DIGITALIS DOMBORZATMODELLEZES HASZNALATÁNAK LEHETŐSÉGEI A TALAJTULAJDONSÁGOK VIZSGÁLATÁBAN

DIGITALIS DOMBORZATMODELLEZES HASZNALATÁNAK LEHETŐSÉGEI A TALAJTULAJDONSÁGOK VIZSGÁLATÁBAN DOBOS ENDRE Miskolci Egyetem, Természetföldrajz-Környezettani Tanszék

A domborzat, mint talajképző tényező jelentős mértékben hozzájárul a talajok fizikai, kémia és biológiai jellemzőinek kialakításához, meghatározva a talajok termőképességét. Ezt a térbeli függést, mely a talajok tulajdonságai és domborzati helyzetük között fennáll, a „katéna" koncepciója is rögzítette. A domborzat egy meghatározott egysége mentén az egyes talajjellemzők esetében megfigyelhető változások „talaj sorokat" hoztak létre, melyek ismerete fontos a talajok helyes használatában. A domborzat, mely elsősorban a lefolyásviszonyokon és a mikroklimatikus tényezők alakításán keresztül fejti ki hatását, a talajban történő oldatáramlás irányításán keresztül hat a talajképződésre. Természetesen a jelenkori talajjellemzők és a domborzati adottságok közötti összefüggés nem mindig érhető tetten, mivel a felszín a legutolsó eljegesedési korzsak óta sok változáson ment keresztül. A mai talajállapot gyakran korábbi geomorfológia környezetben lezajlott fejlődés eredménye. A jelenkori felszínformák ilyenkor is jelentős hatást gyakorolnak a talajképző folyamatokra és rajtuk keresztül a talajképződésre. A talajok termőképességének alakításában kifejtett hatásai is tetten érhetők, melyek elsősorban a vízgazdálkodást, másodsorban pedig a vízgazdálkodási viszonyok által befolyásolt talajtulajdonságokat, többek között a szerves anyag tartalmat és annak összetételét, a kilúgzottság mértékét, a pH-t, a tápanyag tartalmat és a tápanyagionok oldhatóságát, a sótartalmat, valamint a glejesedés mértékét érinti. A hagyományos talajtérképezési alkalmazások a fenti összefüggéseket a terepi munka alappilléreinek tekintették, így a talajfoltok elhatárolásnál a domborzati jellemzők mindig nagy prioritással szerepeltek. A digitális domborzati modellek megjelenésével lehetőség nyílt a korábban feltárt tapasztalati összefüggések kvantitatív átformálására és a domborzat-talaj rendszer kvantitatív modellezésére. A domborzat-modellek használatát alapvetően három oldalról közelíthetjük meg. Az első csoportba a hagyományos módszerekhez nyújtott háttér támogatási alkalmazások tartoznak, amikor a domborzat-modellekét 3 dimenzióban ábrázolva segítjük a domborzati adottságok értelmezését. A második csoportot azok az alkalmazások jelentik, ahol a területet a domborzati adottságok alapján olyan alegységekre tagoljuk, melyeken belül a vizsgált paraméterek egyenletes, becsülhető változásokat mutatnak. Az alkalmazások harmadik csoportjában a domborzatmodellekböl származtatott változókat felhasználva következtetünk egyes talajtani paraméterek konkrét értékeire, térbeli változatosságára.

39

Lábra. Alacska domborzatmodelljére vetített légifotó két nézetből (DDNY és K irányból). A terület K-NY-i legnagyobb átmérője 4.5 km, legnagyobb É-D-i pedig 4 km. Figure 1. Aerial photographies projected onto the digital elevation model of Alacska viewing from South-South-East and Eastern directions. 40

Vizualizalas, a terület láttatása A domborzatmodellek első és talán a hagyományos modellekhez legközelebb álló alkalmazása a terület vizualizálása. Ilyenkor 3 dimenziós modellben jelenítjük meg a felszínt általában mesterséges árnyékolást alkalmazva, miközben a felszínre tematikus állományokat (talajtérképeket, geológiai fedvényeket) vagy légi, illetve űrfelvételeket „vetítünk rá". A tematikus állományok síkban (térképen) való ábrázolása sokszor elfedi a térképi objektumok viszonylagos térbeli helyzetét, amiből egyébként a terepi felmérő lényeges információkhoz juthatna. A 3 dimenziós megjelenítés gyakran segít a térbeli és domborzati összefüggések értelmezésében. Az 1. ábrán a borsodi Alacska község közigazgatási területének domborzat modelljére vetített légifotó eltérő nézőpontból való ábrázolásai láthatóak. A 2. ábrán megfigyelhetők a területhasználat domborzati összefüggéseit, valamint a talaj poligonok domborzati egységekhez való illeszkedésének szabályait. Ebben a szakaszban elsősorban szubjektív megállapítások tehetők. Természetesen már ezen a szinten is megvannak az egyszerű kvantitatív modellalkotás lehetőségei, amikor az egyes talaj-poligonokat vagy más típusú tematikus állományok poligonjait egyenként kezelve jellemezni tudjuk az általuk lefedett terület domborzati paramétereit, azok értékeloszlását, átlagát, illetve egyéb statisztikai jellemzőt. Az ilyen alap statisztikai jellemzések sokszor segítenek a domborzat és a vizsgált tematikus állományok összefüggéseinek jellemzésében.

2. ábra. Alacska domborzatmodelljére vetített genetikus talajtérkép. Figure 2. Genetic soil map projected onto the digital elevation model of Alacska 41

Digitális domborzatmodellekből származtatott domborzat leíró változók Digitális domborzati modellekből számos domborzati jellemző származtatható, amelyek a talaj képződést befolyásolják. A talajtani szakirodalom elsődleges és másodlagos jellemzőkként csoportosítja a származtatott paramétereket (1. táblázat). Az elsődleges jellemzők a direkt módon mérhető domborzati, geomorfológiai jellemzőket fedik , mint például a lejtőszázalék (3. ábra) vagy a relief energia (4 ábra). A másodlagos jellemzők, amelyek két vagy több elsődleges jellemzőből származtathatók, általában már folyamatokat írnak le, a felszíni vizek áramlásának és a besugárzásnak a domborzat által létrehozott térbeli szerkezetét számszerűsítik. Ide sorolható a 5. ábrán bemutatott felszíntagoltsági állomány is. Talajtani paraméterek becslésére, mindkét csoport elemei használhatóak. A domborzat komplexitása talán ebben az összefüggésben a legérthetőbb. Azok az összetett domborzati jellemzők, amiket a terepi munka során a felvételező beépít mentális modelljébe, most apró összetevőikre esnek szét. A sikeres modell futtatás érdekében ezeket a szegmenseket úgy kell egymás mellé rakni, hogy azok összessége egyre inkább közelítsen a domborzat funkcionális szerepéhez és a szignifikáns tulajdonságok jelenjenek meg a modellben.

