Cuprins

Chapter 1 Metode de eșantionare în pedologie ............................................................................ 2

1.1.Eșantionarea întâmplătoare a probelor .................................................................................. 2
1.2.Eșantionarea intâmplatoare stratificată ................................................................................. 4
1.3.Eșantionarea în două etape ..................................................................................................... 5
1.4. Eșantionajul preferențial ........................................................................................................ 5
1.5. Eșantionarea sistematică ........................................................................................................ 6
1.6.Eșantionarea sistematică sub formă de toposecvență sau catenă (transect) ......................... 8
1.7. Densitatea punctelor ............................................................................................................... 9
Chapter 2 Harta pedologică ......................................................................................................... 11
2.1. Harta solurilor....................................................................................................................... 11
Numărul poligoanelor în funcție de scara hărții ........................................................................ 16
2.2. Hărţile pedologice la scară mare (1:10.000) ........................................................................ 16
2.3. Erorile în achiziţia hărţilor clasice....................................................................................... 17
2.4. Hărțile tematice ..................................................................................................................... 20
Chapter 3 Covariatele, instrument pentru cartografierea și evaluarea unor proprietăți ale
solurilor .......................................................................................................................................... 23
3.1. Ortofotoplanul ....................................................................................................................... 23
3.2. Modelul numeric al terenului (MNT) și hărțile derivate .................................................... 28
3.2.1. Harta pantelor 31
3.2.2. Curbura versanților 32
3.2.3. Indicele de umiditate 33
3.3. LiDAR .................................................................................................................................... 34
3.4. Imaginile satelitare ............................................................................................................... 36
3.4.1. Tehnici de transformare a datelor 42
3.4.2. Utilizarea clasificărilor pentru evaluarea unor proprietăți ale solurilor 45
3.4.3. Indici pentru diferențierea unor proprietăți ale solurilor și vegetației 52
3.4.4. Proprietățile solului evaluate pe baza covariatelor 57
Chapter 4 Vectorii......................................................................................................................... 66
4.1. Topologia ............................................................................................................................... 66
4.2. Măsurători în teren și importul datelor in Arc GIS ............................................................. 69
4.3. Subtipuri și domenii .............................................................................................................. 72
4.4. Parcelarea.............................................................................................................................. 74
Chapter 5 Metode statistisice și geostatistice pentru evaluarea proprietăților solurilor ....... 80
5.1. Caracteristicile geochimice ale solurilor urbane. Aplicație la municipiul Iași .................. 80
5.1.1. Lognormal distribution plot 80
5.1.2. Analiza cluster 83
5.1.3. Analiza spaţială a infitrării apei în solurile urbane din municipiul Iasi 85
Chapter 6 Bibliography ................................................................................................................ 99

1
 Chapter 1 Metode de eșantionare în pedologie
Solul este un corp natural caracterizat prin variație spațială și în timp. Diversitatea
tipurilor este determinată de modul de combinare a factorilor pedogenetici (litologie, relief, climă
etc.) iar cea temporală este influențată mai intens de intervenția antropică (poluare, aplicarea
fertilizanților etc.) decât de factorul natural. Variabilitatea spațială impune, în cazul solurilor
agricole, moduri diferite de utilizare a solurilor, în timp ce variabilitatea temporală este asociată
cu monitoringul diferitelor sisteme de cultură în relație cu celelate componente (ex. calitatea
apelor de suprafață și a freaticului). Cele două variabile, spațială și temporală impun prelevarea
și analiza probelor, la intervale de timp regulate sau în funcție de necesități.
Etapa finală a studiului pedologic se materializează în realizarea hărții solurilor și a
hărților tematice. Succesul cartografierii unor proprietăți a solurilor pleacă de la modul în care se
face eșantionajul. Din acest motiv un prim aspect care urmează a fi detaliat se referă la varietatea
tipurilor de eșantionaj, în funcție de tipul studiului.
Elemente generale
Eșantionarea este primul pas într-un studiu și de abilitatea cu care este realizată depin
rezultatele interpolările. Eșantionarea poate crea o serie de probleme și orice specialist trebuie să
răspundă la următoarele probleme:
Ce fel (tip) de probe vor fi colectate?
De pe ce teren (agricol, contaminat etc.) vor fi colectate probele?
Câte probe trebuie prelevate?

1.1.Eșantionarea întâmplătoare a probelor

Eșantionarea întâmplătoare a probelor (fig 1.1.) se aplică pe terenurile uniforme, din
unitățile de câmpie, unde alți factori pedogenetici (hidrografia, schimbarea litologiei) nu perturbă
distribuția solurilor. Aceasta metodă este în relație cu teoria probabilității șanselor, unde locația
fiecărei probe are probabilitate egală și cunoscută pentru a fi selectată. În acest fel, eroarea
eșantionajului poatate fi estimată cu acuratețe. Prelevarea întâmplătoare poate fi utilizată și în
studiile privind poluarea solurilor.
Algoritmul eșantionajului

2
 Pentru amplasarea punctelor de prelevare a probelor se impune determinarea minimului
și maximului coordonatelor X și Y, în arealul de studiu (Xmin, Xmax,
Ymin și Ymax).
Se generează (automat) un număr de puncte de prelevare a probelor a
!
( căror coordonate vor fi trecute în tabelul de atribute (attribute table).
Dacă se optează pentru varianta prelevării probelor în teren, atunci
!
( !
(
coordonatele fiecare punct vor fi înregistrate cu ajutorul unui GPS
!
(
(Global Position System).
!
(

!
(
!
(
Se verifică dacă pentru fiecare tip de sol există cel puțin un punct de
prelevare a probei.
În arcGIS crearea unui eșantion întâmplător se face pe baza
algoritmului open ArcToolbox→Data Management Tools→Feature
Fig. 1.1 Eșantionarea întâmplătoare
class→Create Random Points, după care se completează în fereastra
de dialog Output Location→Output Point Future Class→Constraining Feature Class.
!

Dezavantajele metodei: tehnica are dezavantajul acoperirii inegale a terenului studiat ceea
ce face ca interpolarea dintre punctele de prelevare să fie dificilă. În fig 1.2 se poate observa
lipsa punctelor în extremități. În cazul studiilor

! !
!

!
± privind poluarea solurilor, extremitatea estică a
zonei industriale și zona Fortus nu vor fi

! !!
!
!
reprezentate corespunzător.
!
! !

!
!

!
Diferit de punctele apropiate unde prin
!
! ! !
! !

interpolare rezultă mai multe domenii, între puncte

! ! !
! !
! ! !
! !
!
!! ! !

îndepărtate nu pot fi separate domenii.

! !

! !
! !!
! !

Varianța (variance) are în mod obișnut, valori mai

! !
!
!
!
!

!
mari decat în cazul celorlalte tipuri de realizare a
eșantioanelor, datorită acoperii slabe cu puncte de
0 0.75 1.5 3 4.5
Km
prelevare (De Gruijte, 2002).
Fig. Eșantionare
1.2 întâmplătoare pentru
municipiul Iași Analiza statistică. Realizarea planului de
eșantionaj poate să se sprijine, sau nu, pe analiza statistică. Indicatoriii statistici cei mai utilizați,
fără a fi luate în considerare caracteristicile spațiale și temporale, sunt media, varianța, deviația
standard și coeficientul de variație.

3
 Media spațială pentru arealul  , în cazul unei variabile y este estimată pe baza ecuației
(De Gruijte, 2002; Patil, Sinha, & Taillie, 1994).
1 n
  yi
n i 1
(1)

unde n=numărul de probe iar yi=valoare probei în punctul i.

1.2.Eșantionarea intâmplatoare stratificată

În cazul prelevării stratificate, punctele din teren sunt repartizate astfel încât predefinesc
grupuri sau strate și, o probă corespunde unui strat
(Carter & Gregorich, 2008). Arealul de studiu este
împarțit în subareale care formează stratele (De Gruijte,
2002). Definirea stratelor este în concordanță cu
obiectivul studiului. Astfel, pot fi diferențiate strate în
funcție de adâncimea de prelevare a probei, de nivelul de
concentrare a poluanților și de sursa de poluare etc.
Punctul de prelevare poate ocupa o poziție aleatorie în
cadrul stratului (fig. 1.3). Stratele pot avea formă regulată
Fig. 1.3 Eșantionaj întâmplător stratificată
(de obicei pătrate) dar nu este obligatoriu, mai ales în
cazul terenurilor agricole formate din mai multe parcele, asociate diferitelor forme de relief.
Algoritmul eșantionajului este în mare măsură asemănătoare cu cel de la prelevarea
întâmplătoare a probelor, dar se diferențiază prin faptul că fiecărui strat îi corespunde un punct
de prelevare a probei. În acest caz avem de a face cu o distribuție spațială mai echilibrată a
punctelor de prelevare.
Prelevarea intâmplătoare stratificată poate fi utilizată pentru evaluarea fertilității și
oportunității de fertilizare a solului. În acest caz, trebuie să se țină seama de istoricul parcelării,
tipurile de culturi, agrotehnică și de procesele geomorfologice (eroziunea). Detaliile care vizează
caracteristicile solurilor sau ale vegetației vor constitui criterii pentru delimitarea stratelor.
Astfel, terenurile erodate sau arealele cu vegetație slab dezvoltată vor constitui strate.
Avantajele metodei. Diferit de metoda anterioară unde există posibilitatea concentrării
probelor doar într-un sector, în acest caz crește acuratețea distribuției pentru întreaga populație.

4
Fiecare strat are corespondent o probă de sol, cuantificată într-un set de rezultate (fizice, chimice
etc.).
Dezavantajele metodei. Generarea incorectă a numărului și dimensiunii stratelor va altera
eficiența studiului. Interpolarea nu are acuratețe ridicată datorită poziției întâmplătoare a
punctului în interiorul stratului (ex. pătratului).

