زهره مصلح

برای استفاده درست از منابع آب و جلوگیری از تخریب خاک، باید مناسب ترین سامانه های آبیاری را به کار برد. هدف از انجام پژوهش حاضر، ارزیابی تناسب اراضی برمبنای ویژگی های خاک برای سامانه های آبیاری سطحی و قطره ای در 46000 هکتار از اراضی دشت سیستان است. به منظور دستیابی به این هدف، 600 خاک رخ با فواصل تقریبی 700 تا 800 متر حفر و ویژگی های فیزیکی و شیمیایی تمامی افق ها تعیین شد. ارزیابی تناسب برای روش های مختلف آبیاری برمبنای ویژگی های خاک و توپوگرافی با استفاده از روش پارامتریک انجام شد. پس از تعیین کلاس و زیرکلاس تناسب سرزمین برای خاک رخ های مطالعه شده، با استفاده از روش وزن دهی معکوس فاصله، نقشه های پیوسته زیرکلاس های تناسب برای هر دو روش آبیاری در شهرستان های مختلف تهیه شد. نتایج نشان داد که در تمامی مناطق، شرایط برای آبیاری قطره ای به مراتب بهتر از آبیاری سطحی است. هرچند در بسیاری از مناطق، برای آبیاری قطره ای نیز، محدودیت هایی وجود دارد و استفاده مناسب و کارآمد از این نوع سامانه به رفع محدودیت ها در این مناطق بستگی دارد. در تمامی شهرستان ها، مهم ترین محدودیت برای روش های آبیاری بررسی شده، محدودیت شوری   قلیائیت و ویژگی های فیزیکی خاک (بافت شنی، رسی و رسی   سیلتی) است. در تمامی مناطق، بافت های رسی   سیلتی و لومی   سیلتی مهم ترین کلاس های بافتی محدودکننده بودند. با توجه به اینکه تغییر ویژگی های فیزیکی به راحتی امکان پذیر نیست، عملیات اصلاح خاک ها ازنظر مقادیر شوری   قلیائیت به رفع محدودیت ها یا کاهش آنها کمک زیادی می کند.

نقشه های خاک به منزله یکی از نقشه های پایه در بسیاری از مطالعات مرتبط با محیط و منابع طبیعی اهمیت زیادی دارند. نقشه های رقومی خاک بر پایه ارتباط بین ویژگی های محیطی و خاک پایه ریزی شده اند. هدف از انجام پژوهش حاضر، بررسی خطا و عدم قطعیت کلاس های رقومی خاک پیش بینی شده در سطوح مختلف سامانه رده بندی آمریکایی با استفاده از مدل شبکه عصبی مصنوعی است. تعداد 120 خاک رخ برمبنای یک الگوی شبکه ای منظم در دشت شهرکرد حفر، تشریح و نمونه برداری شد. برای تخمین کلاس های خاک، دو گروه ویژگی های خاکی (کمّی و کیفی) و داده های کمکی (شامل نقشه زمین شناسی، نقشه شکل اراضی، نقشه فاز شکل اراضی، نقشه خاک سنتی منطقه، شاخص تفاضل نرمال شده پوشش گیاهی و بعضی مشتقات مدل ارتفاع رقومی) مدنظر قرار گرفت. پس از تهیه نقشه های ویژگی های خاک و اطمینان از صحت و دقت آنها، این نقشه ها به همراه داده های کمکی برای تخمین کلاس های خاک با مدل شبکه عصبی مصنوعی در محیط نرم افزار R استفاده شدند و درنهایت دقت و عدم قطعیت مدل مزبور به ترتیب با صحت عمومی و شاخص درهمی ارزیابی شد. نتایج نشان داد ورود جزئیات بیشتر در رده بندی خاک ها در سطوح پایین طبقه بندی، ضمن افزایش تعداد کلاس ها، کاهش صحت عمومی و افزایش عدم قطعیت را به همراه داشته است. با توجه به حد پذیرفته صحت عمومی (75درصد)، مدل شبکه عصبی مصنوعی از صحت لازم تا سطح گروه بزرگ برخوردار بوده است؛ اما عدم قطعیت زیادی را داشته است؛ بنابراین صرف توجه به صحت مدل در انتخاب آن برای مدل سازی مؤثر نیست؛ بلکه در کنار خطای مدل، توجه به عدم قطعیت آن نیز بسیار مهم است. بر این اساس، به کارگیری روش های دیگری از محاسبات نرم برای مدل سازی در مناطق دشت یا مناطق با ناهمواری های کم پیشنهاد می شود.