3. ábra. Alacska község területének DDM-je (alul) és lejtőszázalékos állománya (fent) Figure 3. The 3D DEM and slope coverage of Alacska 42

4.ábra. Alacska község területének DDM-je (alul) és reliefenergia állománya (fent) Figure 4. The 3D DEM and relief energy coverage of Alacska

5. ábra. Alacska község területének DDM-je (alul) és felszíntagoltsági állománya (fent) Figure 5. The 3D DEM and surface dissection coverage of Alacska 43

A talajok vízgazdálkodási tulajdonságainak térbeli eloszlását leginkább a domborzati tényezők, a talajok fizikai és kémiai jellemzői és a klimatikus hatások befolyásolják. Wood E.F:et al. (1990) azt találta, hogy a talajok fizikai tulajdonságai sokkal kisebb mértékben változnak a térben, mint a domborzat, így a domborzat hatása lesz a leginkább domináns tényező a vízgazdálkodási viszonyok alakításában. Természetesen ez a megállapítás a mi alföldi viszonyainkra nem mindig állja meg a helyét, de egy jó felbontású domborzatmodell által szolgáltatott információ mindenképpen szükségszerű a hatékony modellezéshez.

A domborzatmodellek felhasználási lehetőségei a terület talajképzó'dési szempontból egységesnek tekinthető' domborzati egységekre való felosztásában A domborzatmodellek használatának másik alapvető területe a vizsgált talajparaméter szempontjából egységes, hirtelen-ugrásszerű változásoktól mentes területeinek elhatárolása, melyeken belül a változók térbeli alakulása a kívánt szignifikancia szint megtartása mellett becsülhető. Ezt az eljárást hívja az angol szakirodalom „stratification"-nek, vagyis a domborzati, geomorfológiai egységek elhatárolásának. Ez egy előfeldolgozási lépés, amit a tulajdonképpeni adatszármaztatás követ, de ekkor már csak a domborzati egység keretein belül dolgozva. Ez a megközelítés gyakorlatilag a hagyományos talaj térképezési elvekkel analóg, amikor a domborzat adott, homogén egységét elhatárolva alakítják ki a talajtérkép poligonhálózatát, majd az egyes poligonokhoz talajasszociációkat rendelnek, megjelölve az uralkodó, a viszonylag még nagyobb részarányt képviselő társult, illetve a kis területi kiterjedéssel rendelkező, apró foltszerű megjelenést mutató talajtípusokat. Ez a térképezési elv nálunk inkább csak a kis méretarányú, nemzetközi adatbázisoknál jelenik meg, nagy méretarányú térképek esetén csak az uralkodó talajtípusokat tüntetik fel. Az USA megyei szintű, legrészletesebb talaj térképei viszont ezt az elvet követik. A terület domborzati tagolásának több lehetséges útja van. Ezek közül a legalapvetőbb a hagyományos kézi elhatárolás, melyben a domborzatmodellek inkább csak a vizuális megjelenítésnél hasznosulnak. Itt viszont sokkal több információt adnak, mint a hagyományos sztereoszkópos elhatárolás, mert nemcsak a domborzat és a felszínborítás információi segíthetik az elhatárolást, hanem egyéb tematikus állományok is, amelyek áttetsző poligonhálózatát a 3 dimenziós felszínre vetítettük.

44

/• táblázat. Domborzat-modellekből származtatható felszínleíró változók Elsődleges domborzati jellemzők számítása Tengerszint feletti magasság A pont feletti lejtőoldal átlagos magassága A pont feletti lejtőoldal átlagos lejtése A pont alatti lejtőoldal átlagos lejtése A vízgyűjtőterület átlagos lejtése A pont relatív helyzete

Megadott területen belül azon pontok előfordulása, százalékos kiterjedése, amelyek a vizsgált pontnál alacsonyabbak

Lejtő %

Lejtő irányú lejtőprofil

Konkavitás, illetve konvexitás mértéke

Table 1. Terrain variables derived from DEM Rövidítések Jelentősége csapadék mennyiség, hőmérsékleti viszonyok, helyzeti energia, vegetáció helyzeti energiák felszíni vizek áramlási sebessége, eróziós ráta, vízháztartás eróziós ráta, erodált anyagok lerakása, lejtőhordalék képződés, ráfolyó víz mennyisége, beszivárgás és a felszíni lefolyás aránya, erózió, helyzeti energia, relief energia, eróziós és felhalmozási területek.

felszíni és felszín alatti vizek lefolyás! sebessége, beszivárgási arány, besugárzás és párologtatás, erodálódás, talajnedvesség­ tartalom, vízháztartás, vegetáció gyorsuló vagy lassuló felszíni lefolyás, eróziós képesség, lejtőhordalék képződés, vízhatás, kőzettípus, termőréteg vastagság

Az 1-cs táblázat folytatása Continuation of Table 1. Lejtőre merőleges irányú lejtöprofil Konkavitás, illetve konvexitás mértéke

Tangenciális lejtöprofil

Lejtőre merőleges irányú lejtöprofil szorozva a lejtéssel

A pontkoz tartozó vízgyűjtő terület Lejtöhossz Helyi erózióbázistól való távolság Helyi erózióbázis feletti magasság Kitettség

Másodlagos domborzati jellemzők Nedvességi index (Wetness index Wl v. Compound Topographic Index: CTI)