1.3.Eșantionarea în două etape

Eșantionarea în două etape se aplică unităților colinare, deluroase dar și celor de câmpie
unde există diversitate pedologică.
Algoritmul eșantionajului impune împărțirea arealului de studiu în subunități, denumite
unități primare. Într-o unitate primară, subprobele pot fi prelevate întâmplător sau sistematic. În
acest caz, probele sunt alese întâmplător doar din câteva
unități primare (fig. 1.4), diferit de eșantionarea
intâmplatoare stratificată.
Algoritmul eșantionajului, constă în delimitarea
arealului de studiu, cunoscând minimul și maximul
coordonatelor X și Y (Xmin, Xmax, Ymin și Ymax). Se
delimitează unitățile primare și aleatoriu se aleg cele din
care vor fi prelevate probe. Numărul probelor din fiecare
Fig. 1.4 Eșantionarea în două etape unitate primară poate fi variabil.
Avantajele metodei derivă din reducerea timpului de deplasare de la un punct la altul în
cadrul unei unități primare. Unitățile primare pot fi selectate în funcție de accesibilitatea în teren
(drumuri) dar se diminuează caracterul aleatoriu iar seria temporală va fi afectată.

1.4. Eșantionajul preferențial

Eșantionajul preferențial se aplică, mai ales, în cazul studiilor de poluare a solurilor. În
această situație cunoaștem sursa iar probele vor fi prelevate din punctele pentru care se estimează
cele mai mari valori ale poluării. Trebuie ținut seama că solul nu este un corp omogen și o atenție
specială se va acorda zonei de tranziție către freatic.

Ca urmare a eșantionajului preferențial, analiza statistică a unor indicatori precum media

și deviația standard nu sunt reprezentativi pentru întregul areal (Goovaerts, Schofield, & Telech,
2009).

5
1.5. Eșantionarea sistematică
Eșantionarea sistematică sub formă de grid constă în realizarea unui caroiaj și fiecare
entitate (cluster) are in partea centrală un punct. Diferit de
alte tipuri de eșantionaj, acesta se caracterizează prin
dispunerea regulată a punctelor în spațiu, în lungul unui
transect. Clusterii pot avea formă diferită: pătrat (fig. 1.6),
triunghi, hexagon (De Gruijte, 2002), radială și schelet de
pește în funcție de geometria și dimensiunea sitului
contaminat (Buckland, Davies, Hunt, Kim, & Vujnovich,
Fig. 1.6 Eșantionarea sistematică 2005). Acest tip de eșantion are aplicabilitate în cazul
studiilor detaliate privind poluarea solurilor. Eșantionarea sistematică s-a aplicat pentru
evaluarea poluării cu metale grele a solurilor din municipiul Iași și din împrejurimi (Iancu,
Buzgar și colab., 2008). Eșantionarea sitematică este mai exactă decât cea întâmplătoare dar este
mult mai costisitoare (Zawadzki & Targowski, 2009).
Cu cât dimensiunea fiecărei celule a gridului este ma
mică cu atât este mai mică și media sau maximul
varianței krigin-ului (Heuvelink, Brus, & de Gruijter,
2007). Calculul preciziei minime necesare se poate
realiza prin intermediul variogramelor. În cazul
indentificării caracteristicilor morfologice ale solurilor în
lungul unui versant rectiliniu se poate utiliza un transect,
Fig. 1.5 Eșantionare sistematică pentru format din mai multe puncte, întrucât scurgerea poate fi
spațiul
Fig. 1.7 urban și periurban
considerată relativ uniformă. Dacă versantul prezintă o
succesiune de fațete concave și convexe se va utiliza un grid sau un eșantionaj în zig-zag,
(Carter, Gregorich, 2008), întrucât scurgerea va influența morfologia solurilor.

Algoritmul eșantionajului. În ArcGIS crearea unui eșantion sistematic se face pe baza

algoritmului open ArcToolbox→Data Management Tools→Feature Class→Create Fishnet. În
Table of content (TOC) se aduce rasterul sau shapefile după care se completează câmpurile din
fereastra de dialog: Template extent (permite alegerea extent-lui pentru grid) →Cell Size Width
and Cell Size Height (exprimat în unitatea layer-ului ex. m). Pentru dimensiunea gridului se

6
 poate selecta Number of rows și Number of
E
columns (ex. 8) iar distanța dintre puncte va fi
±
E

E E E
( E
setată automat, cu condiția completării valorii 0 în
E E
( E
( E

E E
( E
( E( E caseta Cell size.
E
(
E( E
( E
( E
( E
( E
( E
( E
(
Avantajele metodei derivă din dispunerea
E
( (E E
( E( E
( E( E
( E
( E
( ( E
( (
regulată a punctelor ceea ce face ca acoperirea
E( E
( E
( E E( E
( E
( E
( E

E
( E
( E
( E
( (
E E
( E
( E
( E
( teritorială să fie mai bună decât în cazul
E
( E( (E (
E E( E
( E
( ( E E( E
(
eșantionajului întâmplător, determinând
E (E E( ( E E
( E( E E
( (E E
( E
îmbunătățirea analizei statistice. Pentru acest tip
(

(
E
( E (E E E
( E
(
E (E E E( E
( E
(
de eșantionaj nu este obligatoriu construirea unui
E( ( E E
( E
( E
( grid ci doar dispunerea regulată a punctelor în
( E E
lungul unor transecte. Diferit de eșantionarea
(

0 0.5 1 2 3
Km
întâmplătoare, identificarea locației și deplasarea
Fig. 1.8Transformarea eșantionului sistematic în
unul întâmplător stratificat în mediu urban de la un punct la altul se face mai ușor, mai ales în
cazul unităților de câmpie.
Dezavantajele metodei. Realizarea unui eșantionaj sistematic în ArcGIS pentru un
poligon va mări suprafața în funcție de valorile maxime ale extentului (fig. 1.8), fiind necesară
ulterior extragerea suprafeței (punctelor) ce urmează a fi analizată.
Tabelul 1. Dimensiunea parcelelor și numărul probelor composite pentru evaluarea stocului de C organic din UE

Dimensiunea Numărul probelor Între realitate și modelul grafic nu există

parcelei (ha) composite întotdeuna concordanță. Configurația terenului și
5 2
modul de utilizare a terenului (urban) poate să
5-10 4
10-25 5 limiteze prelevarea unor probe. Metoda poate fi
25 6 folosită cu succes pe terenuri uniforme (plane sau cu
înclinare uniform), având același mod de utilizare (arabil, pășune) și soluri a căror caracteristici
sunt relativ uniforme. Aplicarea acestui eșantionaj în mediul urban nu este o alegere bună
întrucât unele punctele de prelevare (de măsurare) pot să coincidă cu suprafețelele de sol
acoperite (clădiri, șosele etc.). În acest caz, punctele vor fi corectate în funcție de caracteristicile
suprafeței iar eșantionajul va deveni unul întâmplător stratificat. În fig. 7 se observă punctele
eșantionajului inițial, la distanță de 750x750m unele de altele și punctele corectate (+ și cerculeț),
utilizate pentru determinarea infiltrării apei în sol.

7
 Probele composite rezultă prin amestecul materialului de sol provenit de la probele
individuale, pentru a fi analizate împreună (De Gruijte, 2002). Utilizând probele composite pe o
suprafață se va reduce semnificativ numărul analizelor și implicit costurile. Un punct de pe
gridul sistematic poate constitui punctual central al probelor composite.
Pentru prelevarea probelor composite fiecare cluster se imparte, prin perpendiculare, în
patru sectoare (Fig. 1.9). Prelevare probei unice din fiecare sector se poate face utilizând
punctele cardinale și un GPS. Considerând un pătrat cu latura de 50 m, pentru prelevarea primei
probe, operatorul se deplasează față de punctual central 12,5 m spre N și 12,5 m spre E. Pentru
punctul al doilea deplasarea se face 5 m spre S și 24 m spre V și prelevarea va continua pentru
sectoarele 3 și 4.
Acest tip de prelevare este utilizat în cazul studiilor agrochimice, prin care se evaluează
aprovizionarea cu P, K și alți nutrienți, humus etc. Harta
aprovizionării cu diferiți nutrienți, realizată pe baza unui
grid, poate fi utilizată o periodă mai mare de timp,
excepție face aprovizionarea cu N, deoarece acesta are
fluctuații de la an la an (Ferguson & Hergert, 1995).
Numărul probelor composite dintr-o parcelă
depinde de dimensiunea acesteia. Numărul probelor
composite pentru evaluarea stocului de C organic din
Fig. 1.9 Prelevarea probelor composite solurile minerale, din Uniunea Europeană, propus de
Stalbovoi et al. (2005) este prezentat în tabelul 1.

