A GLEJES TALAJRÉTEGEK MEGJELENÉSÉNEK BECSLÉSE TÉRINFORMATIKAI MÓDSZEREKKEL

Átírás

1 A GLEJES TALAJRÉTEGEK MEGJELENÉSÉNEK BECSLÉSE TÉRINFORMATIKAI MÓDSZEREKKEL KIVONAT Dr. Dobos Endre, Vadnai Péter Miskolci Egyetem, Műszaki Földtudományi Kar Természetföldrajz - Környezettan Intézeti Tanszék 3515 Miskolc Egyetemváros ecovape@uni-miskolc.hu Kulcsszavak: talaj, talajvízszint, interpoláció, glejes talajréteg, térinformatika A talajvízszint, és annak ingadozása jelentős befolyással bír a talajfejlődésre, és ezen keresztül a természetföldrajzi környezetre. A talajvíztől való nagy távolság, vagy a talajrétegek állandó, illetve időszakos elöntése egyaránt jelentősen kihat a talajfolyamatokra, és ezáltal a vegetációra. Ennek ellenére a talajvíz talajokra gyakorolt hatásának térinformatikai módszerekkel történő becslése még gyerekcipőben jár. A kutatás célja, hogy geostatisztikai módszerek alkalmazásával összefüggéseket keressen a főbb talajtípusok, a fizikai féleség, a talajvízszint, valamint annak változása között. A vizsgálathoz a VITUKI Nonprofit Kft évi Vízrajzi Évkönyvének adatait használtuk fel. Ez alapján egy vektoros térinformatikai adatbázist készítettünk. Az adatbázis pontként tartalmazza a felszínközeli vizek mérőállomás hálózatát, valamint az egyes pontokhoz tartozó 2006 évi kis-, és nagyvíz adatokat. A statisztikai elemzést a mért adatok alapján, több eljárás közül kiválasztott, a számunkra legalkalmasabb interpolációs módszerrel készült felszínekre készítettük el. A vizsgálatokhoz az Agrotopo vektoros talajtani adatbázist alkalmaztuk. A magas talajvíz időszakos, vagy állandó jelenlétére a talajban megjelenő glejes rétegek utalnak, amelyek az oxidatív, és reduktív környezet váltakozásának indikátorai. Ezért a kutatás első körében a glejes rétegek megjelenési mélységeire próbálunk becsléseket tenni térinformatikai, és geostatisztikai eszközökkel. Ez szolgáltatja a dolgozat fő témáját. ABSTRACT GIS-BASED ESTIMATION OF APPEARANCE OF GLEYIC COLOUR PATTERN IN THE SOILS Keywords: soil, groundwater-level, interpolation, gleyic colour pattern, GIS Groundwater level and its fluctuation have a significant influence on soil development, and through this on the geographical environment. The large depth

