مطالعۀ الگوی مکانی عناصر مغذی قابل جذب در صنوبرکاری‌ها (Populus deltoides) با استفاده از روش‌های مختلف زمین‌آمار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموختۀ دکتری جنگلداری، دانشکدۀ منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران

2 دانشیار گروه علوم و مهندسی خاک، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

3 استاد گروه جنگلداری، دانشکدۀ منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران

4 دانشیار گروه جنگلداری، دانشکدۀ منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران

چکیده

آگاهی از ساختار وابستگی مکانی ویژگی‌های مختلف خاک در منابع طبیعی برای دستیابی به تولید بیشتر و مدیریت بهتر تغییرنما برای متغیرهای نیتروژن، فسفر و پتاسیم کروی بود. دامنۀ مؤثر برای این متغیرها به‌ترتیب 80/530، 20/720 و 80/520 متر به‌دست آمد. این تحقیق به‌منظور تعیین عوامل کنترل‌کنندۀ الگوی مکانی عناصر غذایی پرمصرف (NPK) از راه زمین‌آمار صورت گرفت. در این تحقیق 150 نمونه خاک از عمق 20-0 سانتی‌متری جمع‌آوری و متغیرهای نیتروژن، فسفر و پتاسیم اندازه‌گیری شد. همبستگی مکانی هر متغیر با نیم‌تغییرنما مشخص و بهترین مدل برازش داده‌شده برای هر متغیر انتخاب شد. بهترین مدل‌های برازش داده‌شده بر نیم با استفاده از روش‌های درون‌یابی کریجینگ معمولی، وزن‌دهی عکس فاصله و اسپلاین یا توابع پایۀ شعاعی با استفاده از نرم‌افزار GS+ درون‌یابی انجام گرفت و دقت نقشۀ پراکنش متغیرها به‌کمک معیارهای آماری دقت میانگین خطا و ریشۀ میانگین مربعات خطا محاسبه شد. نتایج نشان داد که برای متغیرهای نیتروژن، فسفر و پتاسیم روش کریجینگ در مقایسه با دو روش دیگر، بهترین روش درون‌یابی در تخمین متغیرها در نقاط نمونه‌برداری‌نشده شناخته شد، زیرا دارای بیشترین صحت و کمترین خطا بود. با استفاده از نقشه‌های تهیه‌شده در این پژوهش، می‌توان توصیۀ مدیریتی برمبنای مناطق همگون جداشده روی نقشه ارائه داد و از این نتایج با توجه به تغییرات عناصر خاک، در کوتاه‌مدت برای تهیۀ نقشه‌های حاصلخیزی خاک، مطالعات ارزیابی اراضی و مدیریت کارامدتر در شمال ایران استفاده کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Spatial variability of available nutrients in poplar (Populus deltoides) plantation using different geostatistical methods

نویسندگان [English]

  • Neda Ghorbanzadeh 1
  • Ali Ashraf Soitani Tularood 2
  • Hassan Pourbabaei 3
  • Ali Salehi 4
1 Ph.D., Faculty of Natural Resources, University of Guilan, Sowmeh Sara, I.R. Iran
2 Assoc. Prof., Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, I.R. Iran
3 Prof., Faculty of Natural Resources, University of Guilan, Sowmeh Sara, I.R. Iran
4 Assoc. Prof., Faculty of Natural Resources, University of Guilan, Sowmeh Sara, I.R. Iran
چکیده [English]

It is important to be aware of the spatial dependence structure of different soil properties in natural resources to achieve more production and better management. This study aimed to determine the determining factors controlling spatial variations of macronutrient (NPK) by geostatistics. In the present study, 150 surface soil samples were collected from forests of northern Iran and some variables, including nitrogen, phosphorus and potassium were measured. The half-variance was selected to determine the spatial correlation and the best fitted models on half-variance for variables of nitrogen, phosphorus and potassium were spherical. Also, the effective range for these variables was obtained, which was equal to 530/80, 720/20 and 520/80 meters, respectively. Interpolation was performed using traditional Ordinary Kriging (OK), the inverse distance weighting (IDW) and radial basis function (RBF) techniques using ARC GIS and GS+ software and the accuracy of the distribution map of these variables was calculated using mean absolute error (MAE) and Root Mean Square Error (RMSE). According to the results, the OK technique for the variables of nitrogen, phosphorus and potassium variables was considered as the best interpolation method for estimating the variables in areas where sampling was not performed, because it had the highest accuracy and lowest error.