1.6.Eșantionarea sistematică sub formă de toposecvență sau catenă (transect)

este utilizată frecvent în pedologie pentru a evidenția etajarea tipurilor (subtipurilor) de sol în
lungul unui versant, în funcție de altitudine. Termenul de catenă, propus de Milne (1935) se
referă la diversitatea solurilor formate pe același tip de material parental, în lungul unui versant,
determinată de drenaj, de ciculația soluțiilor și modul în care se manifestă eroziunea.
Toposecvența vizează dispunerea solurilor în lungul unui versant pe aceleași materiale prentale și
în aceleași condiții climatice și de vegetație (Buol, Hole, & McCracken, 1984). Eroziunea și
acumularea sunt procese care influențează formarea solurilor în lungul unei catele, prin urmare
vârsta poate să difere ușor. În concluzie, cei doi termeni: catenă și toposecvență sunt

8
interschimbabili, totuși termenul de catenă trebuie folosit în sensul dat de Milne (Holly, 2004). În
cazul studiilor pedologice, punctele din lungul
toposecvențelor pot avea distanțe diferite între ele,
astfel încât să surprindă diversitatea tipurilor de sol.
Studiile care au ca obiectiv studiul poluării solurilor și
apelor subterane în lungul unei surse liniare (conductă,
canal colector etc.) vor utiliza eșantionajul sub formă
de transect. În acest caz se poate utiliza unul sau mai
multe transecte paralele sau care se intersectează.
Daca se utilizează mai multe transectele paralele, la
distanțe egale unele de altele, atunci eșantionajul
devine similar cu cel sistematic. Unul din avantajele
transectului față de eșantionajul sistematic, constă în

Fig. 1.10 Transectepentru evaluarea poluării relocarea punctelor din lungul unui transect, față de
în cazul unui rezervor de combustibil cele ale întregului grid (IAEA, 2004). Dacă transectul
are direcție perpendiculară pe sursa liniară de poluare, atunci punctele vor avea distanțe
crescânde față de sursă (ex. sursa x 2, sursa x 4 etc.).
În funcție de situație, probele pot fi prelevate de la adâncimi diferite. De exemplu, pentru
evaluarea impactului rezervoarelor de combustibil cu adâncime variabilă asupra solurilor și
freaticului, probele de sol și apă vor fi prelevate de adâncimă ce cresc, conform cu
caracteristicile rezervorului (fig. 1.10).
Pe baza celor de mai sus se poate conchide că acest tip de eșantionaj este eficient pentru
delimitarea distanței până la care a ajuns poluantul față de sursa liniară și pentru evaluarea
gradientului poluării.

1.7. Densitatea punctelor

Metoda de lucru: se aduce în TOC un shapefile de tip puncte, care pot reprezenta sondaje
sau profile de sol, analize în teren etc. Din Spatial analist tools→Density→Point density.
Harta densității puntelor rezultă prin interpolarea acestora, astfel că datele pot fi
reprezentate sub formă discretă (nearest neighbor și majority) și continuă (bilinear interpolation
și cubic convolution).

9
 În urma interpolării punctelor rezultă un raster
care este mai ușor de analizat decât în cazul
unei multitudini de puncte care este în relație cu
o suprafață reală (ex. terenul de unde au fost
prelevate punctele). Densitatea scăzută a
puntelor, în cazul prelevării probelor explică
arealele puțin cunoscute sub aspectul
caracteristicilor învelișului de sol care vor
necesita atenție sporită, în cazul studiilor
viitoare (fig. 10.). În acest caz, rampa de culori
trebuie să exprime relația dintre densitatea
scăzută a punctelor și gradul redus de
cunoaștere a unui teritoriu (ec. roșu) și
Figură 10. Densitatea punctelor pentru porozitatea solului (mun. densitatea ridicată care poate explica o bună
Iași)
cunoaștere a realității sau uneori chiar erori în
eșantionarea întâmplătoare, pe o perioadă mai lungă de timp.
Analizând densitatea punctelor în corelație cu unele materiale auxiliare (ex. MNT,
ortofotoplan) putem înțelege diferențele de densitate. De exemplu, pe terenurile care pot fi
utilizate agricol densitatea punctelor va fi mai mare decât în cazul versanților afectați de
alunecări, unde există complexe de soluri și unde utilizarea terenurilor de reduce adesea la
pășunat.

10
 Chapter 2 Harta pedologică
Elemente generale
Harta pedologică clasică este rezultatul activităților din teren și extrapolării mentale, pe
baza factorilor pedogenetici și caracteristicilor observabile ale solurilor, astfel încât să poată fi
decupată o porțiune din spațiu (unitate teritorială de sol), în care solul are aceleași caracteristici.
Decelarea limitelor dintre unitățile teritoriale de sol depinde de importanța unor factori
pedogenetici.
În acest spațiu real, identificarea limitelor între unitățile teritoriale de sol și separarea
unităților cartografice de sol depinde de prezența unui factor pedogenetic clar exprimat (un
abrupt, anumite tipuri de roci, adâncimea freaticului etc.) sau de experiența specialistului. De
asemeni, spațiul de extrapolare a datelor de la un profil la altul depinde de scara de lucru. Pentru
hărțile la scară mare sunt necesare mai multe observații pentru a descrie variabilitatea solurilor.
O observație (profil) poate caracteriza o arie de 1-4 ha la scara 1:2.000, 10-25 ha la scara
1:100.000 și 25-80 ha la scara 1:250.000 (Dobos & Hengh, 2006).
Trecerea de la harta pedologică clasică la harta digitală s-a făcut prin vectorizarea
poligoanelor de pe hărțile clasice.
La început, harta pedologice digitală are ca punct de plecare tot caracteristicile profilului
(fizice, chimice, biologice etc.) dar, cu timpul pentru separarea unităților cartografice de sol se
utilizează covariatele care caracterizează mediul (MNT, ortofotoplanul, imagini satelitare).
Cartografierea digital a solurilor înseamnă realizarea unei legături cantitative între mediu și
datele din teren sau laborator.
Avantajul covariatelor în cartografierea digitală a solurilor constă manipularea unui
număr mare de date, care pot fi analizate statistic. Pe baza acestora pot fi concepute modele
predictive, care pot genera informații privind unele caracteristici ale solurilor sau chiar
comportamentul acestora.

2.1. Harta solurilor

Harta solurilor cuprinde două seturi de elemente: harta propriu-zisă care prezintă
distribuția spațială și modul de asamblare a tipurilor și elementele adiționale.
Harta solurilor este constituită din poligoane. Într-un poligon, realitatea poate poate avea
corespondent un tip de sol sau mai multe tipuri de sol. În cazul reprezentării unui tip de sol,

11
factorii pedogenetici se manifestă relativ uniform pe o porțiune a suprafeței terestre, care
reprezintă un teritoriu ecologic omogene (TEO).
Asociațiile de soluri rezultă prin combinarea spațială a două sau mai multor tipuri diferite
de soluri. Acestea pot rezulta prin modul de îmbinare a elementelor reliefului. De exemplu,
teraselor în zonele montane etalează alternanțe de soluri slab dezvoltate, pe fruntea terasei cu
soluri evoluate, pe podul acestora. Alternanța altitudinală a teraselor fluviale determină
caracterul repetitiv a dispunerii solurilor care conservă caracterul de relativă tinerețe pe fruntea
teraselor, cu mențiunea că pe podul de terasă se pot forma soluri cu morfologie diferită.
Caracterul repetitiv poate fi identificat și în cazul altor forme sau elemente ale formelor de relief
cum este cazul versanților frunte de cuestă, crovurilor, dolinelor etc.
Reprezentarea mai multor tipuri de soluri în cadrul unui poligon se poate face prin
complexe de soluri. În teren, nu se poate determina o anumită regulă de combinare a tipurilor de
sol, factorul pedogenetic determinant, în acest caz, poate fi relieful și procesele geomorfologice
cum sunt alunecările de teren. Asamblajul solurilor nu este favorabil identificării unui tip de sol
dominat spațial. Complexele de soluri sunt reprezentate pe hărțile 1:10.000 iar utilizarea acestora
este alta decât teren agricol.
Legenda hărții solurilor conferă explicația unităților de sol (US). Diferit de ierarhia la
nivel superior din SRTS (2012) care începe cu clasa de soluri, poligoanele vor fi asociate
întotdeauna cu tipurile și subtipurile, în cazul hărților generale, iar pentru cele detaliate vor fi
redate și nivelele taxonomice inferioare. Legenda va cuprinde obligatoriu clasele și gruparea
tipurilor din cadrul acestora, care corespund realității geografice.
Dihotomia dintre clasele de sol de o parte și tipurile cu subtipurile de sol de altă parte
ridică următoarele probleme: 1) ordinea claselor în legendă; 2) ordinea tipurilor în cadrul
claselor.
În primul rând legenda hărții solurilor trebuie structurată în grupuri care vor include
denumirea claselor, sub formă de text și denumirea tipurilor și subtipurilor sub formă de stiluri și
simboluri (litere).
Succesiunea claselor în legendă va urmări seria evolutivă a solurilor, începând
întotdeauna cu cele slab evoluate (protisoluri→cambisoluri), continuând cu cele supuse
zonalității (cernisoluri→luvisoluri→spodisoluri→umbrisoluri), urmate de cele formate sub
influența componentului hidric, a rocii etc, și care aparțin celor azonale

12
(hidrisoluri→salsodisoluri→vertisoluri→andosoluri) iar în final vor fi reprezentate, după caz
solurile organice (histisoluri) și formate sub influență antropică (antrisoluri).
Dispunerea tipurilor la legendă se va face pe baza aceluiași principiu a evoluției
pedogenetice. De exemplu, în cadrul clasei cernisoluri, tipurile vor urma succesiunea:
kastanoziom→cernoziom→faeoziom.
Doar pe baza comenzii insert legend nu va fi rezolvată problema reprezentării corecte a
iararhiei solurilor în corelație cu conținutul. În această situație, legenda poate să apară sub forma
unei liste, cel mult ordonată la nivel de tip de soluri. Pentru realizarea grupurilor se impune ca
vectorul să fie adus în TOC de un număr egal de ori cu a claselor de sol existente în acel
teritoriu. Dacă vectorul este adus în TOC de un număr egal de ori cu cel al tipurilor, atunci vor
apare probleme la spațierea casetelor care indică tipul de sol, iar legend ava fi cu atât mai greu de
gestionat cu cât crește numărul tipurilor.
Pentru o vizualizare rapidă a legendei, clasele vor fi scrise cu bold iar tipurile și
subtipurile vor fi urmate în paranteză de simboluri, astfel încât să se realizeze o legătură rapidă
cu etichetele din cadrul poligoanelor.
Asocierea în cadrul poligoanelor a tipului și subtipului crează adesea dificultăți de
reprezentare. Scara hărții trebuie aleasă în așa fel încât încât subtipurile să fie vizibile, în caz
contrar se recomandă reprezentarea numai a tipurilor.
Elementele adiționale, întregesc conținutul hărții și, în funcție de importanță sunt
obligatorii și facultative. Elementele adiționale obligatorii includ: titlul, subtitlul, scara grafică,
direcția N, graticule și coordonatele, autorul și chenarul.
Scara hărții este în concordanță cu spațiul acoperit și influențează gradul de detaliere
pentru notarea solului, prin intermediul formulei solului (tabelul 2).
Tabel 1. Relația dintre scara hărții, nivelul de acoperire și formula solului
Tipul Scara Acoperire Formula
Planuri 1:10.000 Teritoriile agricole (comunale) ASka-gc-G3K1-3/2-Tf/Pb-Ps
Hărți la scări ASgc
1:200.000 Harta solurilor României
mari
Hărți la scări AS
1:1.000.000 Teritoriul României
mijlocii
Tabel 2. Raportul dintre scara hărții și suprafața tipărită
Scara Suprafața acoperită de hartă (km2) pe hârtie
A4 (20 x 28 cm) A0 (100 x 100 cm)
1:5.000 1,5 25

