نقشه‌برداری رقومی خاک

جهان با تقاضاهای روزافزون برای غذا، آب و انرژی و همچنین با چالش‌های حیاتی محیطی مانند تغییر اقلیم و تخریب سرزمین روبرو است. اطلاعات دقیق و به‌هنگام از خاک برای پرداختن به این مسائل جهانی و تضمین مدیریت پایدار منابع حیاتی خاک سیاره ما امری ضروری است. در گذشته، پیمایش‌های سنتی خاک (Traditional Soil Surveys)، با وجود ارزشمند بودن، به دلیل هزینه‌بر و زمان‌بر بودن و همچنین محدودیت‌های اجرایی در مناطق صعب‌العبور، با موانعی مواجه بودند. در پاسخ به این چالش‌ها، یک رشته علمی تحول‌آفرین با عنوان نقشه‌برداری رقومی خاک (Digital Soil Mapping – DSM) پدیدار شد. DSM به عنوان تولید به کمک رایانه نقشه‌های رقومی از کلاس‌ها و/یا خصوصیات خاک تعریف می‌شود که تغییرات مکانی و زمانی آن‌ها را از طریق مشاهدات خاک، دانش موجود و متغیرهای محیطی مرتبط با استفاده از مدل‌های عددی استنتاج می‌کند. این رویکرد نوین، ارائه اطلاعات غنی‌تر، دقیق‌تر و از نظر عملیاتی کارآمدتر درباره خاک را نوید می‌دهد و به سنگ بنای تصمیم‌گیری‌های آگاهانه در علم خاک و فراتر از آن تبدیل شده است.

نقشه‌برداری رقومی خاک چیست؟

نقشه‌برداری رقومی خاک (DSM) که اغلب نقشه‌برداری پیش‌بینانه خاک (Predictive Soil Mapping) نیز نامیده می‌شود، یک چارچوب استوار است که از فناوری‌های پیشرفته رقومی، داده‌های مکانی (Geospatial Data) و روش‌های آماری برای ایجاد نقشه‌های دقیق و با جزئیات از خصوصیات و کلاس‌های خاک در مناظر گوناگون بهره می‌برد. این رویکرد، نمایانگر یک تحول چشمگیر در نحوه توصیف منابع خاک است که از روش‌های سنتی و اغلب ذهنی به سمت رویکردهای کمّی و تکرارپذیر (Quantitative and Reproducible Approaches) حرکت کرده است.

تکامل و پارادایم‌ها

سیر تکامل نقشه‌برداری خاک با تلاش‌های اولیه برای شناسایی اراضی مناسب کشاورزی در اواسط قرن هجدهم آغاز شد. یک تغییر نگرش فلسفی از مدل‌سازی کیفی به مدل‌سازی کمّی خاک-منظر (Quantitative Soil-landscape Modeling)، که ناشی از نیاز به اطلاعات دقیق‌تر، صحیح‌تر و بی‌طرفانه‌تر از خاک بود، شتاب گرفت.

مدل‌های مفهومی کلیدی زیربنای DSM را تشکیل می‌دهند:

• تابع تشکیل خاک جنی (S = f(clorpt…)): این تابع پیشنهاد می‌کند که خاک در طول زمان در نتیجه تعامل عوامل گوناگون تشکیل می‌شود: اقلیم (climate – cl)، موجودات زنده (organisms – o)، پستی‌وبلندی (relief – r)، ماده مادری (parent material – p) و زمان (time – t). این تابع، مبنای مفهومی درک الگوهای خاک-منظر را فراهم می‌کند.
• مدل SCORPAN: این مدل که توسط مک‌براتنی و همکاران (۲۰۰۳) معرفی شد، ایده‌های جنی را در یک چارچوب تجربی کمّی مناسب برای نقشه‌برداری رقومی، رسمی‌سازی کرد. SCORPAN یک سرواژه برای عوامل کلیدی زیر است: خاک (soil)، اقلیم (climate)، موجودات زنده (organisms)، پستی‌وبلندی (relief)، ماده مادری (parent materials)، عمر (age) و موقعیت مکانی (spatial position).
• مدل STEP-AWBH: این مدل که توسط گرونوالد و همکاران (۲۰۱۱) ارائه شد، با گنجاندن صریح خصوصیات آب (Water Properties – W) و عوامل تحمیلی انسان‌زاد (Human-induced Forcings – H)، چارچوب مذکور را بیش از پیش تقویت می‌کند. این افزوده‌ها، عوامل انسانی را در نظر گرفته و مدل‌سازی تکامل و تغییرات خاک در طول زمان را تسهیل می‌نمایند.