In (A / tan ß)

felszíni és felszín alatti vizek összefolyása vagy szetaramlása, vízhatás csökkenése, illetve erősödése, eróziós és feltöltődő területek elhatárolása vizek összefolyása vagy szetaramlása, folyási sebesség, vízhatás csökkenése, illetve erősödése, eróziós és feltöltődő területek elhatárolása ráfolyó víz mennyisége, beszivárgás és a felszíni lefolyás aránya, erózió lefolyó víz felgyorsulása, sebessége, anyagszállítás, terjedési sebesség anyagszállítás, terjedési sebesség, vízhatás, talajvíz mélysége eróziós ráta, helyzeti energia, talaj hőháztartás, potenciális evapotranspiráció, csapadék mennyisége, talajok vízháztartása, vegetáció

A: vízgyűjtő Hidromorf bélyegek, talaj telítettség állapot, terület; katéna modell ß: lejtő fokokban

Az l-es táblázat folytatása Continuation of Table 1. Vízfolyás energia index (Stream log (A * S) Power Index: SPI) Vízfolyás közelségi index (Drainage Proximity Index: DPI)

(E d r /P d r )*100

Összegyűjtött ráfolyási index (Accumulated Flow Index: AFI)

Adr / E d r

Üledék szállító képesség indexe (Sediment Transport Capacity Index: STCI) Felszíni vízfolyás hálózat

(A/22.13)°- 6 *(sinS/0,0896) U3

Felszíntagoltsági mutató (Potential drainage density: PDD)

Adott értéknél nagyobb "vízgyűjtőjű" képelemek Vízfolyás cellák adott területre eső száma

A: vízgyűjtőterület; S: lejtő fokokban

Eróziós ráta, lejtőhordalék képződés, talajképző kőzet, felszíni lefolyás, beszivárgás Edr: Helyi erózióbázis Talajvíz mélysége, hidromorfitás, szervesanyag mennyisége, eróziós és feletti magasság, felhalmozódási folyamatok becslése P d r : Helyi erózióbázistól való távolság Edr: Helyi erózióbázis Eróziós hatás, vízháztartás, talajmélység, feletti magasság, Adr :a legközelebbi vízfolyásszakaszhoz tartozó vízgyűjtő nagysága A: vízgyűjtő terület; Eróziós-felhalmozódási folyamatok S: lejtő százalék jellemzése Talajképző kőzet tulajdonságai, vízháztartás, klíma Hidromorf területek elhatárolása, feltöltődő területek és eróziós területek szétválasztása, kőzettípus, termőréteg vastagság, szervesanyag tartalom.

A domborzati tagolás másik lehetséges útja az, hogy ismert domborzati jellemzők tartományait osztályokba soroljuk és ezeket a tematikus fedvényeket egymással fedésbe hozva alakul ki a végleges poligonhálózat, melynek minden egyes poligonja egy jellemző domborzati egységet tartalmaz. Ilyen megközelítéssel találkozunk a SOTER (SOil and TERrain digital database) adatbázis esetében is (van Engelen, V. W. P. 1995). Természetesen konkrét kritériumok alkalmazása esetén már domborzatmodellek alkalmazása a célszerű eszköz, melyek segítségével cella szinten származtathatjuk a keresett domborzati jellemzőt. így sokkal jobb és megbízhatóbb térbeli felbontást kapunk. Az egyes tematikus állományokat osztályozás után vektorizálhatjuk, poligonrendszert készíthetünk belőle, vagy grid formátumban hagyva dolgozhatjuk tovább fel a tematikus szinteket, fedvényeket. Alább egy olyan példa található, amely a SOTER útmutatót követve digitális domborzati modellekből származtatja a geometriai adatbázis poligonrendszerét, amelyhez a későbbi lépésekben talajadatokat tartalmazó attribútum vagy leíró adatbázist rendeljük hozzá.

SOTER minta munka A SOTER munkában az volt a cél, hogy digitális domborzati modellek alkalmazásával olyan kvantitatív módszert alakítsunk ki a SOTER adatbázis létrehozására, amelynek használatával egy tartalmilag és geometriailag koherens adatbázis hozható létre. A munkához 1 km2-es cella felbontású domborzatmodellt használtunk. Az első fázisban a SOTER útmutató kvalitatív megfogalmazásait kellett kvantitatív osztályokba sorolni. Kis méretarányú adatbázisról lévén szó a következő felszínleíró állományok származtatására volt szükség: relief energia, tengerszint feletti magasság, felszíntagoltság és lejtés. Az osztályok (kategóriák) jelentésére és a megoldandó technikai problémákra e munkában nem térek ki, mivel itt a módszertan alapelemeit szeretném csak bemutatni. Az egyes domborzati jellemzők származtatásának módszertanát és a változók jellemzőit a későbbi fejezetekben részletezem. A módszertani útmutató alapján meghatározott tematikus állományokat a digitális domborzatmodellből származtattuk. Ez a módszer nagy felbontású környezeti állapotjellemzést tesz lehetővé, a domborzat tulajdonságait is cella alapon számítja és értelmezi. Természetesen egyes változók esetében az adott cella értéke nem csak a vizsgált ponra, hanem a cellával, mint geometriai középponttal jellemzett területre vonatkozik. Maga a módszertan általában nem függ a cella terepi felbontásától, ugyan azok az algoritmusok és lépések állnak rendelkezésre a cellák manipulálására. Jelen példa által bemutatott módszer talaj-termőképességi vizsgálatok esetében is alkalmazható. Természetesen az eredmények értékelésében és megbízhatóságában jelentős különbségeket tapasztalunk. Az ilyen típusú megoldásoknál, amikor a domborzatmodell és a belőle előállított állományok csak köztes lépéseket jelentenek és a végtermék vektoros formában készül el, gyakran okoz gondot a használható poligonrendszerbe való átalakítás. Mivel a cellák értékei, illetve besorolási osztályai egyenként kerülnek kialakításra, ezért az átmeneti jellemzőkkel bíró területeken gyakran pontok „kusza keverékét" látjuk, ahol nehéz megállapítani a két osztály közötti átmenet határát. Pontokként való megtartása ellen pedig általában az szól, hogy területük a megengedhető és még ábrázolható legkisebb alatt van. 48