13
1:10.000 5,6 100
1:100.000 560 10.000
Elementele adiționale facultative includ tabele, grafice, proiecția, numărul hărții dacă
aceasta este inclusă într-un atlas, proiecția, text descriptiv, citare dacă este o prelucrare, dreptul
de autor (ex. poate fi utilizată doar pentru cercetare și învățământ).
Toatea acestea întregesc conținutul hărții și permite cititorului o informare rapidă asupra
unor caracteristici ale solului, fără să apeleze la text. De exemplu, în cazul hărții poluării
solurilor concentrația maximă și minimă a unui element va fi redată prin intermediul unui grafic.
De multe ori hărțile la scara 1:10.000 conțin tabele în care pentru fiecare TEO se prezintă tipul,
subtipurile și o serie de proprietăți care rezultă din analize de laborator (ex. textura, pH,
salinizarea etc.). Tabelul cu tipurile de sol sau TEO ocupă, în general, o suprafață mare din spațiu
(layout) hărții iar harta propriu-zisă nu trebuie micșorată în favoarea tabelului.
Stilurile
Legenda tipurilor de sol se crează în ArcGIS din simbology→categories→unique value
(se selectează tipul de sol)→symbol selector→edit symbol. După editare, fiecare stil,
corespunzător unui tip de sol va fi salvat în item properties.
Pentru fiecare tip de sol se utilizează o combinație de culori (ex. RGB sau CMYK) (ex.
Cernoziomul=209/110/61 sau 35/55/86/0), iar subtipul va fi reprezentat printr-o hașură (tabelul
3) suprapusă peste culoarea tipului. Hașurile trebuie să aibă o dimensiune acceptabilă astfel încât
să nu creeze confuzie cu modul de reprezentare a asociațiilor și complexelor de soluri. În cazul
asociațiilor de soluri, tipul dominant va fi reprezentat prin line mai groasă decât cel care ocupă
suprafețe mai mici în teritoriu. Complexele de soluri vor fi reprezentate prin linii cu grosimi
egale, corespunzătoare culorilor tipurilor de sol.

14
Fig. 2.1Câmpia Română. Harta solurilor (SRTS, 2012)
La legendă, casetele care indică tipurile de sol sau combinația tip-subtipuri pot avea
bordură de altă culoare (neagră) sau umbrire, situație preferabilă doar pentru hărțile detaliate.
Pentru solurile din aceeași clasă (kastanoziom→cernoziom→faeoziom) se recomandă o
rampă de culori specifică unei nuanțe (fig. 2.1.). Trebuie ținut cont de faptul că cele trei tipuri
sunt caracteristice zonelor de câmpie și colinare, prin urmare poligoanele cu diferite nuanțe de
maro pot fi alăturate dar în același timp trebuie să fie ușor de observat. Diferit de situația
anterioară, rendzina este caracteristică unităților montane și de podiș, deci alăturarea cu tipuri
diferite de sol poate crea un contrast de culoare evident.
Transeferul unei hărți (ex. Sol.mxd) pe alt calculator se face fără stiluri de aceea trebuie
copiate separat după algoritmul:
C:\Users\Admin\AppDAta\Roaming\ESRI\Desktop10.2\Arcmap se selectează fișierul și se
copiază pe un USB. Transferul pe alt calculator se face importând stilurile din symbol
selector→style reference→Add style to list, se selectează directorul și fișierul dorit.
Tabel 3. Codurile culorilor pentru tipurile de sol din SRTS (2012)
Clasa de sol Tipuri genetice de Cod în RGB Clasa de sol Tipuri Cod în RGB
sol genetice de sol
Litosol (LS) 235/235/120 Prepodzol (EP) 255/165/135
Spodisoluri
150/255/255 (SPO) Podzol (PD) 255/100/100
Protisoluri (PRO) Aluviosol (AS)

Psamosol (PS) 230/230/0 Umbrisoluri Nigrosol (NS) 95/150/0

15
 165/165/165 (UMB) Humosiosol 10/130/10
Regosol (RS)
(HS)
220/200/20 Stagnosol 135/175/155
Districambosol (DC)
Cambisoluri (CAM) (SG)
Hidrisoluri
Eutricambosol (EC) 255/210/0 Gleiosol (GS) 100/115/150
(HID)
190/135/30 Limnosol 85/135/100
Kastanoziom (KZ)
(LM)
210/110/60 Solonceac 255/35/235
Cernoziom (CZ) Salsodisoluri
Cernisoluri (CER) (SC)
190/160/75 (SAL) Soloneţ (SN) 250/100/190
Faeoziom (FZ)
Rendzină (RZ) 160/60/0 Pelosol (PE) 165/85/180
Vertisoluri
Preluvosol (EL) 190/190/45 (VER) Vertosol (VS) 178/0/180
155/175/70 Andisoluri Andosol (AN) 255/0/0
Luvosol (LV)
(AND)
Luvisoluri (LUV)
120/235/65 Histisoluri Histosol (TB) 0/0/0
Planosol (PL)
(HIS)
Alosol (AL) 120/205/130 Antrosol (AT) 250/105/0
Antrisoluri
(ANT) Tehnosol (TT) 210/210/210

Numărul poligoanelor în funcție de scara hărții

Cu cât scara hărții este mai mică cu atât poligoanele de mici dimensiuni vor fi mai greu
de observat. Pentru scara 1:250.000 cel mai mic poligon care poate fi reprezentat are o suprafață
de 1,56 km2 (Boulaine 1980).

2.2. Hărţile pedologice la scară mare (1:10.000)

Planurile 1:10.000 sunt utilizate pentru elaborarea studiilor pedologice pentru solurile
utilizate agricol, la nivel de unitate administrativă (comună). Pe aceste planuri sunt reprezentate
unitățile de sol (US) care au corespondent în natură unitățile teritoriale de sol. Unitatea teritorială
de sol reprezintă realitatea iar US aparține domeniului abstract. Unitățile de sol au corespondent
în SIG poligoanele, care au asociat o anumită cantitate de informație, care trebuie actualizată la
anumite intervale de timp.
Pe hărțile 1:2000.000 în fiecare poligon este redată formula solului într-o formă
simplificată. Pe planurile pedologice formula cuprinde mai mulți indicatori decât în cazul
anterior iar inserarea acesteia în poligoanele de mici dimensiuni ar fi foarte dificilă. Din această
cauză fiecărui poligon are corespondent o formulă sub formă de fracție, având la numărător
indicatorii care caracterizează solul, iar la numitor succesiunea indicatorilor care caracterizează
terenul. La numitor se notează numărul unității de sol (ex. US13, US14, US32 etc.) iar la

16
 numărător se notează, prin cifre, de câte ori apare US în cadrul hărții (ex. US32/2, US32/3,
US32/4 etc.).
Indicatorii care caracterizează solul rezultă în urma studiilor în teren și analizelor de
laborator iar indicatorii care caracterizează terenul pot fi parțial rezolvați cu ajutorul SIG.
Pentru a înțelege mai ușor harta solurilor 1:10.000, pe lângă harta propriu-zisă se
inserează și tabelul cu unitățile de sol. Dacă spațiul nu permite acest lucru, atunci tabelul cu US
va fi inclus în raportul pedologic, sub formă de anexă. Obligatoriu, pe hartă vor fi reprezentate
prin simboluri profilele de sol.
Pe lângă US, pe hărțile 1:10.000 sunt reprezentate localități, șosele/drumuri principale, la
care se adaugă rețeaua hidrografică (râuri, lacuri), suprafețele puternic afectate de eroziune
(ravene, torenți) și cele cu roca la zi.
Înafara hărților 1:10.000 există studii cu un grad de detaliere mai mare decât 1:5000.
Arealele pentru care se fac aceste studii sunt în general mici, cum este cazul parcelelor agricole
experimentale, lucrări hidroameliorative, șantiere arheologice etc.

2.3. Erorile în achiziţia hărţilor clasice

Achiziţia hărţilor de pe suport de hârtie poate induce o serie de erori. Acestea pot fi
diferenţiate în: erori grafice şi de conţinut.
Cele mai frecvente erori grafice sunt cele generate de scanarea hărţilor. Această operaţie
determină două tipuri de erori: cele induse de scaner, care se
concretizează în deformări pe marginea hărţii şi erori
cauzate de operator, ca urmare a modului în care sunt
poziţionate pe scaner parţile componente ale unei hărţi de
dimensiuni mari. Care este cea mai bună metodă de a
achiziţiona o hartă clasică în SIG (ArcGIS), în cazul în care
este formată din mai multe bucăţi ? Este mai bine să
asamblăm eşantioanele într-un program de grafică pentru a
forma o singură hartă şi apoi utilizând coordonatele să o
aducem în SIG sau preferăm să o georeferenţiem pe
Fig. 2.2 Îmbinarea corectă a foilor
fragmente? Asamblând eşantioanele într-un program de
grafică (ex. Corel, Adobe) putem constata că în zona de îmbinare vor exista diferenţe între partea
estică şi vestică.