DSM مشاهدات میدانی، تحلیل‌های آزمایشگاهی و مشاهدات نزدیک خاک را با روش‌های کمّی پیشرفته یکپارچه می‌سازد تا الگوهای مکانی خاک‌ها را در مقیاس‌های مختلف استنتاج کند. برخلاف پیمایش‌های سنتی خاک که به شدت بر دانش ضمنی پیمایشگران تکیه دارند، روش‌شناسی‌های قابل سنجش در DSM، خروجی‌های سازگارتر و تکرارپذیرتری را تضمین می‌کنند.

اجزا و فناوری‌ها در نقشه‌برداری رقومی خاک

DSM از مجموعه متنوعی از منابع داده، روش‌های تحلیلی و فناوری‌های پیشرفته برای تولید اطلاعات جامع خاک بهره می‌گیرد:

• داده‌های مکانی: DSM اساساً به انواع مختلف داده‌های مکانی، از جمله ارتفاع، اقلیم، پوشش گیاهی و مشاهدات موجود خاک، متکی است. مدل‌های رقومی ارتفاع (Digital Elevation Models – DEMs) منابع اطلاعاتی ثانویه حیاتی برای پیش‌بینی خصوصیات و کلاس‌های خاک هستند. این مدل‌ها برای استخراج ویژگی‌های توپوگرافیک (Terrain Attributes) ضروری مانند شیب، انحنا و جهت شیب که متغیرهای کمکی (Covariates) مهمی در مدل‌های پیش‌بینی خاک محسوب می‌شوند، به کار می‌روند.
• تصاویر سنجش از دور: این تصاویر، شامل داده‌های فراطیفی (Hyperspectral) و چندطیفی (Multispectral) از ماهواره‌ها (مانند Landsat, ASTER, Sentinel-2, Quickbird)، منبعی امیدبخش برای برآورد خصوصیات مختلف خاک نظیر مقدار رس، کربنات کلسیم، ماده آلی، رطوبت، شوری و مواد مغذی فراهم می‌کنند. با این حال، اندازه‌گیری مستقیم خصوصیات خاک از طریق سنجش از دور، عموماً به سطح خاک و به‌ویژه در مناطق با خاک لخت محدود می‌شود.
• حسگرهای خاک (سنجش نزدیک خاک – PSS): این فناوری‌ها کسب داده‌های مکانی و زمانی خاک را به صورت کارآمد و مقرون‌به‌صرفه امکان‌پذیر می‌سازند. PSS می‌تواند طیف گسترده‌ای از متغیرهای کمکی و همچنین ویژگی‌های شیمیایی، فیزیکی، بیولوژیکی و کانی‌شناسی را مستقیماً در مزرعه یا بر روی نمونه‌های خاک اندازه‌گیری کند. مورفومتریک رقومی خاک (Digital Soil Morphometrics – DSMorph) یک زیرشاخه تخصصی است که بر توصیف کمّی و عینی ویژگی‌های پروفیل خاک تمرکز دارد. این حوزه از ابزارها و تکنیک‌هایی مانند اسکن لیزری، فلورسانس اشعه ایکس و تحلیل تصویر برای کمّی‌سازی خصوصیاتی که ممکن است با چشم غیرمسلح قابل تشخیص نباشند، استفاده می‌کند و توابع عمقی پیوسته (Continuous Depth Functions) برای مشخصه‌های خاک ارائه می‌دهد.
• داده‌های پیشین خاک و همسان‌سازی (Legacy Soil Data and Harmonization): نقشه‌ها و پایگاه‌های داده موجود خاک (مانند SOTER, EUSIS, Harmonized World Soil Database (HWSD), Canadian Soil Information System (CanSIS), National Soil Data Base (NSDB)) برای طرح‌های DSM بسیار ارزشمند هستند. این داده‌ها می‌توانند برای بهبود مدل‌های DSM و نوسازی داده‌های موجود به کار روند. با این حال، داده‌های پیشین به دلیل تفاوت در زمان جمع‌آوری، فرمت‌ها، استراتژی‌های نمونه‌برداری، روش‌های آزمایشگاهی و سیستم‌های طبقه‌بندی در مناطق و کشورهای مختلف، چالش‌هایی را به همراه دارند که نیازمند همسان‌سازی (Harmonization) دقیق است.
• روش‌های آماری و یادگیری ماشین: DSM بر طیف گسترده‌ای از روش‌های کمّی، از جمله آمار تک‌متغیره و چندمتغیره، تکنیک‌های زمین‌آماری و مدل‌های ترکیبی تکیه دارد. کاربردهای یادگیری ماشین (Machine Learning – ML) و هوش مصنوعی (Artificial Intelligence – AI) در علوم خاک، به‌ویژه در DSM و برای توسعه توابع پدوترانسفر (Pedotransfer Functions)، عمدتاً برای اهداف پیش‌بینی، غالب شده‌اند. الگوریتم‌های رایج ML شامل کریجینگ رگرسیونی (Regression Kriging – RK)، جنگل تصادفی (Random Forest – RF)، شبکه‌های عصبی مصنوعی (Artificial Neural Networks – ANN)، درختان تصمیم (Decision Trees – DT)، ماشین‌های بردار پشتیبان (Support Vector Machines – SVM) و یادگیری عمیق (Deep Learning) هستند.
• منطق فازی (Fuzzy Logic) و سامانه‌های خبره (Expert Systems) نیز برای نمایش خاک به عنوان یک پیوستار و برای تلفیق دانش کیفی متخصصان در فرآیندهای نقشه‌برداری استفاده می‌شوند.یک جنبه حیاتی DSM، ارزیابی دقیق خطا و عدم قطعیت (Uncertainty) است که همراه با برآوردهای خاک ارائه می‌شود و شفافیت لازم را در مورد کیفیت نقشه‌های رقومی خاک فراهم می‌کند.

