Εφαρμογή γεωστατιστικών μεθόδων στην εκτίμηση εδαφικών ιδιοτήτων γεωργικών εδαφών με τη χρήση Γεωγραφικών Πληροφοριακών Συστημάτων

Abstract

Η χρήση γεωστατιστικών μεθόδων για τη βελτίωση της χαρτογράφησης εδαφικών ιδιοτήτων έχει μέχρι σήμερα εφαρμοσθεί σε αρκετές περιπτώσεις. Οι γεωστατιστικές μέθοδοι ordinary kriging, isotopic cokriging, heterotopic cokriging, καθώς και τρεις παραλλαγές της μεθόδου regression-kriging (model I, model II, model III) μαζί με τη μη γεωστατιστική μέθοδο της πολλαπλής παλινδρόμησης εφαρμόσθηκαν σε δεδομένα επιφανειακής αργίλου, ιλύος και άμμου σε περιοχή της Δυτικής Μεσσηνίας. Σε όλες τις μεθόδους εκτός από την ordinary kriging στις επεξεργασίες εισήχθησαν τοπογραφικές ιδιότητες που ελήφθησαν από το Ψηφιακό Μοντέλο Υψομέτρου (Digital Elevation Model) της περιοχής. Η μέθοδος cross-validation καθώς επίσης και ένα ανεξάρτητο σύνολο σημείων χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας των αποτελεσμάτων των μεθόδων πρόβλεψης. Η αξιολόγηση των μεθόδων στηρίχθηκε στις τιμές του δείκτη Root Mean Square Error (RMSE). Τα αποτελέσματα έδειξαν ότι η χρησιμοποίηση τοπογραφικών ιδιοτήτων βελτίωσε τη χωρική παρεμβολή ενώ η μέθοδος regression-kriging (model II) αξιολογήθηκε ως η καλύτερη.

The spatial correlation between surface clay, sand and silt content and terrain attributes was used for the improvement of the prediction of the surface clay, sand and silt content in a region of West Messinia prefecture. The geostatistical methods ordinary kriging, isotopic cokriging, heterotopic cokriging, regression-kriging model I, regression-kriging model II, regression-kriging model III and multi linear regression were applied to surface clay, silt and sand content data in the area of West Messinia. The terrain attributes were derived from the Data Elevation Model (DEM) of the area which was produced for the needs of this work. The effectiveness of the methods was compared using the cross-validation method as well as using an independent set of points. The accuracy of the results produced was based on the calculation of the Root Mean Square Error index. The results showed that the Regression-kriging model II method surpasses the others in the prediction accuracy.