17
În cazul foii Suceava (L-35-III), sectorul estic (la N de localitatea Suliţa) (Fig. 2.2) se remarcă o
îmbinare perfectă a poligoanelor. În sectorul vestic (la S de localitatea Todireşti) (Fig. 2.3)
deformările sunt inacceptabile, mai ales în cazul poligoanelor de mici dimensiuni, iar unele
elemente ale hărţii pot să apară întrerupte (ex. râul
Suceava şi poligoanele asociate solurilor din
proximitate). Al doilea indiciu privind eroarea de
scanare poate fi observată la decuparea marginilor
hărţii. Pe aceeaşi latură a unei foi (ex. L-35-11 Iaşi)
marginea dreapta sus va avea diferenţe în exteriorul
foii (Fig. 3-sus) în timp ce marginea din dreapta jos
Fig. 2.3 Îmbinarea incorectă a foilor
poate fi decupată corect (Fig. 3-jos). În aceste
condiţii, se recomandă utilizarea scanerelor care pot lucra cu hărţi de mari dimensiuni.
Erorile de conţinut. De unde provin aceste erori?
Foile pedologice la 200.000 au foste realizate de echipe diferite într-o perioadă lungă de
timp. Cel mai adesea echipele nu s-au reunit sau nu au avut posibilitatea, pentru a pune la punct,
sub aspect taxonomic, racordul dintre foile pedologice. În aceste condiţii, un poligon asociat unui
tip de sol de pe o foaie nu are acelaşi corespondent pe foaia alăturată
(Fig 2.4.) CIti/2=cernoziom argic și CZ/5-∏=cernoziom tipic), la
nivel de tip.
În al doilea rând, ca urmare a faptului că foile 1:200.000 au
fost editate în ani diferiţi (ex. foaia Suceava a fost tipărită în 1990,
iar foaia Ştefăneşti în 1979) raportarea denumirilor se face la
sistemele de clasificare (taxonomie) utilizate. În aceste condiţii,
pentru acelaşi tip de sol vom întâlni simboluri diferite. Denumirile
diferite pentru acelaşi tip de sol, dar pentru foi alăturare nu
constituie erori.
Cum este rezolvată problema racordului (sub aspect
pedologic) între două foi topografice?
Fig. 2.4 Erori de conținut la
îmbinarea a două hărți 1:200.000 Un utilizator SIG care nu cunoşte taxonomia solurilor va fi
pus în dificultate dacă va trebui să realizeze o hartă care să includă suprafeţe de pe foile
menţionate anterior. În acest caz se poate întâmpla ca un tip de sol să fie înlocuit cu altul doar pe

18
baza criteriului dimensiunii poligonului. Corect este, ca în cazul actualizării hărții (1:200.000) să
fie analizate profile de sol din cadrul studiilor pedologice pentru cele două poligoane sau
profilele din proximitate și ulterior să se reprezinte tipul de sol.
Georeferenţierea hărţilor pedologice
Diferit de hărțile topografice, hărțile pedologice 1:200.000 au notate coordonatele în cele
patru colțuri, fără a avea și puncte de intersecție în interior. Utilizarea numai a punctelor de pe
margine pentru georeferențiere va duce la erori prin colinearitatea punctelor. În acest caz,
georeferențierea se poate face prin corespondeță cu alt raster care are georeferință.
Elementele de sprijin pentru georeferențiere sunt intersecții de căi ferate, drumuri și în asociere
cu rețeaua hidrografică (ex. un pod peste un râu). Nu se recomandă numai utilizarea
confluențelelor ca puncte de sprijin.
Planurile vechi 1:10.000 au mai puține elemente de sprijin pentru georeferențiere, dar se
pot utiliza aceleași repere ca în cazul hărților anterioare. Trebuie avut în vedere că localitățile
sunt spații umanizate caracterizate prin variabilitate spațio-temporală, prin urmare perimetrul
acestora este mai puțin folosit pentru georeferențiere. În cazul planurilor 1:10.000 și 1:5.000 se
pot lua ca puncte de reper colțurile localităților care se vor racorda cu un ortofotoplan, numai
dacă există o suprapunere a limitelor celor două.
Întrucât planurile 1:10.000 au dimensiuni mari, trecerea în format electronic trebuie să se facă
pe un scaner A0.
Din Add data se aduce în TOC harta pedologică ce urmează a fi georeferențiată. Se
selectează bara de instrumente dedicată, conform algoritmului:
Customoze→Toolbars→Georeferencing și se setează georeferința (ex. Stereo_70) pentru un nou
Layer.
Dacă georeferențierea se va face după un raster sau ortofotoplan cu dimensiuni mari este
preferabil să se creeze un bookmarks pentru regiunea de interes (Bookmarks→Create
bookmarks→denumire).
Se identifică cele mai bune locații pentru amplasare punctelor de georeferențiere, după
care se inserează primul punct și se conectează cu imaginea georeferențiată. Se continuă
inserarea de noi puncte, noul raster trebuie să aibă minim trei puncte. După inserarea celui de al
doile punct din Customize→Toolbars→Effects→Swipe se verifică dacă imaginea se suprapune
corect peste raster. Din View Link Table se analizează valorile reziduale, care trebuie să fie

19
apropiate de 0. Punctele care vor avea valori reziduale mari vor fi șterse și, dacă este cazul se
inserează noi puncte, care că răspundă cerinței anterioare.
În final, din bara de instrumente dedicată Rectify→Save As se setează denumirea, locația,
extensia etc.

2.4. Hărțile tematice

Atributele unui set de date sunt denumite teme, iar o hartă tematică reprezintă o hartă
specializată, care prezintă distribuția spațială a uneia sau mai multor teme (Galati , 2006).
De exemplu, rețeaua de drumuri dintre parcele agricole reprezintă informație geografică
pură. Dacă în tabel unele sectoare drum au atribute de tipul: sector de drum asfaltat, sector de
drum pietruit, drum de pământ, atunci temele sunt elemente esențiale pentru realizarea unei hărți
privind caracteristicile drumurilor agricole.
Este necesar să creem hărți tematice pe baza unui set de date atât de detaliat ? Trebuie
avut în vedere aspectul funcțional al drumurilor (ex. lățimea drumului) pentru diverse tipuri de
utilaje (tractoare, combine agricole etc.) și conservarea solurilor. Dacă am încerca să creionăm
traseul unei combine care trebuie să străbată mai multe sectoare de drum (vicinale) doar pe baza
datelor tabelare, atunci demersul ar fi foarte dificil comparativ cu analiza unei hărți tematice. În
cazul conservării solurilor, eroziunea în adâncime este declanșată odată cu circulația utilajelor pe
drumurile de pământ, trasate în pantă, în perioada precipitațiilor. Uneori, pe măsură ce eroziunea
în adâncime avansează observăm o migrare laterală a drumurilor, mărind astfel suprafața
degradată.
Cui se adresează hărțile tematice? Hărțile tematice oferă informații asupra unor
proprietăți ale solurilor care le face favorabile pentru anumite utilizări (în agricultură,
silvicultură), iar alteori evidențiază factorii limitativi (ex. salinizarea, excesul de umiditate). În
ambele cazuri, hărțile tematice vor fi utilizate de specialiști (agronomi, peisagiști etc.). Impactul
antropic și în special poluarea solurilor în mediu urban este redată tot prin intermediul hărților
tematice. Informația devine utilă autorităților locale când se impun anumite măsuri de remediere
sau restricționare a circulației în arealele poluate peste un anumit prag. În realitate, aceste hărți
vizează un spectru larg de utilizatori. Prețul locuințelor din proximitatea unei zone industriale
este mai mic decât a acelor din zonele rezidențiale cu parcuri. Este puțin probabil ca poluarea
solurilor să fie un criteriu care să influențeze prețul dar este un factor care influențează calitatea

20
vieții. Astfel de hartă ar putea fi utilă agenților imobiliari dar și celor care fac tranzacții, în egală
măsură.
Plecând de la faptul că solul este un corp natural dinamic în timp, putem aprecia că
hărțile tematice reprezintă cel mai facil mod de a compara caracteristicile solurilor pentru
anumite perioadă de timp.
Tipuri de hărți tematice
O hartă tematică combină informația pedologică a unui (tipul de sol) cu proprietatea unui
orizont sau cu proprietatea solului pentru anumită adâncime. Astfel, hărți tematice permit analiza
calitativă a unui singur indicator pe o suprafață mare.
În cazul solurilor utilizate pentru cultura plantelor, hărțile tematice redau caracteristici
fizice și chimice ale orizontului de suprafață (textura, salinizarea, aprovizionare cu elemente
nutritive), dar și proprietăți care pot influența dinamica solului în timp (adâncimea freaticului,
adâncimea salinizării etc.).
Metoda semnelor convenționale se folosește pentru a reprezenta fenomene care nu au
răspândire continuă și care nu pot fi reprezentate la scară (Năstase, 1983). În pedologie, metoda
este utilă pentru a reprezenta dispunerea profilelor și/sau a sondajelor în teren. Dacă odată cu
realizarea profilului de sol (sondajului) se înregistrează și coordonatele, atunci punctele vor
indica poziția exactă. Densitatea punctelor va fi diferită în funcție de scopul propus. În cazul
hărților pedologice nu trebuie să existe disproporție în amplasarea sondajelor (profilelor), în
cazul reliefului uniform (câmpie). În cazul studiilor privind poluarea solurilor, în mod cert vor
exista diferențe privind densitatea punctelor de prelevare a probelor.
Considerând că punctele au poziție spațială corectă, în TOC clic dreapta pe
layer→properties→features→single symbol. Din symbol→symbol selector se aleg semnele
dorite (profil=circle16, sondaj=circle 8) sau din edit symbol se crează un simbol.
Reprezentarea prin simboluri cu mărimi diferite (Graduated symbol map) sau a
diagramelor prin cercuri proporționale (Năstase, 1983) are avantajul de a reprezenta
concomitent mărimea unui fenomen și poziția spațială. În pedologie, acest tip de simboluri pot fi
utilizate mai ales pentru a reprezenta poluarea solurilor, fără a exclude alți indicatori. Astfel,
concentrația mai mare a unui element (poluant) va fi reprezentată printr-un cerc sau coloană mai
mare în timp ce valorile reduse sunt asociate cu simboluri de mici dimensiuni.

