A glejes talajrétegek megjelenésének becslése térinformatikai módszerekkel. Dr. Dobos Endre, Vadnai Péter

Átírás

1 A glejes talajrétegek megjelenésének becslése térinformatikai módszerekkel Dr. Dobos Endre, Vadnai Péter Miskolci Egyetem Műszaki Földtudományi Kar Földrajz Intézet VIII. Kárpát-medencei Környezettudományi Konferencia Április 19.

2 A World Reference Base for Soil Resources (WRB) nemzetközileg elfogadott diagnosztikai szemléletű talajosztályozási rendszer, mely megfigyelhető, és mérhető diagnosztikai szinteket, tulajdonságokat, és anyagokat különít el és rendel a talajtípusokhoz (Reference Soil Groups). A WRB egyik diagnosztikai tulajdonsága az úgynevezett gleyic colour pattern, amely arra utal, hogy az adott talajban valahol a felső 100 cm-ben talajvíz hatására kialakult glejesedés figyelhető meg. A glejesedés a talajrétegek időszakos vagy állandó vízborítottsága miatt alakul ki, amikor is a reduktív környezetben a talajoldatokban található vas- és mangánvegyületek vegyértékváltása játszódik le. Talajvízglej esetében a szürke mátrixban vörös márványozottság figyelhető meg. A kutatás célja annak vizsgálata, hogy talajvízszint adatok segítségével mennyire becsülhető a glejes rétegek megjelenése a talajokban.

3

4 A vizsgálatokhoz a mintaterületen található 880 merőállomás adatait használtuk fel. Ebből az adatbázisból 140 véletlenszerűen kiválogatott pontot kivettünk a későbbi ellenőrzések céljára, és a felszín interpolációkhoz csak a maradék 740 pontot használtuk. Mivel a mért adatok pontosságának megőrzése a vizsgálat szempontjából kulcsfontosságú, az elkészítendő felszínekhez olyan interpolációs módszert kell találnunk, amellyel a mintaterületünk esetében a meglévő, mért adataink felhasználásával, azok értékeit legjobban közelítő felszínt tudunk létrehozni. Az alkalmazott szoftver: ESRI ArcMap 9.3 A felhasznált közelítő eljárások a következők voltak: Spline with Barriers, Topo to Raster, Inverse Distance Weighting, Radial Basis Functions, Ordinary Kriging, Simple Kriging, Universal Kriging, valamint a Regression Kriging

5 A vizsgált interpolációs módszerekkel készült felszínek összehasonlító statisztikái Interpolation method R R 2 RMSE Min Max Mean Sum Spline With Barriers 0,979 0,958 2,949-9,355 15,723-0,017-2,324 Topo to Raster 0,972 0,945 3,434-14,420 18,941-0,180-25,182 Inverse Distance Weighting 0,972 0,945 3,433-9,713 21,075 0,009 1,263 Radial Basis Functions 0,977 0,955 3,093-11,590 16,826-0,081-11,405 Ordinary Kriging 0,970 0,941 3,508-14,041 18,660-0,214-30,002 Simple Kriging 0,974 0,949 3,301-13,248 17,908-0,138-19,269 Universal Kriging 0,935 0,874 5,250-13,714 21,864-0,474-66,410 Regression Kriging with Texture 0,987 0,974 2,361-8,353 8,177 0,094 13,203 Regression Kriging 0,987 0,974 2,286-8,325 8,225 0,126 17,625 Regression Kriging Terrain 0,992 0,984 1,865-9,072 6,909-0,026-3,634

6 Regression Kriging A regresszióhoz a vizsgált mintaterület 90m -es SRTM domborzatmodelljét, valamint az ebből származtatott domborzati tényezőket (Lejtőszög, Relief) használtuk fel. Ezekkel készítettünk egy a mért nagyvíz értékeket közelítő felszínt lineáris regresszióval, majd a becsült, és mért értékek közti különbségekből (residual) Ordinary Kriging gel különbségfelszínt hoztunk létre, amit a regressziós felszínhez hozzáadva jóval pontosabb végeredményt kapunk. Mivel a durvább, és finomabb fizikai féleségű talajok eltérő kapillárisvíz-emelő tulajdonságokkal rendelkeznek, ezért próbaképp a Regression Kriginget módszert nem csak egyben alkalmaztuk a teljes területre, készítettünk egy textúra szerint differenciált változatot is, ahol egy osztályba kerültek az agyag, agyagos-vályog, illetve vályog területek, és egy másik osztályba az ettől durvább szemcseméretűek. Ez azonban nem hozott jelentős javulást a felszínek pontosságában. A terepmagasságot is Regression Kriging gel közelítettük a mérőállomások magasság adatai alapján. A későbbi statisztikai vizsgálatokat a nagyvíz terepmagasságtól mért távolságára, a két felszín különbségére készítettük el.

7

8 TALAJTÍPUS CODE COUNT MIN MAX RANGE MEAN STD Láptalajok ,333 4,731 5,064 1,422 0,763 Csernozjom, durva szemű ,956 7,930 9,886 2,509 1,065 Csernozjom, finom szemű ,878 8,335 10,213 2,433 1,219 Szikes, durva szemű ,008 3,523 3,531 1,667 0,722 Szikes, finom szemű ,044 7,193 8,237 1,247 0,416 Réti, durva szemű ,159 7,799 7,639 2,452 0,911 Réti, finom szemű ,511 6,939 8,450 1,533 0,676

9 TALAJTÍPUS CODE COUNT MIN MAX RANGE MEAN STD Láptalajok ,333 1,000 1,333 0,866 0,137 Csernozjom, durva szemű ,956 1,000 2,956 0,734 0,208 Csernozjom, finom szemű ,878 1,000 2,878 0,796 0,216 Szikes, durva szemű ,008 1,000 1,008 0,637 0,168 Szikes, finom szemű ,044 1,000 2,044 0,824 0,133 Réti, durva szemű ,159 1,000 0,841 0,790 0,137 Réti, finom szemű ,511 1,000 2,511 0,771 0,156

10 A potenciálisan glejes területek aránya a vizsgált Agrotopo poligonok teljes területéhez viszonyítva. TIPUS ZONE_CODE COUNT A poligonok teljes területe A potenciálisan glejes terület A potenciálisan glejes területek aránya (%) Láptalajok ,74 Csernozjom, durva szemű ,21 Csernozjom, finom szemű ,03 Szikes, durva szemű ,91 Szikes, finom szemű ,99 Réti, durva szemű ,96 Réti, finom szemű ,87

11 További vizsgálatok Szükséges a becsült felszínek pontosságának vizsgálata terepi kontrol adatok segítségével. Esetleg a nagyvíz helyett más, a glejes rétegek mélységét jobban közelítő talajvíz mélység használata az interpolációhoz. A statisztikai vizsgálatok újbóli elvégzése pontosabb, nagyobb méretarányú talajtani adatbázisok segítségével. (Pl. Kreybig)

12 Köszönetnyilvánítás A tanulmány/kutató munka a TÁMOP-4.2.2/B-10/ jelű projekt részeként az Új Magyarország Fejlesztési Terv keretében az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg.

13 Köszönöm a megtisztelő figyelmet!