کاربردهای نقشه‌برداری رقومی خاک

تطبیق‌پذیری DSM امکان کاربردهای گسترده‌ای را فراهم آورده و به طور قابل توجهی به حوزه‌های مختلف کمک می‌کند:

• مدیریت پایدار سرزمین: DSM اطلاعات ضروری را برای تصمیم‌گیری‌های آگاهانه در مورد کاربری و مدیریت اراضی فراهم می‌کند که در نهایت به افزایش بهره‌وری کشاورزی، کاهش تخریب خاک و تسهیل تلاش‌های احیای خاک منجر می‌شود.
• پرداختن به مسائل محیطی: این حوزه نقشی حیاتی در مقابله با نگرانی‌های مبرم محیطی، از جمله تخریب سرزمین، تغییرات اقلیمی جهانی، امنیت آب، امنیت غذایی، انرژی و تنوع زیستی ایفا می‌کند. نقشه‌برداری کربن آلی خاک (Soil Organic Carbon – SOC Mapping) به دلیل ارتباط آن با سیاست‌های تغییر اقلیم و تلاش‌های ترسیب کربن (Carbon Sequestration)، یک کانون توجه مهم است.
• کشاورزی دقیق و مدیریت ویژه‌مکان: DSM کاربرد دقیق نهاده‌ها را هدایت می‌کند، به اصلاح خاک‌های مشکل‌دار کمک کرده و در انتخاب مناسب‌ترین محصولات برای مناطق خاص یاری می‌رساند.
• مدل‌سازی هیدرولوژیکی: این رویکرد ورودی‌های حیاتی مرتبط با خاک را برای مدل‌های هیدرولوژیکی فرآیندمحور فراهم می‌کند و درک ما از حرکت و دسترسی آب در مناظر را بهبود می‌بخشد.
• طرح‌های جهانی و قاره‌ای: پروژه‌های بزرگ بین‌المللی تأثیر DSM را نشان می‌دهند: GlobalSoilMap.net یک طرح پیشرو با هدف ایجاد یک نقشه رقومی جدید و یکپارچه از خاک جهان با تفکیک مکانی ۹۰×۹۰ متر است که خصوصیات کارکردی اولیه خاک و برآوردهای عدم قطعیت مرتبط با آن را ارائه می‌دهد. این طرح توسط کنسرسیومی جهانی از مراکز تحقیقاتی و سازمان‌ها پشتیبانی می‌شود. سایر پایگاه‌های داده مهم جهانی و قاره‌ای خاک عبارتند از: SoilGrids، Harmonized World Soil Database (HWSD)، Soil and Terrain Digital Database (SOTER) و European Soil Information System (EUSIS).
• نقشه‌برداری خصوصیات خاک ویژه: DSM برای نقشه‌برداری طیف گسترده‌ای از ویژگی‌های خاک، از جمله بافت (شن، سیلت، رس)، pH، ظرفیت تبادل کاتیونی (CEC)، نیتروژن کل، رطوبت، ماده آلی و عمق خاک استفاده می‌شود.