21
 Metoda de lucru: se aduce shapefile în TOC după care clic dreapta pe
properties→quantities→graduaded symbols sau chart→pie, bar, staked se vor selecta indicatorii
care urmează a fi reprezentați. În funcție de dimensiunea hărții se selectează mărimea
simbolurilor (symbol size from), numărul de clase (classes) și simbolul (template) (dimensiune,
culoare și tip). Simbolurile utilizate sunt de obicei cercuri dar pot fi utilizate și alte simboluri.
Din classify se alege metoda de clasificare având ca element de sprijin datele statistice.
Poluarea poate să afecteze suprafețe mari (poluarea difuză) sau se poate manifesta
punctual. În al doilea caz, putem utiliza diagrame prin cercuri proporționale, dar în funcție de
teritoriul studiat harta poate fi prea „goală” sau prea „plină”. Rezolvarea parțială a problemei
constă în împărțirea setului de valori în clase, iar datele dintr-o clasă vor fi reprezentate printr-un
singur simbol (Cabello, Haverkort, Van Kreveld, & Speckmann, 2008).
Reprezentarea unor caracteristici ale solurilor, pot genera probleme privind relația dintre
dimensiunea poligonului, care indică un tip de sol și dimensiunea simbolului. În cazul unui
poligon sau a mai multor poligoane de mici dimensiuni și a valorilor mari ale indicatorului,
simbolurile vor acoperi poligoanele de sol, împiedecând asocierea unui tip sol cu caracteristica
reprezentată.
Metoda diagramelor prin sectoare circulare (Năstase, 1983) permite reprezentarea mai
multor indicatori pe o singură hartă. Sectoarele circulare permit simbolizarea părților dintr-un
întreg. Prin această metodă pot fi redată concentrația nutrienților (Ca2+, N+, K+ etc.) pe unități
administrative (comune) dar și anumite proprietăți fizice (ex. clase de drenaj).
Metoda izoliniilor se utilizează pentru a reprezenta o proprietate a solului (adâncime
freatic) care se manifestă continuu într-un spațiu finit. În intervalul dintre două izolinii valorile
măsurate se vor încadra într-un anumit interval. În acest, caz legenda va prezenta clase de valori.
Realizarea unei hărții în izolinii pornește de la o serie de puncte distribuite aleatoriu, care au
valori diferite. Alegând o metodă de interpolare adecvată (ex. Kriging) va rezulta o hartă în
izolinii.

22
 Chapter 3 Covariatele, instrument pentru
cartografierea și evaluarea unor proprietăți ale
solurilor

Datorită costurilor ridicate și a timpului alocat pentru efectuarea unor măsurători în teren,
în ultimile decenii s-a dezvoltat cartografierea digitală a solurilor, pe baza datelor auxiliare. În
cartografierea digitală a solurilor au fost observate două direcții: utilizarea modelelor
geostatistice și utilizarea covariatelor. Cartografierea digitală a solurilor pleacă de la o serie de
ipoteze cu scopul predictibilității distribuției tipurilor de sol sau a unor proprietăți ale acestora,
rezalizând legătura dintre observațiile din teren cu predictorii. Metodele geostatisice sunt
insuficiente pentru a permite cartografierea digitală a solurilor, dar acestea pot fi utilizate în lipsa
covariatelor. Dezvoltarea acestor tehnici pot fi aplicate pentru cartografierea solurilor în areale
cu accesibilitate redusă.

3.1. Ortofotoplanul
Aerofotointerpretarea are aplicabilitate în cartografierea unor proprietăți ale solurilor dar
și în domenii conexe (arheologie, amenajarea terenurilor, urbanism).
Tehnologii. Fotogrametria clasică (stereoscopică) se bazează pe reconstrucția modelelor
3D prin suprapunerea a două imagini din același loc, dar din perspectivă diferită. Recent,
structura în mișcare se bazează pe fotografierea multiplă a unui obiect pentru a crea un set de
puncte tridimensional (fiecare având X, Y și Z), corespunzătoare suprafeței (formei) obiectului,
denumit nor de puncte, având asociat un spectru RGB (Shervais, 2016). Imaginile pot fi preluate
din unghiuri diferite și la scări diferite. Structura în mișcare diferă de fotogrametria clasică prin
faptul că utilizează un algoritm de ansamblare a diferitelor imagini, putând să detecteze punctele
care au elemente comune (Nadal-Romero, Revuelto, Errea, & Lopez-Moreno, 2015). Astfel,
„structura” (ex. relieful) unei scene este construită din „mișcarea” camerei foto. Un program
poate identifica obiectele prezente în mai multe scene, denumite descriptori puncte cheie, pe

23
baza unui algoritm, denumit transformarea obiectelor la aceeași scară (SIFT, Scale-Invariant
Feature Transform). Punctele cheie sunt utilizate pentru a calcula poziția relativă a camerei foto
și pentru a crea un nor de puncte cu densitate redusă. Norul de puncte generat de programe
comerciale (PhotoModeler Scannereste). Ulterior, pe baza poziției spațiale a punctelor dispersate
și a camerei foto va fi generat un nor de puncte cu densitate ridicată (Shervais, 2016). Datele pot
fi convertite în MNT, creând premise studierii degradării terenurilor prin eroziune, alunecări etc.
Camera foto trebuie să prezinte următoarele caracteristici: să aibă rezoluție bună (˃12
Mpx), să poată prelua un număr de imagini într-un interval de timp (n imagini/s) și să le stoca, să
dispună de un sistem de poziționare (GPS).
Prelucrarea imaginilor se poate realiza cu ajutorul programelor comerciale (Agisoft
Photoscan Pro) sau open source (VisualSFM) care uneori pot fi mai greu de utilizat deoarece
folosesc liniile de comandă.
Avantaje și dezavantaje față de alte tehnologii. Aerofotogramele, pe baza cărora se poate
evaluarea dinamica solurilor (ex. eroziunea, salinizarea), are la bază zborurile cu avioane de mici
dimensiuni, dotate cu echipamente adecvate. Pentru teritorii de câțiva km2, și pentru intervale
scurte de timp și momente bine definite (ex. imediat înainte și după precipitații) este mai
eficientă utilizarea aeromodelelor și dronelor echipate cu cameră foto. Imaginile sunt mozaicate
automat, rezultând ortofotoplanuri cu rezoluție ridicată și derivatele acestora (MNT). Față de
tehnologiile de tipul scanerele laser la sol sau LiDAR, obținerea aerofotogramelor prin tehnologii
de tipul structură în mișcare impun costuri mai reduse.
Există și o serie de dezavantaje ale utilizării aerofotogramelor, cele mai des menționate
fiind: calitatea imaginilor, tipul suprafeței și acuratețea, care pot fi variabile între diferite tipuri
de suprafețe și metode de procesare (Szabó, și alții, 2016).
În cazul versanților cu morfologie complicată există diferențe între MNT, obținut pe baza
aerofotogramelor și scanării laser, ceea ce poate complică cuantificarea eroziunii în timp.
Datorită neomogenității suprafeței topografice și schimbării continui a micromorfologiei, sursa
erorilor este greu de identificat (Eltner, Mulsow, & Maas, 2013).
Importanța pentru cartografierea solurilor. Trasarea limitelelor între unitățile de sol este
o problemă delicată. În teren, este imposibil să parcurgi la pas întreg teritoriul ce urmează a fi
cartografiat. Doar pe baza orofotoplanului nu se poate trasa limita dintre tipurile de sol, dar unele
elemente facilitează deducerea unor caracteristici ale solurilor. De exemplu, prezența canalelor

24
de drenaj inducee ideea excesului de umiditate în profil. Combinarea cunoștințelor din teren cu
cele furnizate de ortofotoplan poate îmbunătăți calitatea hărții.
Trasarea limitelor. Pentru cartografierea solurilor ortofotoplanul este un instrument de
lucru cu ajutorul căruia se pot trasa cu acuratețe limitele dintre unitățile de sol și alte suprafețe.
În zonele cu roci sedimentare friabile, pe baza ortofotoplanului se pot separa suprafețele
cu sol de cele cu roca la zi. Dacă orizontul de suprafață are culoare închisă, atunci pot fi
identificate și delimitate ușor arealele afectate de eroziune. Prin îndepărtarea orizontului
bioacumulativ sunt expuse la suprafață orizonturi de culoare mai deschisă. Identificarea
suprafețelor afectate de eroziune depinde modul de utilizare a terenurilor, de tipul culturilor și de
umiditatea solurilor. Cel mai ușor sunt observabile solurile erodate pe terenurile arabile. Sub
culturile perene identificarea eroziunii devine dificilă iar sub vegetație forestieră este aproape
imposibilă.
Rețelei de drenaj oferă, indirect informații asupra substratului. Astfel, rețeaua de drenaj
dendritică indică existența materialelor parentale omogene și chiar a pantei și drenajului
(Campbell, 2009).
Cornișa de desprindere marchează trecerea între elementele formelor de relief
(interfluviu-versant) și implicit modificarea tipologiei solurilor.
În zonele montane prăbușirile active duc la acumularea grohotișurilor la baza versanților,
care sunt areale fără sol. Pe baza ortofotoplanului pot fi identificate suprafețele cu roca la zi, în
arealele montane.
Uneori, pot fi identificate anumite tipuri de roci, cum sunt calcarele. Prezența acestora
indică saturația ridicată în baze a solurilor, iar pentru trasarea limitelor se poate folosi
ortofotoplanul și hartă geologică. În funcție de perioada când a fost realizat zborul,
ortofotoplanul poate oferi informații privind salinizarea solului.
Dinamica proceselor geomorfologice, analizată pe baza seriilor temporare pot oferi
informații utile privind dinamica unor areale, pregătind „terenul” pentru adoptarea de măsuri
ameliorative.
Față de imaginile satelitare, orofotoplanurile au avantajul de a putea fi achiziționate la de
mai multe ori în perioade scurte de timp, iar rezoluția ridicată permite cartografierea cu precizie a
solurilor din zona luncilor, turbăriilor etc.

