نوع مقاله : مقاله پژوهشی

نویسندگان

• نیکو حمزه پور ¹
• پاتریک بوگارت ²

¹ رده بندی و تناسب اراضی

² هیئت علمی

چکیده

پایش به هنگام شوری خاک براساس نمونه‌برداری‌های صحرایی، نیاز به زمان و هزینه زیادی دارند. بنابراین هرنوع روش مناسبی که بتواند منجر به کاهش هزینه‌ها شود، قدمی به سوی پایش پایدار شوری خاک در بلندمدت خواهد بود. هدف از انجام این تحقیق، استفاده از روش انتروپی حداکثر اریب و خطای حاصل از استفاده از داده‌های صحرایی در یک بازه زمانی، برای بهبود تخمین مکانی- زمانی شوری خاک در نقاطی بدون اندازه‌گیری‌های دقیق آزمایشگاهی بود. هدایت الکتریکی خاک در صحرا برای تمامی نمونه‌ها و در تمام دورهای نمونه‌برداری اندازه‌گیری گردید. اما اندازه‌گیری شوری خاک در آزمایشگاه تنها برای دورهای اول، دوم و پنجم انجام شد. بعداز کالیبراسیون داده‌های صحرایی با داده‌های آزمایشگاهی برای دو دور اول نمونه‌برداری، هیستوگرام باقی مانده‌ها محاسبه گردید و سپس واریانس باقی مانده‌ها به عنوان خطای مربوط به داده‌های نامطمئن، در تخمین مکانی- زمان شوری خاک در سایر بازه‌های زمانی استفاده گردید. نتایج حاصل از اعتبارسنجی مقادیر تخمینی شوری خاک نشان داد استفاده از مدل کالیبراسیون و خطای محاسبه شده برای دو دور اول نمونه‌برداری با مقادیر میانگین خطا و میانگین مربعات خطای برابر با 12/0- و 72/0، می‌تواند در تخمین مکانی شوری خاک در دور پنجم نمونه‌برداری نیز از اعتبار لازم برخوردار باشد. لذا، از مدل برازش شده در تخمین مکانی- زمانی شوری خاک در طی تمامی دورهای نمونه‌بردای استفاده گردید. نتایج نشان داد شوری خاک در طی بازه زمانی بین 1389-1395، افزایش قابل توجهی داشت و شوری ثانویه خاک در زمین‌های کشاورزی در حال اتفاق است. به طوری که میانگین شوری خاک در منطقه مطالعاتی از 56/4 در طی پائیز 1390 به 65/6 در طی پائیز 95 افزایش یافت. براساس نتایج حاصل از این تحقیق استفاده از داده‌های نامطمئن و روش انتروپی حداکثر اریب، با کاهش هزینه‌ها و زمان لازم برای آنالیزهای آزمایشگاهی امکان پایش پایدار مرز بین اراضی کشاورزی و شور را فراهم می‌آورد.

کلیدواژه‌ها

• تخمین خطا
• داده‌های صحرایی
• واسنجی
• هدایت الکتریکی

عنوان مقاله [English]

Spatio-temporal prediction of soil salinity using soft data and Bayesian maximum entropy method in western shores of Urmia Lake

چکیده [English]

Real-time monitoring of soil salinity changes is quite costly, so that sound methods which could improve the quality of the predictions would thus be a step towards an improved and sustainable salinity hazards monitoring system on the long run. The aim of this paper is to propose such a methodological framework, with an illustration based on the implication of the calculated error caused by field measurements in one time interval to improve spatiotemporal predictions of soil salinity where no laboratory measurements are available. Soil EC was measured in the field for all times series but only for the first, second and fifth data sets laboratory measurements were implemented. After calibrating field EC by laboratory measurements for the first two datasets, histograms of residuals were calculated and then variance of the residuals were taken into account as error and were used in soil salinity prediction using Bayesian Maximum Entropy method (BME) in other time series. Results from validation of the predicted values for soil salinity revealed that implementation of calibration line and the calculated error for one time interval in BME equations could successfully improve soil salinity prediction during other time intervals with validation results of ME and MSE equal to -0.12 and 0.72 for 5th dataset. Therefore, calibration line based on first two datasets was applied in spatiotemporal prediction of soil salinity in all-time series. Results showed that soil salinity has increased during time interval of 2010-2016 and secondary salinization has been occurring in agricultural lands. Mean soil salinity has increased from 4.56 dS/m in 2011 to 6.65 in 2016. The reduced need for constant calibration of field measured data and number of soil samples using soft data and BME method will make soil salinity monitoring possible where there is a great need for careful monitoring.

کلیدواژه‌ها [English]

• error prediction
• field data
• validation
• electrical conductivity