چالش‌ها و جهت‌گیری‌های آینده و حال در نقشه‌برداری رقومی خاک

با وجود پیشرفت‌های چشمگیر DSM، چندین چالش همچنان پابرجا هستند که مسیر حال و آینده آن را شکل می‌دهند:

• کمبود و کیفیت داده‌ها: علی‌رغم پیشرفت‌های فناورانه، مجموعه داده‌های خاک واقعاً بزرگ و جامع اغلب کمیاب هستند و داده‌های پیشین ممکن است دارای محدودیت‌هایی باشند که بر دقت مدل تأثیر می‌گذارند. تأکید مستمر بر جمع‌آوری داده‌های شناسایی خاک (Reconnaissance Soil Data) جدید، به جای اتکای صرف به داده‌های موجود، امری حیاتی است.
• ایجاد پل میان پژوهش و عملیات: نیاز مستمری برای پر کردن شکاف بین مدل‌های پژوهشی پیچیده و پیشرفته با برنامه‌های نقشه‌برداری عملیاتی ساده‌تر و کاربردی‌تر وجود دارد. بسیاری از مطالعات پژوهش‌محور، با وجود پیچیدگی کمّی، گاهی فاقد تفسیرهای پدولوژیکی (Pedological Interpretations) لازم برای پذیرش گسترده توسط متخصصان اجرایی هستند.
• قابلیت تفسیر و یکپارچه‌سازی دانش خاک: یک نگرانی عمده این است که کاربردهای فعلی هوش مصنوعی/یادگیری ماشین در DSM اغلب دقت پیش‌بینی را بر قابلیت توضیح ترجیح می‌دهند که منجر به ایجاد مدل‌های جعبه سیاه (“Black Box” Models) می‌شود. تلاش‌های آینده باید بر یکپارچه‌سازی دانش موجود خاک — شامل اصول ضمنی، مفهومی و فیزیکی — در مدل‌های هوش مصنوعی/یادگیری ماشین متمرکز شود تا اعتبار، شفافیت و قابلیت تعمیم آن‌ها افزایش یابد. این امر منجر به توسعه حوزه یادگیری ماشین آگاه از علم خاک (Soil Science-Informed Machine Learning – SoilML) شده است.
• ابعاد مکانی و زمانی: DSM باید به گونه‌ای تکامل یابد که اجسام سه‌بعدی خاک را، فراتر از خاک سطحی و تا لایه‌های زیرین، در بر گیرد و الگوهای پویای زمانی و تکامل خاک را به طور مؤثر لحاظ کند.
• یکپارچه‌سازی داده‌های چندمنبعی: همسان‌سازی و ادغام داده‌ها از منابع گوناگون، از جمله داده‌های پیشین، نمونه‌های جدید خاک، سنجش نزدیک و از دور و حتی مشارکت‌های مردمی (citizen science)، یک وظیفه پیچیده اما حیاتی برای نقشه‌برداری با تفکیک مکانی بالا باقی می‌ماند.
• فناوری‌ها و رویکردهای نوین:
  • هوش مصنوعی (AI) و یادگیری ماشین (ML) به پیشرفت‌ها ادامه خواهند داد، با تأکید روزافزون بر SoilML برای گنجاندن دانش خاک و قوانین فیزیکی به طور مستقیم در مدل‌های پیش‌بینی.
  • پردازش زبان طبیعی (Natural Language Processing – NLP) پتانسیل عظیمی برای استخراج و رقومی‌سازی داده‌های کیفی تاریخی خاک از گزارش‌ها و برای خلاصه‌سازی حجم وسیعی از متون علمی جهت فراتحلیل‌ها دارد.
  • انتظار می‌رود رباتیک و سامانه‌های چندحسگری نقش فزاینده‌ای در جمع‌آوری کارآمد داده‌ها و توصیف جامع خاک ایفا کنند.
  • مفهوم دوقلوهای رقومی خاک (Soil Digital Twins) در حال ظهور است که در آن فنوتیپ‌سازی خاک مبتنی بر هوش مصنوعی و الگوریتم‌های یادگیری ماشین، در ترکیب با سامانه‌های استنتاج خاک، می‌توانند نحوه تکامل خصوصیات خاک را تحت شرایط مختلف پیش‌بینی کنند.