25
 La nivelul albiilor majore, orotofotoplanul este un
instrument eficient pentru cartografierea acoperirii
solurilor cu sedimente, în urma inundațiilor (fig. 3.1 și
3.2). De asemeni, tot la nivelul luncilor, pot fi cartografiate
arealele cu exces de umiditate din freatic, care sunt
asociate cu gleiosolurile.
Aplicațiile fotogrametriei în pedologie au vizat
Fig. 3.1 Albia r. Trouș (2005), SE de
Domnești-Sat, Qmax 2005=3297m3s, Qmax eroziunea solurilor în adâncime și în special eroziunea prin
100ani=3088m3s
ravenare și evoluția solurilor spre badlands. Acuratețea
determinărilor eroziunii a ajuns la lor valori sub-
centimetrice în cazul ogașelor și milimetrice pentru
eroziunea în suprafață. Finețea ridicată a cuantificării
eroziunii în suprafață s-a obținut în înt-un câmp
rexperimental, sub simulatorul de precipitații. S-au
realizat modele 3D la rezoluție de 1 mm înainte și după
aplicarea precipitațiilor iar peste acesta s-au suprapus
Fig. 3.2 Albia r. Trouș (2012), la SE de
Domnești-Sat
imaginile 2D. Diferențele dintre modele 3D la rezoluție
atât a fină a permis evaluarea eroziunii solului (Hänsel, Schindewolf, Eltner, Kaiser, & Schmidt,
2016). Analiza comparativă a MNT obținute prin fotogrametrie și prin scanare laser pentru
câmpuri experimentale de mici dimensiuni (3 x 3 m), după aplicarea dozelor de irigare, nu au
evidențiat diferențe (Nouwakpo, Huang, Frankenberg, & Bethel, 2010).
Corectarea ortofotoplanului. În cazul cartografierii acoperirii solurilor urbane se
impune, într-o primă etapă, corectarea unor imperfecţiuni ale ortofotoplanului. Este cunoscut
faptul că, în funcţie de unghiul din care este luată imaginea pot să apară umbre şi deformări ale
obiectelor. În cazul umbrelor este dificil de trasat limita corectă între suprafeţele acoperite şi
neacoperite.
În ArcGIS, din Windows se poate utiliza instrumental Image Analysis care permite
corecţia unor parametrii (contrast, brightness, transparency şi gamma) sau aplicare DRA
(Dinamic range adjustment). Controlul gamma, ajustează strălucirea valorilor medii, fără să
afecteze valorile extreme, dar poate afecta raportul RGB. Chiar și o mică modificare a valorilor
gamma, afectează semnificativ ortofotoplanul. Este de preferat ca prelucrarea imaginii să se facă

26
pe o copie, conservând în acest fel originalul. Nearest neighbor este metoda ce nu modifică
valoarea pixelilor.
În Arheologie, solul este considerat un depozitar de obiecte și de informație. Urmele de
cărămidă sau alte materiale de construcție la suprafața solului prezintă culori și texturi diferite pe
ortofotoplan, iar gradul de acoperire a solului cu vegetație diferă de zonele limitrofe. Aceste
urme, vizibile pe ortofotoplan, reprezintă indicatori ai solului. În arheologie, indicatorii solului
oferă informații asupra activității și urmelor materiale (cetăților, drumurilor, șanțurilor și
bermelor etc.) ale oamenilor din trecut.
Tipologia formelor indicatorilor solurilor este foarte variată. De exemplu, indicatorii de
vegetație nu oferă informații directe asupra obiectelor situate în sol sau subsol ci indirect, prin
contrast cu mediul (Ceraudo, 2013). Dacă adâncimea la care apar artefactele în sol este redusă,
va limita dezvoltarea vegetației ca urmare a capacității diminuate a solului de a reține apă. În
contrast, șanțurile acoperite cu material humifer sunt favorabile dezvoltării vegetației, care va
contrasta prin înălțime cu zonele din imediata apropiere. Pe ortofotoplan culoarea poate contrasta
imediat după înregistrarea precipitațiilor. Dacă terenul este utilizat agricol iar șanțul a fost
nivelat, atunci posibilitatea ca acesta să fie identificat pe ortofotoplan se diminuează, dar
vegetația poate fi un element de sprijin.

a
Fig. 3.3 Situl archeologic Stâncești (jud. Botoșani) b
Ajunse la suprafață, artefactele vor schimba culorile și reflectanța pe ortofotoplan, prin urmare
solul poate fi un indicator. Recunoașterea siturilor poate fi mai facilă în perioadele când solul nu
este acoperit de vegetație sau după aratură.
Anomaliile topografice constitue alt indicator al prezenței siturilor argeologice. Pe
ortofotoplan este mai dificil de observant aceste anomalii decât pe MNT, rezultat din LiDAR.
Totuși se pot face unele observații asupra gradului de acoperire cu vegetație, relația formelor cu
căile de acces, a dispunerii parcelelor față de anomaliile topografice (fig. 3.3. a și b).

27
 Pentru zonele locuite utilizarea seriilor temporare permite cartografierea gradului de
acoperire a solurilor dar și expansiunea urbană, în detrimental spațiului periurban.

3.2. Modelul numeric al terenului (MNT) și hărțile derivate

Cânt se utilizează un model 3D a suprafeței trebuie avut în vedere diferențele dintre două
tipuri de reprezentări și anume: modelul digital al altitudinilor (DEM) sau modelul numeric al
terenului care este reprezentarea suprafeței terestre, fără să conține alte elemente (clădiri,
vegetație) și modelul digital al suprafeței care include și obiectele de la suprafața acestuia.
Covariatele care pot fi extrase de pe MNT și utilizate în cartografierea digitală a solurilor
sunt: altudinea, panta, curbura în plan, curbura în profil, orientarea, acumularea scurgerii. Pentru
evaluarea (bonitarea) terenurilor agricole sunt luate în considerare o serie de caracteristici ale
reliefului (Teaci, 1980), redate pe baza unor indicatori (tabelul 4) și care pot fi cuantificate pe
baza MNT.
Tabel 4. Caracteristicile terenului evaluate pe baza SIG
Caracteristicile terenului SIG
Relieful -
Forma principală de relief (ind.2) MNT, Lidar
Elemente ale formelor principale de relief (ind. 31) MNT, Lidar
Forme de mezo- și microrelief (ind. 32) Lidar cu rozoluție foarte bună
Înclinarea terenului terenului (ind. 33) Harta pantelor, din MNT, Lidar
Expoziția terenului (ind. 34) Expoziția terenului, din MNT, Lidar
Roca subiacentă -
Grupa de roci subiacente (ind. 21) -
Clasa granulometrică simplificată a rocii subiacente -
(ind. 22)
Acoperirea terenului -
Gradul de acoperire a terenului stânci (ind 35) NDVI, LiDAR cu rezoluție ridicată
Gradul de acoperire cu stufăriș, arborete sau
popândaci (ind 36)
Eroziunea în adâncime -
Categorii de eroziune în adâncime (ind. 37) Se măsoară lungimea (ex. ravene) pe
ortofotoplan
Alunecări de teren -
Categoria de alunecări de teren (ind. 38) -

28
Adâncimea (ind. 39) -
Inundabilitatea prin revărsare posibil LiDAR
Frecvența (ind. 40) -

MNT este elementul de bază pentru realizarea unor modele, cum este cel al scurgerii în
suprafaţă care permite mai departe evaluarea eroziunii solurilor.
Modul de utilizare a terenurilor este corelat cu variabilitatea formelor de relief. Dacă sunt
suficiente puncte de observaţi în teren pentru anumite caracteristici morfologice ale solurilor care
ulterior să fie poziţionate cu acurateţe pe MNT, atunci există posibilitatea găsirii unor
corespondențe între tipurile de sol şi formele de relief.
Formele de relief pot fi predictori pentru tipurile de sol deoarece evoluția solurilor
depinde de caracteristicile litologiei și de scurgerii apei în suprafață și în profil. În aceste
condiții, ca o regulă generală solurile pe suprafețele plane vor avea grosimi mai mari decât cele
de pe versanți. Astfel, 50% din variația grosimii orizontului A poate fi explicată prin intermediul
pantei (Scull, Franklin, Chadwick, & McArtur, 2003).
Pentru aplicațiile geomorfometrice agroterasele care ocupă suprafețe mari, cum sunt cele
din Asia, reprezintă „artefacte” pe MNT și trebuie corectate prin tehnici speciale (Reuter &
Hengh, 2006). În pedologie caracteristicile particulare ale reliefului, cum sunt agroterasele,
rezultate din intervenția antropică constituie un reper important pentru cartarea antrosoluri, doar
că acestea pot fi observate pe modelele cu rezoluție ridicată nu și pe cele grosiere.
Rezoluția și scara, variabile care influențează gradul de încredere a rezultatelor?
Modelul numeric al terenului ridică două probleme privind dimensiunea pixelilor: a) la
rezoluție fină, atributele terenului sunt redate printr-o multitudine de detalii care inevitabil
invalidează acuratețea predicțiilor; b) la rezoluție redusă, atributele terenului evidențiază doar
caracteristicile generale, diminuând capacitatea de predicție (Cavazzi, Corstanje, Mayr, Hannam,
& Fealy, 2013).
Pentru rezoluția MNT de 10 m acuratețea depășește 50%, iar pentru 30 m rezoluție,
acuratețea scade la 20-30%, în același timp trecerea de la suprafețe de studiu foarte mici către
cele mari duce la diminuarea acurateții rezultatelor (Dobos & Hengh, 2006).
Rezoluția trebuie corelată cu caracteristicile terenului ce urmează a fi analizat. Se
consideră că pentru terenurile joase, uniforme, se poate folosi MNT cu rezoluție grosieră (100 m)