2 to groundwater, or the constant or periodic saturation of soil horizons both have a significant effect on soil processes and hereby on the vegetation. All the same, the GIS-based estimation of groundwater impact on the soil is still in its infancy. The aim of this research is to find correlations between the major soil types, physical properties, groundwater level and it s fluctuation, using geostatistical methods. The data source of this study was the Hydrographic Yearbook 2006 of VITUKI Nonprofit Kft. According to these data, a vector based GIS database was created. The database contains each point of the groundwater-level monitoring station network, moreover the low and high groundwater data from the year 2006, belonging to each point. Several interpolation methods were tested, and the most accurate one was chosen to predict the water and terrain surfaces based on the measured data. These ones, and the Agrotopo vector based digital soil database were used for the statistical analysis. The appearance of gleyic colour pattern in the soil refers to the presence of seasonally or permanently high water table. These are the indicators of the alternating oxidative and reductive environment. Therefore in the first round of the research we try to estimate the depth of appearance of the gleyic colour pattern using GIS modeling, and geostatistical methods. This is the main topic of this paper. 1. BEVEZETÉS A talajvízszint, és annak ingadozása jelentős befolyással bír a talajfejlődésre, és ezen keresztül a természetföldrajzi környezetre. A talajvíztől való nagy távolság, vagy a talajrétegek állandó, illetve időszakos elöntése egyaránt jelentősen kihat a talajfolyamatokra, és ezáltal a vegetációra. Ennek ellenére a talajvízhatás térinformatikai módszerekkel történő becslése még gyerekcipőben jár. A kutatás célja a talajvízszint ingadozás talajfejlődésre gyakorolt hatásának térinformatikai vizsgálata, melynek keretein belül a VITUKI Nonprofit Kft ben kiadott Vízrajzi Évkönyvének adatai alapján készített térinformatikai adatbázis adatainak geostatisztikai elemzését végezzük. Az adatbázis pontszerűen tartalmazza a magyarországi felszínközeli vizek mérőállomásainak helyét, és az egyes kutakhoz tartozó 2006 évi mért kisvíz, és nagyvíz értékeket. A geostatisztikai vizsgálatokat meglévő digitális talajtani adatbázisok (pl.: Agrotopo) felhasználásával szeretnénk végrehajtani, amihez szükség van összefüggő talajvíz felszínre, és hozzá egy a kutatás szempontjából optimális interpolációs módszerre, amit nyolc különböző közelítő eljárás összevetésével próbáltuk megtalálni. A talajokban a talajvíz hatása leginkább az általuk okozott glejesedés segítségével fogható 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 [2]. Elsődleges célunk tehát az volt, hogy a mért adatok alapján

3 következtetéseket próbáljunk levonni arra vonatkozóan, hogy a vizsgált mintaterületen hol, és milyen mélységben valószínűsíthető a glejes rétegek előfordulása. 2. ADATOK ÉS MÓDSZEREK A kutatás első fázisában a VITUKI által kiadott Vízrajzi Évkönyv 2006 adatai alapján térinformatikai adatbázisba rendeztük a magyarországi felszínközeli vízek mérőállomásainak 2006 évben mért éves kisvíz, és nagyvíz adatait, továbbá a merőállomások koordinátáit, és a hozzájuk tartozó terepmagasságot. A valószínűsíthető hibák kiszűrése után az elkészült pont állományt, és ezáltal a vizsgálatokban használt terültet tovább szűkítettük a talajvíz mérőállomások térbeli sűrűsége alapján, mivel bizonyos területeken a ponthálózat igencsak ritka volt, ami a későbbiekben az interpolációs pontosságra negatív hatással lehetett volna. A vizsgált terület tehát leszűkült az Alföldre, a Mezőföld egy részére, és a Kisalföldre. A mintaterület csökkentése után a kezdeti majd 1200 pontból 880 merőállomás adatai maradtak a későbbi vizsgálatok során használt adatbázisban. 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 összehasonlítandó interpolációs módszerek egy része a mért értékekre illeszti a felszínt, ezért szükség van független ellenőrző adatokra az összevetésükhöz. Így 140 db véletlenszerűen kiválasztott pontot kivettünk az adatbázisból, és a maradék 740 db pont alapján készítettük el a becsült felszíneket az ArcMap 9.3 Geostatistical Analyst eszköztárának, és egyéb parancsainak segítségével. 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. Ezek segítségével 90m-es felbontású nagyvíz felszíneket készítettünk a mérőállomások adatai alapján. Az említett módszerek mellett a terület 90m-es SRTM domborzatmodelljének magasság adatai, illetve a belőle származtatott lejtőszög, és relief értékek felhasználásával lineáris regresszióval becsültük a nagyvíz felszínt, majd ezt összevetettük a mért értékekkel, és az eltérésekből Ordinary Kriging segítségével készített különbség felületet hozzáadtuk a regresszióval készített felszínhez. Ez az úgy nevezett Regression Kriging módszer, melyet relatíve nagy pontossága miatt széles körben alkalmaznak térinformatikai modellezésre. Mivel az finom és durva fizikai féleségű talajok eltérő kapillárisvíz-emelő tulajdonságokkal rendelkeznek, ezek alapján két csoportra osztottuk a pontjainkat. A finom textúrájú csoportba az agyag, agyagos-vályog, és vályog területek pontjait tettük, a többi a durva textúrájúak közé került. Ezek után az összes pontból, és a differenciált pontokból is készítettünk egy-egy Regression Kriging felszínt, hogy megvizsgálhassuk, van e haszna annak, ha az interpolációnál külön kezeljük az eltérő fizikai féleségű területeket.