Az átmeneti terület meghatározására természetesen vannak átlagoló eljárások, amelyeknek lényege, hogy az algoritmus egy meghatározott nagyságú szomszédsági körön belül megvizsgálja a cellák osztályait és a központi cellának olyan osztályértéket ad, ami a környező cellák többségének van. Ezzel a módszerrel homogenizálható az állomány, és az apró, egy-két cellás szigetszerű területek beolvaszthatóak többségi környezetükbe. Ez természetesen a pontatlanság szükségszerű emelkedését eredményezi. Hasonló és talán hatékonyabb megoldás az, amikor a döntéseinket a cellaértékek egy nagyobb területegységen belüli gyakoriságának alapján hozzuk. Ekkor egy általunk választott nagyobb cellacsoporton belül vizsgáljuk meg az egyes osztályok gyakoriságát és a legnagyobb osztálygyakorisági értékkel jellemzett osztályt rendeljük a központi cellához. Ez a módszer helyesen megválasztott, az átmeneti területek szélességét figyelembe vevő területnagyság esetén már vektoros környezetben is könnyedén kezelhető határokat hoz létre. A 6-10. ábra az ilyen módon létrehozott tematikus domborzati állományokat ábrázolja az USA középnyugati államaira. Az így kialakított és letisztázott fedvényeket aztán fedésbe hozzuk, és az egymásra vetített poligonrendszert egyesítjük, kialakítva a négy domborzati jellemzőt egységesen figyelembe vevő homogén domborzati egységeket, amelyeken belül a talajtulajdonságok értékei is meghatározható határok között mozognak. A 10. ábra mutatja az egyesített poligonrendszert és a poligonokhoz rendelt uralkodó talajtípusokat a World Reference Base (WRB) szerinti osztályozásban (FAO, 2002). A terület domborzati alapon történő tagolásának természetesen más módszerei is léteznek. Abban az esetben, ha nem áll rendelkezésre olyan osztályozási kategória rendszer, mint pl. a bemutatott SOTER tanulmány esetén, és ezt valamilyen okból nem is tudjuk létrehozni, akkor megpróbálkozhatunk a területek automatizált osztályozásával. Itt széljegyzet szerűen kell megemlíteni, hogy a DDM használata nyilvánvalóan digitális környezetben történik. Ettől a pillanattól kezdve egzakt, matematikai-statisztikai műveletekkel dolgozható fel a DDM, és belőle elsődleges és másodlagos domborzati információk származtathatók. Ezek az adatok felhasználhatók többek között diszkrét és folytonos osztályozási, regressziós vagy diszkriminancia analízis algoritmusok bemenő változóiként. Sokszor nem ismerjük azokat a konkrét kvantitatív összefüggéseket, amelyek segíthetnének az osztályok kialakításában. Ekkor folyamodhatunk automatizált osztályozási algoritmusokhoz. Természetesen ezek az algoritmusok is intenzív alkalmazói segítségre szorulnak egyes paraméterek beállítását tekintve. A módszer alapvetően a klaszter analízis elvét követi, ami az adatok eloszlása alapján statisztikai osztályokat képez, és ez alapján osztályozza újra az adatokat. A DDM-ből elsődleges és másodlagos topográfiai változókat képezhetünk (lásd alább), amelyeket aztán egyszerre, egy adatbázisként dolgozhatunk fel. Minden domborzati változót egy bementi változóként kezelve viszonylag komplex képet adhatunk a terület domborzati jellemzőiről. Ezen az adatbázison aztán ismert klaszteranalízis algoritmusokat, mint az ISODATA (TOU J.T. ÉS GONZALEZ R.C. 1974) vagy a „fuzzy-k-means" (MCBRATNEY, A.B. ÉS GRUIJTER, J.J. 1992) futtathatunk. A kapott osztályokat aztán hagyományos módon a terepi és szakmai ismeretek alapján kell értelmezni, az osztályokat elnevezni és a kívánt jellemzőkkel felruházni.

49

osztály 1 2 3 4 6 7 8 9

Reliefenergia <50m <50m <50m <50m >50m >50m >50m >50m

Tengerszintfeletti magasság 0-300 m 300-600 m 600-1500m 1500-3000 m 0-200 m 200-400 m 400-600 m 600-1500 m

6. ábra. A tengerszintfeletti magasság osztályai a SOTER módszertani útmutató szerinti beosztásban az USA középnyugati államainak területére. Figure 6. The hypsometry classes derived from DEM according to the SOTER procedure for the Midwestern states of the U.S.

Viz Ím n«,n térképezett terület

0-2% 2-6% 5-B% B-15%

7. ábra. A lejtőkategóriák százalékos formában az USA középnyugati államainak területére. Figure 7. The slope classes derivedfrom DEM according to the SOTER procedure for the Midwestern states of the U.S.

ábra. A felszíntagoltság poligonrendszere az USA középnyugati államainak területére. (I: KEVÉSSÉ TAGOLT, 2: TAGOLT, 3: ERŐSEN TAGOLT) Figure 8. The surface dissection classes derived from DEM according to the SOTER procedure for the Midwestern states of the U.S. 51

9. ábra. A relief energia értékek az USA középnyugati államainak területére m/50km~-es egységben. Figure 9. The relief energy classes derived from DEM according to the SOTER procedure for the Midwestern states of the U.S.

10. ábra. A tematikus domborzati jellemzők poligonrendszereinek egyesítéséből kialakult, a talajképződés szempontjából egységesnek tekinthető fedvény az uralkodó talajtípusok feltüntetésével (WRB hivatalos rövidítéseit használva). Figure 10. The SOTER polygon structure with the dominant soils types (according to the WRB codes) 52

Ezek a módszerek sokat „mesélnek" a terepi adottságok és domborzati egységek jellemzőiről. Statisztikai átlagokat, szórást és kovariancia értékeket számít az egyes domborzati változókra, amelyek objektíven mutatják az osztályok közötti tényleges különbségeket. VENTURA S.J. ÉS IRVIN, B.J. (2000) munkája ad összefoglaló képet ezen eszközök használatáról.

