاله پژوهشی

نویسندگان

• ساهره صفرلکی ¹
• آزاده صفادوست ¹
• محمود روستمی نیا ²
• سیده بهاره عظیمی ³

¹ گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران

² گروه آب و خاک، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران

³ گروه پژوهشی ارزیابی و مخاطرات محیط زیست، پژوهشکده محیط زیست و توسعه پایدار، سازمان حفاظت محیط زیست، تهران، ایران

چکیده

این مطالعه به‌منظور توسعه یک مدل پیش‌بینی مکانی برای شوری خاک در دشت میمه، شهرستان دهلران، با استفاده از الگوریتم یادگیری ماشین جنگل تصادفی (RF) جهت بررسی تغییرات مکانی شوری خاک در لایه سطحی و زیرسطحی انجام شده است. نمونه‌های خاک از ۱۰۰ نقطه جمع‌آوری، قابلیت هدایت الکتریکی (EC) آنها اندازه‌گیری و تغییرات مکانی شوری خاک با استفاده از مدل RF مدل‌سازی شد. هفت متغیر محیطی شامل شاخص سبزینگی، شدت تابش پخشیده، شاخص همواری کف دره، شاخص تفاضلی پوشش گیاهی نرمال شده، شاخص شوری، شاخص اثر باد و درخشندگی بر اساس روش جنگل تصادفی از مدل رقومی ارتفاع و داده‌های ماهوارهی سنتتیل 2 بودند. این مدل با استفاده از ۸۰ درصد از داده‌ها برای آموزش و ۲۰ درصد برای اعتبارسنجی طراحی شد و کارایی آن از طریق آماره‌های ریشه دوم میانگین مربعات خطا RMSE))، ضریب تعیین (R²) و ضریب همبستگی تطابق CCC)) ارزیابی گردید. مدل RF دقت پیش‌بینی بالایی برای EC در خاک سطحی و نسبتاً قابل قبولی برای لایه زیرسطحی نشان داد؛ به‌گونه‌ای که به ترتیب مقادیر R² برابر با 80/0 و 37/0 و مقادیر CCC برابر 92/0 و 97/0 برای لایه سطحی زیرسطحی بدست آمد. به‌طور کلی مشتقات توپوگرافی هم در خاک سطحی و هم زیرسطحی نسبت به داده‌های سنجش از دور نقش بیشتری در پیش‌بینی شوری خاک نشان دادند؛ و از طرفی شاخص همواری کف دره با درجه وضوح بالا به‌عنوان مهم‌ترین پیش‌بینی کننده شوری خاک شناسایی شد که نشان از تأثیر بالای متغیرهای وابسته به فاکتورهای توپوگرافی در تغییرپذیری وضعیت شوری در خاک‌های منطقه مطالعاتی دارد. نتایج این مطالعه می‌تواند در مدیریت پایدار اراضی شور، کشاورزی دقیق، برنامه‌ریزی منابع آب و پایش تغییرات شوری خاک مورد استفاده قرار گیرد.

کلیدواژه‌ها

• توپوگرافی
• جنگل تصادفی
• شوری خاک
• متغیر محیطی

عنوان مقاله [English]

Assessment of Spatial Distribution of Surface and Subsurface Soil Salinity Using a Digital Mapping Approach: A Case Study in Dehloran County

نویسندگان [English]

• Sahereh Safarlaki ¹
• Azadeh Safadoust ¹
• Mahmood Rostaminia ²
• Seyedeh Bahareh Azimi ³

¹ Department of Soil Science and Engineering, College of Agriculture, Bu-Ali Sina University, Hamadan, Iran

² Soil and Water Department, Agriculture Faculty, Ilam University, Ilam, Iran

³ Department of Environment, Research Group of Environmental Assessment and Risk, Research Center for Environment and Sustainable Development (RCESD)

چکیده [English]

Accurate spatial data on soil property distribution is crucial for monitoring of land resources, informed management practices, and robust environmental modeling, especially in arid and semi-arid regions. This study aimed to develop a spatial prediction model for soil salinity in the Meymeh Plain, Dehloran Province. The Random Forest (RF) algorithm was employed to investigate spatial variations in soil salinity within the surface (0–30 cm) and subsurface (30–60 cm) soil layers. Soil samples were collected from 100 sites, analyzed for electrical conductivity (EC), and the spatial variability of soil salinity was modeled using random forest (RF) analysis. Seven environmental variables of Greenery, Diffuse Radiation, Valley Bottom Flatness Index, Normalized Difference Vegetation Index, Salinity Index, Wind Direction Index, and Brightness were selected based on the Variance Inflation Factor, including parameters from a digital elevation model and Sentinel-2 satellite reflectance data. The model used 80% of the data for calibration and 20% for validation, with performance assessed through root mean square error (RMSE), coefficient of determination (R²), and concordance correlation coefficient (CCC). The RF model showed high prediction accuracy for surface EC and relatively acceptable results for subsurface layers. The R² for the surface layer was 0.92, and for the subsurface layer was 0.37; the RMSE for the surface and subsurface layers was 0.22; and the CCC for the surface layer was 0.82 and for the subsurface layer was 0.97. Overall, topographic derivatives demonstrated a greater influence on predicting soil salinity in both surface and subsurface layers compared to remote sensing data. The multi-resolution valley bottom flatness index with high spatial resolution was identified as the most important predictor of soil salinity, highlighting the impact of topographic factors in the study area.

کلیدواژه‌ها [English]

• Environmental variables
• random forest
• soil salinity
• topography