A talajok szervesanyag-készletének nagyléptékű térképezése regresszió krigeléssel Zala megye példáján | Large-scale mapping of soil organic matter content by regression kriging in Zala County

Szatmári, Gábor and Laborczi, Annamária and Illés, Gábor and Pásztor, László (2013) A talajok szervesanyag-készletének nagyléptékű térképezése regresszió krigeléssel Zala megye példáján | Large-scale mapping of soil organic matter content by regression kriging in Zala County. Agrokémia és Talajtan, 62 (2). pp. 219-234. ISSN 0002-1873

Text agrokem.62.2013.2.4.pdf Restricted to Repository staff only until 31 December 2033. Download (1MB)

Abstract

Dolgozatunkban Zala megye feltalajainak szervesanyag-tartalmát kívántuk digitálisan térképezni regresszió krigeléssel a rendelkezésünkre álló Digitális Kreybig Talajinformációs Rendszer (DKTIR) adataira, illetve környezeti segédváltozókra alapozva. A térbeli kiterjesztések során különböző kombinációkban használtuk fel a talajképződési tényezőket, illetve DKTIR talajtérképi egységeit. Munkánk célja volt, hogy a regresszió krigelés modelljébe vont segédváltozó kombinációk minőségi hatását vizsgáljuk a becslő eljárás alapját jelentő többszörös lineáris regresszió modellre, illetve a becsült térkép pontosságára vonatkozóan.A szervesanyag-tartalom térbeli kiterjesztéséhez szükséges segédváltozókat a szakirodalom alapján választottuk ki. Segédadatként használtuk fel Zala megye digitális domborzatmodelljét, a 2009 és 2011 között készült MODIS műholdképekből származtatott vegetációs index állományokat, két klímaparaméter fedvényét, illetve a DKTIR talajtérképi egységeit. A regresszió krigeléssel becsült humusztartalom térképeket a DKTIR talajszelvény adataiból előzetesen leválogatott, a becslési eljárástól független kontroll adatpontokkal értékeltük. A validációhoz származtattuk a ME (Mean Error), a MAE (Mean Absolute Error), az RMSE (Root Mean Square Error), illetve az RI_i(%) (Relative Improvement) paraméterek értékeit, ahol utóbbi az egyes térképek pontosságának relatív növekedését fejezi ki egy viszonyítási alapnak választott térképhez képest.A vizsgalati eredmenyek alapjan a terbeli talajinformaciok segedadatkent torten. felhasznalasa jelentősen novelte a regresszio modellek determinacios koefficienseinek erteket, illetve a becsult humuszterkepek pontossagat. A talajtani segedinformaciokat is figyelembe vevő regresszio modellek R² ertekei — ket eset kivetelevel — joval meghaladtak a 30%-ot, vagyis a szervesanyag-tartalom terbeli valtozekonysaganak tobb mint egyharmadat voltak kepesek determinalni. A validacios mutatok alapjan azon terkepek bizonyultak pontosabbnak, melyekben a DKTIR talajok textura es vizgazdalkodasi tulajdonsagait (DKTIR-F) hasznaltuk fel talajtani segedvaltozokent. A legalacsonyabb MAE ertekkel (0,747) a domborzati es eghajlati talajkepző tenyezőket, illetve a DKTIR-F talajterkepi egyseget segedvaltozokent alkalmazo humuszterkep rendelkezett, ezen terkep eseten az RI_i(%) parameter erteke 21%-nak adodott. A mutatok alapjan ezen terkep adta a legpontosabb becslest a mintaterulet szervesanyag-tartalmara, hisz a felhasznalt segedvaltozokon keresztul figyelembe veszi a mintaterulet szervesanyag-tartalmat alapvetően befolyasolo eroziot es akkumulaciot, illetve a talajok fizikai feleseget, mely utobbi hatassal van a vizhaztartasra, a beszivargasra, a kilugozasra es ezeken keresztul a humuszkepződes folyamatara. A biologiai talajkepző tenyezőt reprezentalo MODIS vegetacios index allomanyok eseteben megfigyelhető volt, hogy segedadatkent tortenő alkalmazasuk eseten kevesbe pontos becsleseket kaptunk osszevetve az ezen segedadatokat mellőző becslesekkel.Munkánkat a K105167 számú OTKA, illetve a TÁMOP-4.2.2.A-11/1/KONV-2012-0013. pályázatok támogatják. | The organic matter content (SOM) of topsoil in Zala County was digitally mapped using regression kriging based on data from the Digital Kreybig Soil Information System (DKSIS) and environmental auxiliary variables. Various combinations of soilforming factors and DKSIS mapping units were used during the spatial inference process. The objective was to analyse the effects of these combinations on multiple linear regression, which is the core of the applied prediction method, as well as on the accuracy of the estimated maps.The auxiliary variables were selected with the help of state-of-the-art literature: the digital elevation model of Zala County; the NDVI and EVI layers of MODIS images from the period of 2009–2011; two climatic parameters; and the soil mapping units of DKSIS. The SOM maps estimated by regression kriging were evaluated using a control data set previously selected from the DKSIS profile database.The ME (Mean Error), MAE (Mean Absolute Error), RMSE (Root Mean Square Error) and RI_i(%) (Relative Improvement) parameters were computed for the validation, the last of which expresses the relative improvement in the accuracy of the resulting maps compared to a reference map.The results showed that the inclusion of spatial soil data significantly increased the determination coefficients of the regression models, as well as the accuracy of the topsoil SOM maps. With two exceptions, the R² values of regression models that used the auxiliary information were significantly higher than 30%; i.e. they determined more than one-third of the spatial variability of topsoil SOM. Based on the validation indices, maps using DKSIS soil physical mapping units proved to be more accurate. The lowest MAE value (0.747) was obtained for the map where relief and climatic soil-forming factors were used together with DKSIS soil physical mapping units; the RI_i(%) parameter for this map was 21%. The indices showed that this map provided the best prediction for the organic matter content of the area. This can be attributed to the fact that, due to the inclusion of auxiliary variables, it took into consideration not only the erosion and accumulation processes influencing SOM content, but also soil hydrophysical properties, which have a strong indirect effect on the process of humus formation. Predictions made using the biological soil-forming factor represented by MODIS vegetation index layers were worse than those which excluded them.

Actions (login required)

Edit Item