کلیدواژه‌ها [English]

  • Geostatistics
  • macronutrient
  • interpolation methods
  • zoning
[1]. Neirck, J. (2017). Impact of Tillia pluthllos Scop, Fraxinus excelsor L., Acer Psedoplatanus L., on earthworm biomass and physico-chemical properties ofloamy top soil. Forest Ecology and Management, 133:275-286.
[2]. Mayani, N., and Payam, H. (2013). Afforestationeffectswith conifer and hardwood specieson somephysical and chemical soil characteristics. Journal of Social Sciences, 3: 467-471.
[3]. Sariyildiz, T. (2018). Litter decomposition of Picea orientalis, Pinus sylvestris and Castaneae sativa trees grown in Artvin in relation to their initial little quality variable. Turkish Journal Agriculture Forestry, 27: 27-243.
[4]. Quine, T. A., and Zhang, Y. (2002). An investigation of spatial variation in soil erosion, soil properties, and crop production within an agricultural field in Devon, United Kingdom. Journal of Soil and Water Conservation, 57(1): 55-65.
[5]. Cambardella, C.A., Moorman, T.B., Novak, J.M., Parkin, T.B., Karlen, D.L., Turco, R.F., and Konopka, A.E. (2015). Field-scale variability of soil properties in central Iowa soils. Soil Science American Journal, 58:1501- 1511.
[6]. Khosravi, Y., and Abasi, A. (2016). Spatial Analysis of Environmental Data with Geostatistics. Azar Press, Zanjan.
[7]. Kazemi Posht Mosavi, H., Tahmasbi, Z., Kamkar, B., Sshataei, Sh., and Sadeghi, S. (2012). Evaluation of geostatistical methods for estimation and zoning of primary nutrients in some agricultural lands of Golestan province. Water and Soil Science, 22 (1): 201- 218.
[8]. Salehi, A., Matinizadeh, M., and Tamjidi, J. (2012). Investigation on effect of forest plantation of Alnus ghutinosa L. (Gaertn.) and Pinus taeda L. on soil microbial activity and biomass. Iranian Journal of Forest and Poplar Research, 20: 334-345.
[9]. Golami, S.H., Sayad, E., Gebbers, R., Schirrmann, M., Joschko, M., and Timmerd, J. (2016). Spatial analysis of riparian forest soil macrofauna and its relation to abiotic soil properties, Pedobiologia, 59: 27 – 36.
[10]. Ali Asgarzad, N. (2010). Laboratory Methods on Soil Biology. Homa Press, Tehran.
[11]. Mohamadi, J. (2006). Geostatistic. Pelk Press, Tehran.
[12]. Wilding, L.P. (1985). Spatial variability: Its documentation, accommodation, and implication to soil survey. Pp. 166-194. In: Nielsen DR, and Bouma J (Eds.). Soil Spatial Variability, Wagenigen, the Netherlands.
[13]. Sharma, B.D., Aggarwal, V.K., Mukhopadhayay, S.S., and Arora, H. (2002). Micronutrient distribution and their association whit soil properties in Entisol of Punjab. Indian Journal of Agricultural Science, 72(6), 334-340.
[14]. Hasani Pak, A. (2006). Geostatistic. Univerity of Tehran Press, Tehran.
[15]. Ayubi, Sh.A., Zamani, S., and Khormali, F. (2007). Estimation of total nitrogen content by organic matter and Using Kriging, Co-kriging and Kriging-Regression methods in some of Lands of Golestan Province. Journal of Agricultural Sciences and Natural Resources, 14 (4): 609- 620.
[16]. Madani, H. (2004). Foundations of Geostatistics. University of Amir Kabir Press, Tehran.
[17]. Jalali, Gh., Tehrani, M.M., Brumand, N., and Sanjri, S. (2012). Comparison of geostatistical methods in spatial distribution of some elements Food in the East of Mazandaran Province. Iranian Journal of Soil Research, 27 (2): 195-204.
[18]. Malakuti, M.J. (2011). Determine the Critical Nutrient Content of Strategic Products. Agricultural Publication. Univerity of Tehran Press, Tehran.