Talajtani jellemzők származtatása és térbeli kiterjesztése digitális domborzati modellek segítségével. Talajtani jellemzők származtatására a gyakorlati talajtan területén gyakran van szükség a terepi adatgyűjtés és a laborvizsgálatok magas költségei miatt. Az adatszármaztatás sokszor könnyen hozzáférhető, olcsó talaj-, vagy más olyan környezeti változó alapján történik, amely ismert összefüggést mutat a keresett paraméterrel. A domborzati jellemzők számos talajtulajdonsággal mutatnak szoros statisztikai összefüggést, így ezek használata nagy lehetőséget jelent a talaj változók becslésében. Pont adatok kiterjesztésének lehetőségei között három alapvető módszert különböztethetünk meg. Az első a hagyományos eljárás, amikor a térképező saját tudása és mentális modellje alapján húzza meg a határokat. Ebben az esetben DDM csak mint a terepi vizualizálás eszköze jelenik meg. A másik lehetőség a geostatisztikai eszközök alkalmazása. A geostatisztikai eljárások alapja a térbeli függőség távolságának kvantitatív mérése. A függés erősségének figyelembe vételével súlyozza a megbecsülendő pont környékének adatait és ezekből számol súlyozott átlagot. E módszer hátránya, hogy a vizsgált terület egészére ugyanazt a távolság függést feltételezi, ezért használata csak a hirtelen „törésektől", változásoktól mentes, egységes területeken belül engedhető meg. További hátránya, hogy érzékeny a mintavételi pontok elhelyezkedésére. Random mintavételezés esetén a mintavételi pontokban szegény területeken a minták súlya saját „tényleges" súlyuk felé emelkedhet és torzíthatja a becslést hirtelen kiugró, vagy csökkenő értékeket produkálva. Ilyenkor érdemes olyan külső változókat segítségül hívni, amelyek a térbeli változás törvényszerűségeit legalább részben magyarázzák és segítik kiküszöbölni a fentebb említett hibákat. A domborzati információkkal megtámogatott kokrígelés egy potenciális út, amely segíthet a becslési pontosság javításában. A nemzetközi szakirodalomban az elmúlt időszakban a krígelés eljárásai némileg háttérbe szorultak. Ennek oka elsősorban a domborzatmodellek megjelenésével magyarázható. A DDM-ből származtatott változók önmagukban képesek a domborzat jellemzésére és ezáltal a vizsgált talajtani paraméter térbeli függőségének domborzati alapon történő magyarázatára. A talajképződés folyamatának legfontosabb tényezője a szelvényen keresztül történő vízáramlás, melynek horizontális és vertikális összetevői határozzák meg a szelvényen belüli talajszintek és az eltérő domborzati helyzetben található szelvények, pedonok közötti oldatáramlást, ezáltal az anyagtranszportot, a felhalmozódási és elszegényedési zónákat, illetve a talajképződés egyéb körülményeit a hidromorfitástól a felszíni eróziós folyamatokig. A felszíni és felszín alatti vízáramlás jellemzőit a domborzat és a mikroklíma határozza meg, amelyet a DDM-ből származtatott változók egész sora jellemez. Ezeket a változókat előállítva olyan, térben folytonos állományt hozhatunk létre, amelyek független vagy becslő változói lehetnek a kiterjeszteni kívánt talajtani jellemzőnek. Ha tényleges statisztikai összefüggés van a vizsgált talajjellemző és a 53

domborzati paraméterek között, akkor egy regressziós egyenletet létrehozva a teljes felszínre kiterjeszthetjük a terepi adatokat.

Talajtani változók becslése lineáris regresszióval Terepi fúrási adatok térbeli kiterjesztése a nem mért pontokra mindig a térképezés és kutatás legalapvetőbb módszertani kérdései között szerepelt. A térbeli inter- és extrapoláció részben szubjektív módon (a térképező agyában) történik meg, vagy a geostatisztika, a krígelés módszereit alkalmazva valósul meg. A krígelés az egyetlen olyan kvantitatív módszer, amely figyelembe veszi a térbeli kapcsolatokat és a becslésnél nagyobb hangsúlyt helyez a térben közelebb álló pontok adataira, és képes térbeli trendeket figyelembe venni az interpolációnál. Abban az esetben viszont, amikor ezek a trendek térben nem egyenletesen jelennek meg, hanem egy mozaikos tér egymástól statisztikailag is eltérő egységein belül, a krígelés módszere sem képes a térbeli variabilitás adekvát jellemzésére. Másodlagos, térben folytonos adatforrások használatával ezek a problémák sokszor enyhíthetők. Ilyen másodlagos adatforrások lehetnek a légi- és az űrfelvételek, valamint a digitális domborzati modellek, ha ezek térbeli eloszlása a talajok, talajtulajdonságok térbeli eloszlásával jól korrelál. Ez a térbeli kapcsolat bizonyított, szakcikkek egész sora foglalkozik ezekkel az adatforrásokkal, és próbál determinisztikus összefüggéseket találni a talajváltozók és a 2. Táblázat. Az öt mért talajjellemzőhöz számított módosított determinációs együtthatók és a hozzájuk tartozó regressziós egyenletek Table 2. The R2 values and the regression equations for the five estimated soil parameters. R (determinációs Regressziós egyenlet Célváltozó koefficiens) =-215,206+0,232TM20,594 PH 0,129TM3+0,665CURVPROF+0,003939ASPECT+0 , 166D AFE2+0,251DAFE1 +0,452CURVPLAN =-1839,4+2,732DAFE8+0,788DAFE 1 • 0,317 DEPTH 0,457HRPCA2+0,0459PDD 0,235 SOMKG M2 =-767,455+0,04459PDD+0,267HRTM20,137SLOPE+1,483DAFE5 SOM --5,757+0,02316DEM-0,346CURV-0,378HRPCA4 0,505 =118,973+0,141TM3+0,701 CURVPROF0,38 PH KCL 0,237DAFE6 DEPTH: humuszos réteg mélysége; SOMKGM2: szervesanyag tartalom kg/m -ben kifejezve; SOM: talaj szervesanyag tartalom tömegszázalékban; PHJK.CL: KCl-es pH; Aspect: Kitettség; CURV: felszínforma; CURVPROF: lejtő irányú felszínforma; CURVPLAN: lejtőre merőleges felszínforma; EM: tengerszint feletti magasság; DD: felszíntagoltsági mutató; SLOPE: lejtés; TM2-3: Landsat TM 2-es és 3-as csatorna; DAFE1,2,5,6,8: Diszkriminancia analízissel transzformált Landsat csatornák; HRTM2: nagy felbontásra feljavított Landsat 2-es csatorna; HRPCA2,4: nagy felbontásra feljavított fökomponens analízissel transzformált állomány 2. és 4. csatornája.

