چکیده:
اولین گام در استفاده از داده¬های نقطه¬ای در چارچوب کاری اسکورپن، تبدیل آن¬ها به داده¬های پیوسته می¬باشد. برای انجام این¬کار، روش¬های مختلف زمین¬آماری وجود دارد، که در مطالعه حاضر از روش رگرسیون کریجینگ با واریوگرام محلی استفاده گردید. جهت پهنه¬بندی رقومی هدایت الکتریکی ظاهری در منطقه¬ای به وسعت 72000 هکتار واقع در اردکان، تعداد 700 قرائت در حالت افق و عمودی توسط دستگاه القاگر الکترومغناطیس انجام گرفت. متغیرهای محیطی یا نمایندگان فاکتورهای خاک¬سازی که در این مطالعه استفاده شدند عبارت است از اجزاء سرزمین (استخراج شده از مدل رقومی ارتفاع)، داده¬های تصویر +ETM ماهواره لندست و نقشه سطوح ژئومورفولوژی. در ابتدا، رابطه بین متغیرهای مستقل (داده¬های کمکی) و متغیر وابسته (هدایت الکتریکی ظاهری) بوسیله رگرسیون درختی محاسبه شد. سپس مقادیر باقی¬مانده حاصل از این معادله توسط مدل کریجینگ با واریوگرام محلی به نقشه تبدیل گردید. در نهایت با تجمیع نقشه¬های باقیمانه¬ها و هدایت الکتریکی ظاهری مستخرج از رگرسیون درختی، نقشه پیوسته پارامترهای مورد نظر بدست آمد. نتایج نشان داد که در پیش¬بینی هدایت الکتریکی ظاهری، پارامترهای کمکی از جمله شاخص خیسی، سطوح ژئومورفولوژی و مولفه اول تصویر ماهواره¬ای، دارای اهمیت بیشتری می¬باشند. همچنین نتایج، کارائی بالای مدل رگرسیون کریجینگ با واریوگرام محلی را تایید می¬نماید به¬طوری¬که برای هدایت الکتریکی ظاهری در حالت عمودی مقدار ضریب تبیین 49/0، ریشه مربعات 74/37 و میانگین خطا 07/1- بدست آمد، که این نتایج در مطالعات نقشه¬برداری رقومی خاک قابل قبول می¬باشد. لذا پیشنهاد می¬شود که جهت تهیه نقشه رقومی خصوصیات خاک از مدل¬های رگرسیون کریجینگ با واریوگرام محلی در مطالعات آینده استفاده شود.
چکیده انگلیسی:
Abstract: Converting point data to continuous one is the first step in order to use them in scorpan flowchart. For this purpose, different geostatistic methods are available which at present research regression kriging with local variogram was applied. For mapping apparent electrical conductivity at the area covering 72000ha located in Ardakan region, 700 readings in horizontal and vertical modes carried out by electromagnetic induction. Auxiliary data used in this study to represent predictive soil forming factors were terrain attributes, Landsat 7 ETM+ data and a geomorphologic surfaces map. At first, the relationship between independent variables (i.e. auxiliary data) and dependent variable (i.e. apparent electrical conductivity) was calculated by regression tree. Then, the residuals, derived from regression tree, were mapped by using kriging with local variogram. Finally, the residual and ECa maps were aggregated in order to produce the final maps. Results showed some auxiliary variables had more influence on predictive apparent electrical conductivity model which included: wetness index, geomorphology map and the first principal component analysis. Results also confirmed that regression kriging with local variogram had high performance; however, determination of coefficient, root mean square error and mean error calculated for model in vertical mode were 0.49, 37.74 and -1/07, respectively. These results are acceptable in digital soil mapping studies and hence, it is suggested using of regression kriging with local variogram for spatial prediction of soil properties in future studies.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