4 Az elkészült felszínek pontosságát a 140 kontrol pont felhasználásával hasonlítottuk össze. Segítségükkel kiszámoltuk a Pearson-féle korrelációs együtthatót (R), valamint a négyzetes eltérések átlagának gyökét, azaz a különbségek szórását (RMSE) mindegyik becsült nagyvíz felületre. Végül az Agrotopo digitális talajtani adatbázis poligonjaiból leválogattuk a mintaterületünkre a vizsgálat szempontjából releváns talajtípusokat (láptalajok, szikes talajok, réti talajok, csernozjomok), majd a korábban említett módon fizikai féleség szerint tovább osztottuk őket. Az így kapott állománnyal zonális statisztikákat származtattunk a legjobbnak ítélt interpolációs módszerrel készült nagyvíz felszín, és terep magasság különbségéből, azaz a nagyvíz relatív mélységéből, külön megvizsgálva azokat a potenciálisan glejes területeket is, ahol a nagyvíz legalább 1 méterre megközelíti a felszínt. 3. EREDMÉNYEK Az eredmények alapján elmondható, hogy a független mért értékekkel történő összevetések során a Regression Kriging módszerrel készített felszínek hozták a legpontosabb eredményeket. Mind az egyszerű Regression Kriging gel, mind a fizikai féleség szerinti differenciált módszerrel készült nagyvíz felszín erősen korrelál a talajvíz mérőállomások adataival (R 2 =0,974). A hibák szórása (RMSE) is nagyon hasonló mindkét esetben, azonban az ebben a mutatóban jelentkező kisebb eltérés miatt a későbbi vizsgálatokhoz használt interpolált felületeknél nem vesszük figyelembe talaj textúráját. Az így készült nagyvíz felszínről tehát elmondható, hogy átlagosan kb. 13 cm-rel becsüli túl a mért értékeket, a Root Mean Squred Error pedig 2,286 méter. A relatív nagyvíz mélység meghatározásához szükségük van a terep magasságára is. Mivel az SRTM a felvételezés módszeréből eredően a tereptárgyak magasságát is tartalmazza, célszerűbbnek találtuk, hogy a merőállomások koordinátáin mért terepmagasságokból a korábbiakban ismertetett Regression Kriging folyamattal készítsük el a domborzatot is. Az így készült felszín mért értékekhez számított Pearson-féle korrelációs együtthatója R 2 =0,984, az eltérések szórása (RMSE) pedig 1,865 méter. Elképzeléseink szerint első körben a glejes rétegek mélységét az éves nagyvíz felszíntől való távolságával próbáljuk közelíteni. A kutatás során az Agrotopo digitális talajtani adatbázis a glejesedési vizsgálatok szempontjából releváns talajtípusokat jelölő poligonjai adták a statisztikai összehasonlítás alapját.