54

REGRESSZIÓ ANALÍZIS

KRIGELÉS SZERVES ANYAG TARTALOM % • 000»-1 o»rj WAÍ 31 WIM?

O

! 0**4 ? "340

O

36?H-50lt»

Q

50uP-7»M

Uí>

I ! <2(M$J

1 Lábra. A krigelés és a regresszió analízis eredményeinek összevetése a szerves anyag % alapján. A szürke körök a mért pontok laborvizsgálati eredményeit mutatják. Figure 11. The comparison of the estimated soil organic matter values derived from kriging and regression analysis. The grayish circles show the actual measured values. Scatterplot Dependent Variable: SOM

Regression Adjusted (Press) Predicted Value

12. ábra. A mért (SOM) és a regressziós egyenlet által becsült (Regression Adjusted Predicted Value) szerves anyag tartalom értékek összevetése. Figure 12. The scatterplot of the actual and estimated soil organic matter values. 55

KRÍGELÉS

REGRESSZIÓ ANALÍZIS

Mélység (cm) 17

0

e •

O

IÍ

30

0

31

55

o

56 100

13. ábra. A krígelés és a regresszió analízis eredményeinek összevetése a humuszos szint mélysége alapján. A szürke körök a mért pontok értékeit mutatják. Figure 13. The comparison of the estimated depths of the humic horizon values derived from kriging and regression analysis. The grayish circles show the actual measured values. Scatterplot Dependent Variable: DEPTH

X 10-1 CL

Q

0 -10

0

10

Regression Adjusted (Press) Predicted Value

14. ábra. A mért (DEPTH) és a regressziós egyenlet által becsült (Regression Adjusted Predicted Value) humuszos szint mélység értékek összevetése. Figure 14. The scatterplot of the actual and estimated depth of the humic horizon. 56

KRIGELES

REGRESSZIÓ ANALÍZIS

15. ábra. A krígelés és a regresszió analízis eredményeinek összevetése a talaj pH esetében. A szürke körök a mért pontok laborvizsgálati eredményeit mutatják. Figure 15. The comparison of the estimated pH values derived from kriging and regression analysis. The grayish circles show the actual measured values.

Scatterplot Dependent Variable: PH

Regression Adjusted (Press) Predicted Value

16. ábra. A mért (PH) és a regressziós egyenlet által becsült (Regression Adjusted Predicted Value) talaj pH értékek összevetése. Figure 16. The scatterplot of the actual and estimated soil pH values. 57

fentebb felsorolt digitális adatok között. Az alábbi mintapéldában megkíséreltem bemutatni a krígelés és a távérzékelési adatok, valamint a digitális domborzat-modellekből származtatott változók regresszió analízisen keresztül történő alkalmazását Alacska közigazgatási területére. A regresszió analízis eredményeit a 2. táblázat, valamint a 11-16. ábra mutatja A táblázat R2 értékei jól mutatják, hogy ezek a modellek, melyek digitális domborzat-modellekből, valamint Landsat ETM csatornákból származtatott független változókat használtak, csak részben voltak képesek az adatok szóródását megmagyarázni. A pH-t valamint a talaj szervesanyag % varianciájának több mint 50 százalékát magyarázta meg a modell, míg a másik 3 mért változó esetében ez az érték megközelítőleg 23, 31 és 38 % körül mozgott. Meg kell jegyezni, hogy a modell és a talajváltozók összefüggése minden esetben szignifikánsak voltak. A vizsgált terület mind a talajképző kőzet, mind a területhasználat szempontjából igen nagy tarkaságú, amelyet a domborzat és a Landsat felvételek csak kis mértékben magyarázták. Ezeket a tényezőket is be kell illeszteni a modellbe a nagyobb pontosság elérése érdekében. A Landsat alapcsatornák közül a zöld és a piros csatornát, a 15 méteres felbontású zöld csatornát, a PCA második és negyedik csatornáját, valamint a DAFE 1, 2, 5, 6 és 8-as csatornáit választotta ki a „stepwise" regresszió. A domborzati jellemzők közül a tengerszint feletti magasság, lejtés, kitettség, felszíntagoltság és a lejtőre merőleges, lejtőirányú és komplex felszínalak mutatói szerepeltek az egyenletekben. Alap megállapításként elmondható, hogy a krígelés eljárása viszonylag sok hibával volt terhelt. Hirtelen és indokolatlan kiemelkedések illetve, gödrök jelentkeztek a tematikus állományok felszínein (pH, szervesanyag tartalom stb.), amelyek egyes helyi, kiugróan magas, illetve alacsony értékek „túlsúlyozásának" eredményei. Magas súlyozási értékek sajnos sokszor „elviszik" az értékeket a reálistól. Ilyen viszonylag magas súlyozás pedig gyakran előfordulhat, ha térben nem egyenletesen, hanem szabálytalan, véletlenszerű mintavételezést alkalmazunk. Ekkor a térben ritkábban álló pontok irreálisan nagy súlyt kaphatnak. A krígelés másik hibája az általánosított, teljes területre érvényes variogramm, mely nem feltételez lokális eltéréseket. Ennek az eredménye az a viszonylag egyenletes, átmenetes becsült értékeloszlás, ami elfedi a helyi változatosságot. A regresszióval létrehozott állományok a térbeli variabilitás jellemzőiről sokkal részletesebb képet adnak, amik jól követik a felszín jellemzőit és azok függvényében becslik a változók értékét. Sajnos mindkét becslési eljárásnak hibájaként hozható fel a becsült értékek intervallumainak torzulása.

