A glejes talajrétegek megjelenésének becslése térinformatikai módszerekkel Dr. Dobos Endre, Vadnai Péter Miskolci Egyetem Műszaki Földtudományi Kar Földrajz Intézet VIII. Kárpát-medencei Környezettudományi Konferencia 2012. Április 19.
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.
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
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
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.
TALAJTÍPUS CODE COUNT MIN MAX RANGE MEAN STD Láptalajok 1 24089-0,333 4,731 5,064 1,422 0,763 Csernozjom, durva szemű 2 201582-1,956 7,930 9,886 2,509 1,065 Csernozjom, finom szemű 3 545140-1,878 8,335 10,213 2,433 1,219 Szikes, durva szemű 4 20997-0,008 3,523 3,531 1,667 0,722 Szikes, finom szemű 5 401824-1,044 7,193 8,237 1,247 0,416 Réti, durva szemű 6 140685 0,159 7,799 7,639 2,452 0,911 Réti, finom szemű 7 635714-1,511 6,939 8,450 1,533 0,676
TALAJTÍPUS CODE COUNT MIN MAX RANGE MEAN STD Láptalajok 1 7165-0,333 1,000 1,333 0,866 0,137 Csernozjom, durva szemű 2 12524-1,956 1,000 2,956 0,734 0,208 Csernozjom, finom szemű 3 21995-1,878 1,000 2,878 0,796 0,216 Szikes, durva szemű 4 4811-0,008 1,000 1,008 0,637 0,168 Szikes, finom szemű 5 108451-1,044 1,000 2,044 0,824 0,133 Réti, durva szemű 6 5570 0,159 1,000 0,841 0,790 0,137 Réti, finom szemű 7 126290-1,511 1,000 2,511 0,771 0,156
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 1 24089 195121000 58036500 29,74 Csernozjom, durva szemű 2 201582 1632810000 101444000 6,21 Csernozjom, finom szemű 3 545140 4415630000 178160000 4,03 Szikes, durva szemű 4 20997 170076000 38969100 22,91 Szikes, finom szemű 5 401824 3254770000 878453000 26,99 Réti, durva szemű 6 140685 1139550000 45117000 3,96 Réti, finom szemű 7 635714 5149280000 1022950000 19,87
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)
Köszönetnyilvánítás A tanulmány/kutató munka a TÁMOP-4.2.2/B-10/1-2010-0008 jelű projekt részeként az Új Magyarország Fejlesztési Terv keretében az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg.
Köszönöm a megtisztelő figyelmet!