5 1. ábra. A nagyvíz felszínhez viszonyított átlagos mélysége talajtípusok szerint a vizsgált mintaterületen. A nagyvíz átlagos mélységét ábrázoló diagramról (1. ábra) leolvasható, hogy az Agrotopo poligonjaival lefuttatott statisztikák alapján a szemcseméret befolyása a talajvíz mélységére eléggé szembeötlő. A homokos talajokon a talajvíz kevésbé közelíti meg a felszínt, mint a finomabb frakciók esetén. Megfigyelhető továbbá, hogy a vizsgált típusok közül a csernozjomok esetében van legmélyebben a talajvíz. Ezeknél az interpolált nagyvíz felszín átlagban kb. 2,5 méterre közelítette meg a felszínt, a szemcseméret szerinti különbség nem jelentős. Ezzel magyarázható az, hogy a csernozjom talajok esetében glejfoltok megjelenéséről nagyon ritkán, inkább csak réti csernozjomok esetén beszélhetünk. A talajvíz felszíntől mért távolságának szempontjából a statisztikák szerint a következő lépcsőfokot a réti talajok jelentik. Ezek esetében a nagyvíz átlagban kb. 1,5-2,5 méteres mélységben jelent meg a számított felszínek alapján. Ez kissé meglepő, mivel az elméleti sorban a szikes talajoknak kellene következni a nagyvíz relatív mélységét tekintve, mert a réti talajokat a talajvíz időszakosan majd teljes mélységében átmossa, többek között ezért nem is szikesednek. A szikesek a mély fekvésű területek talajai, kialakulásukban fontos szerepet játszik a magas talajvíz. Esetünkben a statisztikák szerint a nagyvíz átlagban nagyjából 1,3-1,7 méter mélységig közelítette meg szikes talajjal fedett felszíneket. A láptalaj poligonok alatt pedig átlagban 1,4 m mélységig jött fel a nagyvíz a felszínhez képest. Azt azonban hozzá kell tenni, hogy az említett átlagos nagyvíz mélység értékekhez elég jelentős szórás társul. A minimum értékek pedig majd minden esetben negatív számok, amik arra utalnak, hogy a nagyvíz felszín a valós terepmagasság felett fut. Ezek részben lehetnek interpolációs hibák is, ugyanakkor egyes kutak esetében a mért nagyvíz értékek valóban nagyobbak voltak, mint a felszín tengerszint feletti magassága. Az ilyen magas mért talajvíz adatok magyarázhatóak lehetnek az adatbázisban rejlő bizonytalansággal (mérési hibák, elírások), de előfordulhat az is, hogy valósak, és például belvíz elöntésről tanúskodnak

6 2. ábra. A nagyvíz felszínhez viszonyított átlagos mélysége a vizsgált potenciálisan glejes területeken talajtípusok szerint. Ha a potenciálisan glejes területek átlagos nagyvíz mélység statisztikáit nézzük (2. ábra), meglepődve tapasztaljuk, hogy a csernozjomok és a szikes talajok esetében is megfordult a fizikai féleség szerinti eddigi tendencia, és a nagyvíz átlagosan magasabbra emelkedik a homokos talajokon, mint a finomabb szemcseméret mellett. A csernozjom területeken átlagban kb cm re ér fel a nagyvíz szintje, míg a szikesek esetében kb cm-es mélységről beszélhetünk. A réti talajoknál nincs jelentős vízszint különbség, mindkét textúra típus mellett nagyjából 78 cm-re közelíti meg a nagyvíz a felszínt. Meglepő módon a láptalajoknál marad a legmélyebben a nagyvíz felszín, ezeknél csupán kb. 87 cm az átlagos vízmélység. A statisztikákra tekintve a legnagyobb szórás továbbra is a csernozjomok esetén figyelhető meg. 4. KÖVETKEZTETÉSEK A Regression Kriging módszerrel közelített nagyvíz felszínekre készített zonális statisztikák alapján arra a következtetésre jutottunk, hogy a durvább fizikai féleségű talajok esetén a nagyvíz átlagosan kevésbé közelíti meg a felszínt, mint a finomabb frakciók esetében. Az is kiderült, hogy a vizsgált talajtípusok teljes területére nézve a csernozjomoknál volt a legmélyebben az nagyvíz átlagos szintje. Ezt a sorban a réti talajok követték, majd a szikesek, és a láptalajok. Ez a statisztika szembe megy a valósággal, mivel a nagyvíz szintje alapján a csernozjomokat a szikeseknek kellene követniük, majd a rétiek, és a lápok következnének. Ez a különbség valószínűleg az Agrotopo poligonok 1: méretarányából eredő pontatlanságainak számlájára írható. De a pontos okok megtalálása további utánajárást igényel. Azokat a területeket, ahol a nagyvíz legalább 1 méterre megközelítette a felszínt, potenciálisan glejesnek kiáltottuk ki. Az egyes talajtípusok teljes területéhez viszonyítva azt mondhatjuk, hogy a vizsgált durva fizikai féleségű csernozjom poligonok területek mintegy 6%-án valószínűsíthető a glejesedés megjelenése, finomabb szemcseméret mellett pedig mindössze 4%-ban. A