Domborzati modellek használata a gyakorlatban A talajok vízgazdálkodási tulajdonságai és a domborzati tényezők között fennálló kapcsolat sokszor igen bonyolult összefüggésekre vezethető vissza. Ezeket az összefüggéseket direkt leíró változókkal sokszor nehezen lehet kezelni, mert nem feltétlenül a számértékek, hanem ezek relatív alakulása határozza meg a folyamatok irányultságát. Ezért találunk 58

másodlagos, folyamatleíró változókat olyan sokszor a sikeres alkalmazásoknál. Természetesen az elsődleges változók jelentős része is szolgál értékes információkkal, különösen akkor, amikor viszonylagosság a területen belül egzakt módon leírható. A domborzat által irányított felszíni és felszín alatti vízmozgás iránya határozza meg a talajban jelenlévő víz mennyiségét, a beszivárgás mennyiségét és a talajszintek kialakulását. A domborzat egyike a legmeghatározóbb tényezőknek, amelyek a beszivárgás mélységét és a kialakuló szintek vastagságát, elhelyezkedését meghatározza. A beszivárgás mellet a lejtőmenti áramlások jelentik azt a másik meghatározó folyamatcsoportot, amely többek között a tömegmozgásokat, szervesanyag felépülési és átalakulási folyamatokat, oldott anyagok lejtőirányú szállítási folyamatait, azok felhalmozódását, illetve a talajrendszerből való eltávolítását meghatározzák. Domborzati adatokat gyakran használnak talajszintek (FLORINSKY I.V. ÉS ARLASHINA H.A. 1998, BELL J.C. et al. 1994), talajszelvény (MCKENZIE N.J. AND RYAN P.J. 1999) illetve az A-szint mélységének becslésére (GESSLER P.E. et al. 1995, BELL J.C. et al. 1994, MOORE I.D. et al. 1993). DOBOS E. et al. (1997) talajok hidromorfitásának vizsgálatára használt domborzatmodelíből származtatott állományokat. ODEH I.O.A. et al. (1994) a talajszelvény mélységét, a szilárd kőzet mélységét, a feltalaj kavicstartalmát és a B-szint agyagtartalmát próbálta domborzati paraméterek segítségével becsülni. A regressziós egyenletben a lejtő %, a lejtőre merőleges irányú lejtőprofil és a lejtőirányú lejtőprofil, az adott ponthoz tartozó vízgyűjtő és lejtőhossz természetes logaritmusa változókat használva 45-75%-os egyezést talált. Kimagasló egyezést kaptak a talajfelszín kavicstartalmára, míg a másik három érték '50%-os hasonlóságot mutatott a referencia adatokkal. A modellek általában 50-60%-ban magyarázták a meg a vizsgált mélység-adatok térbeli variabilitását. A talajok vízháztartási jellemzői erősen kötődnek a domborzati helyzethez. Konvex felszínek általában szárazabbak, kilúgzottabbak, vízhatástól mentesek, míg a konkáv felszínek esetében sokkal valószínűbb a hidromorf tulajdonságok megjelenése. Ezért a talajok hidromorf jellege és vízgazdálkodási tulajdonságai viszonylag nagy pontossággal becsülhetők digitális domborzatmodellek segítségével. A DDM alkalmazások jelentős, meghatározó része is ebben a témakörben született (BELL J.C. et al. 1992, THOMPSON J.A. et al. 1997, CHAPLOT V. et al. 2000, DOBOS E. et al. 2000). A modellek pontossága is nagyobb volt, az átlagos teljesítmény 70-80 % körül mozgott. A leggyakrabban alkalmazott domborzati változók a lejtés, felszínforma, nedvességi index, és a felszíntagoltsági mutatók voltak. A talajok szerves anyag tartalma szorosan korrelál a talajnedvesség mennyiségéhez és a felszín humuszban gazdag rétegeinek lejtőirányú elmozdulásához, az eróziós és felhalmozódási folyamatokhoz. Mindkét tényező erősen domborzat függő. A leggyakrabban használt változók a szerves anyag becslésre a nedvességi index, PDD (DOBOS E. et al., 1997), felszínforma, lejtés és a ponthoz tartozó vízgyűjtő terület nagysága voltak. A vizsgált paraméterek direkt vagy indirekt módon becsülték a szerves anyag tartalmat az A-szint vastagságával (MCKENZIE NJ.és RYAN P.J. 1999, GESSLER P.E. et al. 2000), a talaj ossz szerves anyag tartalmával (MOORE et al. 1993), illetve a feltalaj szén tartalmának becslésével (ARROUAYS D. et al. 1998, CHAPLOT V. et al. 2001). Az átlagos modell teljesítmény ebben a témakörben 50-70 % körül mozgott.

59

Domborzat modelleket komplexebb talajjellemzők, mint például a talajosztályozási kategóriák származtatása is alkalmaztak (THOMAS A.L. ct al. 1999, DOBOS E. et al. 2000, 2001). Ezek a modellek 70-80 %-ban magyarázták a talajtípusok térbeli variabilitását. Egyéb kémiai és fizikai jellemzők becslésére is találunk példákat, mint a pH és az oldható foszfor tartalom, (MOORE I.D. et al. 1993, MCKENZIE N.J. és RYAN P.J. 1999), szervetlen N, tömegszázalékban kifejezett nedvességtartalom (Lark R.M. 1999), feltalaj agyagtartalom (DE BRUIN S. és STEIN A. 1998), fizikai féleség becslésére (MOORE I.D. etal. 1993).

Összefoglalás A fenti adatokból egyértelműen látszik, hogy a domborzati jellemzők használata a talajtérképezésben és a talajparaméterek statisztikai, geostatisztikai úton történő becslése minden esetben viszonylag jó eredményt mutat. A regressziós becslések és a referencia állományok általában 50%-os egyezést mutattak, amelyek közül a hidromorf tulajdonságok becslési sikeressége emelkedik ki a 60-70%-os hasonlósági értékekkel. Ezek az eredmények nem meglepőek, mert a vízhatás alatt képződött talajok jelentős részénél a domborzati tényezők eredményeképpen lép fel időszakos vagy tartós vízhatás, így az öt talajképzö tényező közül a domborzat ebben az esetben kitüntetett szereppel bír. Más a helyzet a többi talajjellemezönél, ahol a domborzat jelleg alakító szerepe viszonylag alacsonyabb. Itt az R2 értékek már csak 0,5 körüliek. Mégis, jobban belegondolva ezen értékek jelentésébe, kitűnik, hogy a domborzat felel a térbeli változatosság legalább feléért, így a domborzati, felszínalaktani jellemzők beépítése a modellekbe mindenképpen szükségszerű. Tovább javíthatja a modell hatékonyságát más talajképző tényezők direkt vagy indirekt beépítése, mint pl. a légi- és űrfelvételek hozzáadása a modellhez. Ezek az adatforrások a növényzet állapotán keresztül utalnak a klímára, részben a talaj képző kőzetre és természetesen az élővilág milyenségére. Ezeket a tényezőket együtt kezelve sokkal komplexebb modellt kaphatunk, amelynek hatékonysága 80-90%-ot is elérheti (DOBOS E. et al. 2000). Summary The potential use of digital elevation modeling in estimating soil parameters This paper summarizes the use digital elevation models (DEM) in soil characterization. The referenced studies have shown the promising potential of this data source in soil survey and mapping and in soil parameter estimation employing statistical, geostatistical approaches. The comparison between the results of the regressions and the reference data shows that DEM can explain about half of the natural spatial variability of the studied soil parameters. In case of the estimation of hydromorphic features the reduction in spatial deviation can reach a value of 60-70%. This is not a surprise, because terrain is the most influential soil forming factor responsible for temporal or permanent water logging and water saturation. Other types of soil parameters show weaker correlation with terrain attributes. In general, the R~ values are around 0,5. These values may sound less significant, but still explain 60