نتیجه‌گیری

نقشه‌برداری رقومی خاک (DSM) ارزیابی منابع خاک را در سراسر جهان عمیقاً متحول کرده و از یک حوزه عمدتاً پژوهش‌محور به یک کاربرد عملیاتی ضروری تبدیل شده است. این رویکرد، اطلاعات کمّی و دقیقی از خاک را در تفکیک مکانی بالا، همراه با برآوردهای عدم قطعیت حیاتی، فراهم می‌کند که برای مدیریت پایدار سرزمین و مقابله با چالش‌های مبرم جهانی مانند تغییر اقلیم و امنیت غذایی بسیار ضروری است.

آینده DSM شامل یکپارچه‌سازی عمیق‌تر فرآیندهای مکانیکی خاک (Mechanistic Soil Processes) در مدل‌های پیش‌بینی، بهبود مستمر کیفیت داده‌ها و افزایش قابلیت تفسیر الگوریتم‌های پیچیده هوش مصنوعی/یادگیری ماشین خواهد بود. بهره‌گیری بیشتر از پیشرفت‌ها در هوش مصنوعی، پردازش زبان طبیعی و فناوری‌های چندحسگری، امکان ایجاد ارزیابی‌های جامع‌تر و عینی‌تر از خاک را فراهم خواهد آورد. در نهایت، تکامل DSM فراتر از نقشه‌برداری صرف خصوصیات خاک رفته و ارزیابی کل‌نگر کارکردهای خاک (Holistic Assessment of Soil Functions) و خدمات اکوسیستمی (Ecosystem Services) حیاتی را در بر خواهد گرفت و تصمیم‌گیرندگان را برای ایجاد یک رابطه حقیقتاً پایدار با پوسته زنده سیاره ما توانمند خواهد ساخت.

منابع کلیدی

Boettinger, J. L., Howell, D. W., Moore, A. C., Hartemink, A. E., & Kienast-Brown, S. (Eds.). (2010). Digital soil mapping: Bridging research, environmental application, and operation. Springer Dordrecht. https://doi.org/10.1007/978-90-481-8863-5

Dash, P. K. (2024). Remote sensing as a potential tool for advancing digital soil mapping. In S. Dharumarajan, S. Kaliraj, K. Adhikari, M. Lalitha, & N. Kumar (Eds.), Remote sensing of soils (pp. 357–370). Elsevier. https://doi.org/10.1016/B978-0-443-18773-5.00021-1

Grunwald, S. (Ed.). (2005). Environmental soil-landscape modeling: Geographic information technologies and pedometrics (1st ed.). CRC Press. https://doi.org/10.1201/9781420028188

Hartemink, A. E., McBratney, A., & de Lourdes Mendonça-Santos, M. (Eds.). (2008). Digital soil mapping with limited data. Springer Dordrecht. https://doi.org/10.1007/978-1-4020-8592-5

Hartemink, A. E., & Minasny, B. (Eds.). (2016). Digital soil morphometrics. Springer Cham. https://doi.org/10.1007/978-3-319-28295-4

