Journal of Water and Soil Science

fa برآورد عمق خاک با استفاده از متغیرهای محیطی به‌دست آمده از مدل رقومی ارتفاع و داده‌های سنجش از دور Soil Depth Estimation using Environmental Variables Derived from Remote Sensing data and DEM (Case Study: Chehelgazi Watershed of Sanandaj, Iran) عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">عمق خاک مشخصه مهمی از خاک است که جهت ارائه مشخصات زیرسطحی حوضه آبخیز در مدل‌های هیدرولوژیکی توزیعی مورد استفاده قرار می‌گیرد. عمق خاک نفوذ آب و به تبع آن تولید رواناب، ذخیره رطوبت زیرسطحی، حرکت عمودی و افقی رطوبت، ضخامت قسمت اشباع و عمق ریشه گیاه در خاک را به شدت تحت تأثیر قرار می‌دهد. هدف از این پژوهش توسعه یک مدل آماری است که بتواند الگوهای مکانی عمق خاک در یک حوضه آبخیز را از متغیرهای توپوگرافی و پوشش زمین که به‌ترتیب از مدل رقومی ارتفاع (DEM) و تصاویر ماهواره‌ای قابل استخراج هستند پیش‌بینی کند. مدل رقومی زمین با مقیاس مکانی 10 متر با استفاده از نقشه‌های 1:25000 تهیه و مورد استفاده قرار گرفت. تصویر ماهواره‌ای 6 May 2015 سنجنده OLI لندست 8 تهیه گردید. عمق خاک، انحنای توپوگرافیک، نوع کاربری اراضی و وضعیت پوشش گیاهی پارامترهای عمده‌ای بودند که در مجموع 426 نقطه نمونه‌برداری در 4 زیر حوضه آبخیز اندازه‌گیری شدند. از تبدیل باکس کوکس به‌منظور نرمال‌سازی داده‌های عمق خاک اندازه‌گیری شده و تمامی پارامترهای توضیح دهنده عمق خاک استفاده گردید. مدل پیش‌بینی آماری Random Forest با 336 نقطه برای کالیبره کردن و 93 نقطه برای آزمون و 31 متغییر توضیحی (18 متغیر به‌دست آمده از DEM و 13 متغیر به‌دست آمده از تصویر ماهواره) و با درنظر گرفتن عمق خاک به‌عنوان خروجی مدل اجرا گردید. خطای پیش‌بینی مجموعه داده‌های اعتبارسنجی با درنظر گرفتن 93 نمونه جهت آزمون مدل با ضریب کارایی نش- ساتکلیف،  NSE = 0689محاسبه گردید. نتایج نشان دادند که کاربری اراضی، سطح ویژه حوضه آبخیز، شاخص گیاهی تفاضلی نرمال شده ((NDVI، شاخص جهت شیب (Aspect)، شیب (Slope) و مؤلفه نخست آنالیز تجزیه به مؤلفه‌های اصلی ((PCA1 مهم‌ترین متغیرهای توضیحی در برآورد عمق خاک هستند.</div> <div style="text-align: justify;">Soil depth is a major soil characteristic commonly used in distributed hydrological modeling in order to present watershed subsurface attributes. It strongly affects water infiltration and accordingly runoff generation, subsurface moisture storage, vertical and lateral moisture movement, saturation thickness and plant root depth in the soil. The objective of this study is to develop a statistical model that predicts the spatial pattern of soil depth over the watershed from topographic and land cover variables derived from DEM and satellite image, respectively. A 10 m resolution DEM was prepared using 1:25000 topographic maps. Landsat8 imagery, OLI sensor (May 06, 2015) was used to derive different land cover attributes. Soil depth, topographic curvature, land use and vegetation characteristics were surveyed at 426 profiles within the four sub-watersheds. Box Cox transformations were used to normalize the measured soil depth and each explanatory variable. Random Forest prediction model was used to predict soil depth using the explanatory variables. The model was run using 336 data points in the calibration dataset with all 31 explanatory variables (18 variables from DEM and 13 variables from remote sensing image), and soil depth as the response of the model. Prediction errors were computed for validation data set. Testing dataset was done with the model soil depth values at testing locations (93 points). The Nash-Sutcliffe Efficiency coefficient (NSE) for testing data set was 0.689. The results showed that land use, Specific Catchment Area (SCA), NDVI, Aspect, Slope and PCA1 are the most important explanatory variables in predicting soil depth.</div> عمق خاک, مدل پیش‌بینی آماری جنگل‌های تصادفی, مدل رقومی ارتفاع, متغیرهای محیطی DEM, Prediction statistical model, random forest, Soil depth. 111 127 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-3505-1&slc_lang=fa&sid=1 S. Zahedi صلاح الدین زاهدی zahedi51@gmail.com Yes Sari University of Agricultural Sciences and Natural Resources. 1. گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری K. Shahedi کاکا شاهدی kaka.shahedi@gmail.com No Sari University of Agricultural Sciences and Natural Resources. 1. گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری M. Habibnejhad Roshan محمود حبیب نژادروشن m.habibnejad@sanru.ac.i No Sari University of Agricultural Sciences and Natural Resources. 1. گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری K. Solaimani کریم سلیمانی k.solaimani@sanru.ac.ir No Sari University of Agricultural Sciences and Natural Resources. 1. گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری K. Dadkhah کورش دادخواه k.dadkhah@uok.ac.ir No university of kurdistan 2. گروه ریاضی و آمار، دانشکده علوم، دانشگاه کردستان، سنندج