7 homokon kialakult réti talajok poligonjainak 4%-án emelkedik elég magasra a nagyvíz a talajvízhatású glej kialakulásához, finomabb textúránál azonban ez az arány már kb. 20%. Az Agrotopo poligonjai szerint a durva illetve finom frakció mellett kialakult szikes talajok 23, illetve 27%-át teszik ki a feltételezhetően glejes területek míg az eredményeink alapján a láptalaj poligonok 30%-án valószínűsíthető a glejesedés megjelenése a mintaterületen. A kutatás következő lépésében az eredmények valóságtartalmát szeretnénk leellenőrizni, ehhez azonban először terepi munkával gyűjtött kontrol adatokra lesz szükségünk. Az ellenőrzés eredményének függvényében esetleg célszerű lehet a nagyvíz helyett egy alkalmasabb értéket találni a glejes rétegek mélységének közelítéséhez. További kutatási irány lehet vizsgálatok újbóli elvégzése más, pontosabb talajtani adatbázis (pl. Kreybig) felhasználásával. SUMMARY The aim of this research is a GIS based test of the effect of groundwaterlevel fluctuation on the soils in a Hungarian study area. We would like to estimate the appearance of the gleyic colour pattern [1] in the soils using measured high groundwater data of groundwater-monitoring wells, and find relationship between the major soil types, and the groundwater-level fluctuation. The polygons of Agrotopo digital soil database and interpolated high groundwater surfaces were used for the statistical analysis. Eight different interpolation methods were tested (Regression Kriging, Topo to Raster, Spline with Barriers, Inverse Distance Weighting, Radial Basis Functions, Ordinary Kriging, Simple Kriging, Universal Kriging) to find the best-fitting one for our needs. The best results were provided by the Regression Kriging [5], so it was used to predict the high groundwater-level, and the terrain surfaces. The statistical analysis seems to confirm the theory of the effect of the texture on the groundwater-level. The groundwater seems to rise higher on clayey and loamy areas, then on sandy ones. The results of the statistical analysis shows, that 6% of the sandy Chernozem polygons in the study area can have gleyic colour pattern, this proportion is 4% in case of the Chernozem polygons with finer texture, just as in case of sandy Vertisols. 20% of loamy and clayey Vertisol polygons seems to have gleyic colour pattern. This proportion is 23% in case of Salt Effected Soil polygons with coarser texture, and 27% for the finer ones. And only 29% of the area of the used Histosol polygons of the Agrotopo database shows gleyic colour pattern based on the results of the analysis. To define the accuracy of the results, further more comparisons are needed. The described work was carried out as part of the TÁMOP-4.2.2/B-10/ project in the framework of the New Hungarian Development Plan. The realization of this project is supported by the European Union, co-financed by the European Social Fund. KÖSZÖNETNYILVÁNÍTÁS

8 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. IRODALOMJEGYZÉK 1. FAO. World Reference Base for Soil Resources World Soil Rescources Reports No Rome: ISS-ISRIC-FAO, Stefanovits P. Talajtan. Budapest: Mezőgazda Kiadó, VITUKI Kft. Vízrajzi Évkönyv CXI , Budapest: VITUKI Környezetvédelmi és Vízgazdálkodási Kutató Intézet, Sun Z, Kang S, Li F, Zhang L. Comparison of interpolation methods for depth to groundwater and its temporal and spatial variations in the Minqin oasis of northwest China. Environmental Modelling & Software Volume 24 Issue 10. pp Amsterdam: Elsevier Science Publishers B. V Hengl, T.. A Practical Guide to Geostatistical Mapping. Amsterdam: University of Amsterdam, 2009.