Kalambukattu, J. G., Kumar, S., & Roy, T. (2024). Digital soil mapping using geospatial data and machine learning techniques. In H. Bonakdari & S. J. Gumiere (Eds.), Intelligence systems for earth, environmental and planetary sciences (pp. 335–378). Elsevier. https://doi.org/10.1016/B978-0-443-13293-3.00014-2

Malone, B., Arrouays, D., Poggio, L., Minasny, B., & McBratney, A. B. (2023). Digital soil mapping: Evolution, current state and future directions of the science. In M. J. Goss & M. Oliver (Eds.), Encyclopedia of soils in the environment (2nd ed., pp. 684–695). Academic Press. https://doi.org/10.1016/B978-0-12-822974-3.00130-0

Minasny, B., Bandai, T., Ghezzehei, T. A., Huang, Y.-C., Ma, Y., McBratney, A. B., Ng, W., Norouzi, S., Padarian, J., Rudiyanto, Sharififar, A., Styc, Q., & Widyastuti, M. (2024). Soil science-informed machine learning. Geoderma, 452, 117094. https://doi.org/10.1016/j.geoderma.2024.117094

Minasny, B., & McBratney, A. B. (2025). Machine learning and artificial intelligence applications in soil science. European Journal of Soil Science, 76, e70093. https://doi.org/10.1111/ejss.70093

Zhang, G.-L., Brus, D., Liu, F., Song, X.-D., & Lagacherie, P. (Eds.). (2016). Digital soil mapping across paradigms, scales and boundaries. Springer Singapore. https://doi.org/10.1007/978-981-10-0415-5

Zinck, J. A., Metternicht, G., del Valle, H. F., & Angelini, M. (Eds.). (2023). Geopedology: An integration of geomorphology and pedology for soil and landscape studies. Springer Cham. https://doi.org/10.1007/978-3-031-20667-2

Wadoux, A. M. J.-C. (2025). Artificial intelligence in soil science. European Journal of Soil Science, 76, e70080. https://doi.org/10.1111/ejss.70080

توجه: «این مقاله به‌صورت مداوم به‌روزرسانی شده و در صورت لزوم، اصلاحات و بهبودهای لازم نیز در آن اعمال می‌شود.»

---

Summary

Digital Soil Mapping describes a transformative discipline, also known as predictive soil mapping, which employs computer-assisted methods to produce digital maps of soil classes and properties, inferring their spatial and temporal variations using numerical models, soil observations, existing knowledge, and environmental variables. This approach emerged in response to the limitations of traditional soil surveys, aiming to provide richer, more precise, and operationally efficient soil information for sustainable management and decision-making. The evolution of soil mapping shifted from qualitative to quantitative soil-landscape modeling, underpinned by conceptual models such as Jenny’s Soil-Forming Function, the SCORPAN Model, and the STEP-AWBH Model, which integrates water and human forcings. DSM leverages diverse components including geospatial data (like DEMs and remote sensing imagery), proximal soil sensors (PSS), digital soil morphometrics (DSMorph), and legacy soil data (e.g., SOTER, EUSIS, HWSD), which require careful harmonization. It heavily relies on statistical and Machine Learning (ML) methods, including Regression Kriging, Random Forest, and Deep Learning, as well as Fuzzy Logic and Expert Systems, with a crucial focus on assessing error and uncertainty. DSM’s versatility supports sustainable land management, addresses environmental issues like climate change (e.g., Soil Organic Carbon mapping), facilitates precision agriculture, informs hydrological modeling, and underpins global initiatives like GlobalSoilMap.net, while mapping specific soil properties such as texture, pH, and organic matter. Despite its advancements, challenges remain, including data scarcity, bridging research with operational practices, and enhancing the interpretability of “black box” AI/ML models by integrating soil knowledge (leading to Soil Science-Informed Machine Learning – SoilML). Current and future directions involve extending DSM to three-dimensional and temporal dimensions, integrating multi-source data, and utilizing new technologies like Artificial Intelligence, Natural Language Processing for historical data, robotics, multi-sensor systems, and the emerging concept of soil digital twins. Ultimately, DSM has become an essential operational application, providing nuanced, quantitative soil information with uncertainty estimates crucial for sustainable land management and addressing global challenges, with a future focus on integrating mechanistic processes, improving data quality, and assessing holistic soil functions and ecosystem services.