about half of the spatial variability of many of the soil parameters. Thus, the inclusion of terrain attributes into the models estimating the distribution of soil features in space is necessary to reach good correlation and reliable results. The integration of other types of digital data sources - like satellite images or aerial photographs - can further improve the accuracy and the model performance.

Irodalom Arrouays, D.- Daroussin J.- Kicin J.C. - Hassika, P. 1998. Improving topsoil carbon storage prediction using a digital elevation model in temperate forest soils of France. Soil Science, 163, 103-108. o. Bell, J.C- Cunningham, R.L.-. & Havens, M.W. 1992. Calibration and validation of a soillandscape model for predicting soil drainage class. Soil Science Society ofAmerica Journal, 56,1860-1866.0. Bell, J.C. - Cunningham, R.L.- Havens, M.W. 1994. Soil drainage class probability mapping using a soil-landscape model. Soil Science Society of America Journal, 58, 464470. o. Chaplot V.- Walter, C. - Curmi, P. 2000. Improving soil hydromorphy prediction according to DEM resolution and available pedological data. Geoderma, 97,405-422. o. Chaplot, V. - Bernoux, M. -Walter C- Curmi, P. - Herpin, U. 2001. Soil carbon storage prediction in temperate forest hydromorphic soils using a morphologic index and digital elevation model. Soil Science, 166,48-60. o. de Bruin, S. - Stein, A. 1998. Soil-landscape modeling using fuzzy c-means clustering of attribute data derived from digital elevation model (DEM). Geoderma, 83, 17-33. o. Dobos, E. - Micheli, E. - Baumgardner, M.F. 1997. Digitális magassági modellek és a felszín-tagoltsági mutató használata kis méretarányú talajtérképezésben. Agrokémia és Talajtan. Tom. 46. No. 1-4. Pp. 311-325. o. Dobos E. - Montanarella, L. - Negre, T. - Micheli E. 2001. A regional scale soil mapping approach using integrated AVHRR and DEM data. International Journal of Applied Earth Observations and Geoinformation. 3:30-42. o. Dobos, E.- Micheli, E.- Baumgardner, M.F.- Biehl L. - Helt, T. 2000. Use of combined digital elevation model and satellite radiometric data for regional soil mapping. Geoderma, 97,367-391.0. FAO, 2002. World reference base for soil resources. Eorld soil resources reports, 84. FAO, Rome. Florinsky, I. V. - Arlashina, H.A. 1992. Quantitative topographic analysis of gilgai soil morphology. Geoderma, 82, 359-380. o. Gessler, P.E. - Chadwik, O.A .- Chamran, F.- Althouse L.,- Holmes, K. 2000. Modeling soil-landscape and ecosystem properties using terrain attributes. Soil Science Society of America Journal, 64, 2046-2056. o. Gessler, P.E.- Moore, I.D.- McKenzie, N.J. - Ryan, P.J. 1995. Soil landscape modeling and spatial prediction of soil attributes. International Journal of Geographical Information Systems, 9,421-432.0.

61

Lark, R.M. 1999. Soil-landform relationships within-field scales: an investigation using continuous classification. Geoderma, 92, 141-165. o. McBratney, A.B. - J.J de Gruijter. 1992. A continuum approach to soil classifiaction by modified fuzzy k-means with extragrades. Journal of Soil Science. 43:159-175. o. McKenzie, N.J. - Ryan, P.J. 1999. Spatial prediction of soil properties using environmental correlation. Geoderma, 89, 67-94. o. Moore, I.D. - Gessler, P.E.- Nielsen, G.A. - Peterson, G.A. 1993. Soil attribute prediction using terrain analysis. Soil Science Society of America Journal, 57, 443-452. o. Odeh LOA. - Mcbratney, A.B. - Chittleborough D.J. 1994. Spatial prediction of soil properties from landform attributes derived from a digital elevation model. Geoderma, 63: 197-214.0. Thomas, A.L.- King; D.- Dambrine, E.- Couturier, A. - Roque, J. 1999. Predicting soil classes with parameters derived from relief and geologic materials in a sandstone region of the Vosges mountains (Northeastern France). Geoderma, 90, 291-305. o. Thompson, J.A.- Bell, J.C. - Butler, C.A. 1997. Quantitative soil-landscape modeling for estimating the aerial extent of hydromorphic soils. Soil Science Society of America Journal, 61,971-980.o. Tou, J.T. - R.C Gonzalez. 1974. Pattern recognition principles. Reading, MA. AddisonWesley, USA, van Engelen, V.W.P. - Wen, T.T. 1995. Global and National Soils and Terrain Databases (SOTER). ISRIC, Wageningen, Hollandia Ventura, S.J. - lrvin, B. J. 2000. Automated landform classification methods for soillandscape studies. In: Terrain Analysis, Principles and applications. (Eds. J.P. Wilson és J.C. Gallant). John Willey & Sons Inc. New York. Wood, E.F.- Sivapalan, M. - K.J. Beven. 1990. Similarity and scale in catchment storm response. Reviews in Geophysics, 28:1-18. o.

62