29
în timp ce pentru regiunile colinare și cele cu altitudini mai mari, unde au loc frecvente
schimbări de pantă, este de preferat o rezoluție mai fină. Pe terenurile joase, uniforme,
modificarea învelișului pedologic la nivel de tip este mai redusă față cele în care au loc schimbări
frecvente de pantă.
Creșterea rezoluției și implicit a detaliilor MNT ridică două aspecte: a) odată cu
dimensiunea fișierului crește timpul de analiză și, b) rularea modelelor necesită tehnologie de
vârf.
Altă chestiune importantă vizează relația dintre rezoluția imaginii, identificarea obiectelor
și scara hărții. Predicția unor variabile ale solurilor depinde de rezoluția MNT și de scara la care
procesele controlează pedogeneza. Problema constă în determinarea scării la care procesele și
fenomenele contribuie la formarea solurilor. Este o problemă dificil de rezolvat deoarece diferiți
factori pedogenetici și procese acționează la diferite scări iar analizele efectuate pe datele
obținute pentru o anumită scară nu sunt valabile pentru altă scară (Cavazzi, Corstanje, Mayr,
Hannam, & Fealy, 2013).
Pentru a afla dimensiunea obiectelor detectabile pe hartă, numitorul scării se divide la
1.000 iar pentru a afla rezoluția rasterului rezultatul se împarte la 2 (tabelul 5) (Waldo, 1987).
Tabel 5. Relația dintre scara hărții rezoluția imaginii și dimensiunea obiectelor
Dimensiunea
Rezoluția
Scara obiectelor
rasterului
detectabile (m)
1:10.000 10 5
1:50.000 50 25
1:100.000 100 50
1:250.000 250 125
1:1.000.000 1.000 500
Învers, pentru a afla scara hărții plecând de la o imagine cu rezoluție cunoscută se aplică
formula:
Scara hărții=𝑟𝑒𝑧𝑜𝑙𝑢ț𝑖𝑎 𝑟𝑎𝑠𝑡𝑒𝑟𝑢𝑙𝑢𝑖 × 2 × 1000 (2)
Rezoluția rasterului poate fi aflată facil din ArcCatalog-Raster information sau măsurând
dimensiunea unui pixel pe hartă.
În SIG obiectele sunt reprezentate prin intermediul punctelor, liniilor și poligoanelor, iar
această clasificare face posibilă stocarea informației într-o bază de date geografică. Pentru
fiecare dintre aceste categorii, rezoluția este dată de formula (3):

Rezoluția spațială medie=√𝑑𝑜𝑚𝑒𝑛𝑖𝑢⁄𝑛𝑢𝑚ă𝑟𝑢𝑙 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎ț𝑖𝑖 (Waldo, 1987) (3)

30
unde, domeniu este suprafața (regiunea) care conține observații și care poate fi reprezentată
printr-o dimensiune (linie), prin două (suprafață) sau prin trei (volumul).
Înafară de rezoluție, calitatea modelelor rezultate din MNT depinde și de acuratețea
verticală absolută, care indică cât de exact este redată altitudinea la nivelul fiecărui pixel.
Această caracteristică depinde de calitatea senzorului LiDAR, printre cele mai bune rezultate
sunt date de acuratețea verticală de 8-11 cm și 2-3 cm acuratețe verticală (Mulder, Bruin,
Schaepman, & Mayr, 2011).

3.2.1. Harta pantelor

În arealele în care aspectul, altitudinea şi panta pot influenţa formare solurilor, atunci
MNT devine un intrument util pentru realizarea hărţii solurilor, sau o covariată predictivă.
Harta pantelor, derivată din MNT se obține urmând etapele: Spatial analyst
tools→Surface→Slope. Una din problemele care trebuie rezolvate este valoarea factorului Z,
când harta pantelor este exprimată în grade. Problema apare când unitatea de măsură pentru
sistemul de coordonatele geografice (ex. grade zecimale) este diferită față de unitatea de măsură
a factorului Z, pentru MNT (Frye A. , 2010). Pentru lat. 450N, Z=0,00001215.
Când harta pantelor este realizată corect și celelalte covariate (curbura, indicele de
umiditate) vor fi corecte (Shi, Girod, Long, DeKett, Phillippe, & Burke, 2012).
Precizia hărții pantelor depinde de sursa MNT. Astfel, analiza comparativă a datelor
obținute pe baza MNT rezultat din LiDAR și din USGS, cu cele rezultate prin prelucrarea datelor
obținute prin măsurători în teren demonstrează că primul are performanță mai ridicată față de al
doilea (Shi, Girod, Long, DeKett, Phillippe, & Burke, 2012). Aceste diferențe pot rezulta din
algoritmul de interpolare.
Clasele de pante rezultate pe baza MNT nu au un grad ridicat de încredere pentru pante
sub 5%. Astfel, pantele cu declivitate redusă tind să supraestimeze valorile obținute prin
măsurători în teren în timp ce versanții cu declivități mai mari subestimează măsurătorile din
teren (Shi, Girod, Long, DeKett, Phillippe, & Burke, 2012).
În cazul hărţii pantelor, experienţa demonstrează că o suprafaţă de 4 ha rezultată prin
clasificare este cea mai mai utilizată, diferit de harta neclasificată care preia multe detalii, în timp
ce în cazul suprafeţelor mari se vor fi pierdute unele detalii. În cazul în care harta pantelor este

31
utilizată ca instrument auxiliar pentru realizarea hărţii solurilor se recomandă separarea mai
multor clase de pante. În cazul clasificării hărţii pantelor este de preferat ca unele clase să
exprime diferenţe în managementul solurilor (ex. valori de la care nu pot fi folosite utilajele și
atunci terenurilor vor fi utilizate pentru pășunat, livezi etc.).

3.2.2. Curbura versanților

Curbura versanților influențează scurgerea, deci în funcție de litologie și de modul de
utilizare a terenurilor poate fi declanșată eroziunea. Scurgerea în suprafață este influențată de
forma versantului. Pe un versant rectiliniu (C) scurgerea în suprafață are tendința de a forma
talveguri paralele. Dacă un sector de versant este asociat cu valori negative ale pixelilor (A),
atunci versantul este convex la partea superioară. Invers, sectorele de versant cu valori pozitive
ale pixelilor (B) indică existența concavității la partea superioară. Pe un versant convex viteza
apei este mai mare, iar profilul de sol este adesea trunchiat, caz în care în taxonomia solurilor se
utilizează calificativul erodic. Pe un versant concav viteza ape se diminuează ceea ce duce la
acumularea sedimentelor, iar profilul de sol va prezenta un orizont A îngroșat, cee ce corespunde
calificativului coluvic.
Curbura în profil (convexitatea (C) și concavitatea (D) este dată de curbura pe direcția
descendentă a pantei, în timp ce curbura în profil (curbura tangențială sau curbura conturului)
este perpendiculară pe curbura în plan (Thompson, Roecker, Grunwald, & Owens, 2012).

Dacă curbura în plan are valori pozitive pe raster înseamnă că partea superioară este
convexă (C) iar dacă valorile sunt negative (D) atunci partea superioară este concavă, în timp ce
valoarea 0 (E) indică versanți cu aspect rectiliniu (Buckley, 2010).
Combinația dintre curbura în plan și curbura în profil vor influența viteza și direcția
scurgerii apei la nivelul fațetelor de versant, dacă excludem alți factori (ex. direcția arăturii) care
pot influența în realitate cei doi parametrii. Curbura în profil influențează tendința convergentă
sau divergentă a scurgerii. Odată declanșată eroziunea, apa încărcată cu particule de sol va avea
tendința să se deplasată din zonele divergente pentru ca apoi materialul solid să fie descărcat în
cele convergente, modificând continuu morfologia solului.

32
 Curbura versanților, derivată din MNT, se face prin comenzile: Spatial analyst
tools→Surface→Curvature. Pentru reprezentarea datelor continui de pe raster (MNT) este
recomandată metoda bilineară de interpolare (Layer properties→Resample during display using:
Bilinear interpolation (for continous data).
Radiația solară și poziția topografică sunt indicatori mai puțin afectați de MNT decât
variabile precum panta, orientarea, indicele de umiditate (Temme, Heuvelink, Schoorl, &
Claessens, 2006).

3.2.3. Indicele de umiditate

Indicele de umiditate poate fi generat pe baza MNT. Umiditatea solului este o
caracteristică esențială pentru distribuția areală a unor specii de plante (ex. higrofile) la nivelul
diferitelor forme de relief (luncă, versant).
Solurile cu exces de umiditate au rol important în creșterea stocului de C organic. Pe de
altă parte, în solurile cu exces de umiditate și în cele cu drenaj foarte bun (uscate) activitatea
microbiană este redusă.
Cunoașterea indicelui de umiditate are importanță practică în relația dintre circulația
utilajelor și compactarea solului. Politica recentă din domeniul industriei forestiere din Suedia
recomandă ca „circulația utilajelor pe solurile forestiere să fie planificată în concordanță cu
caracteristicile solului, cu apele de suprafață și cu moștenirea culturală” (Agren, Lidberg,
Stromgren, Ogilve, & Arp, 2004). Eroziunea în lungul drumurilor agricole și forestiere modifică
circulația apei la nivelul versantului, determinând un flux crescut de sedimente către colectorul
principal, punând în pericol existența unor specii acvatice.
Indicele topografic de umiditate (TWI - topographic wetness index) are la bază formula:

TWI=lg(a/tgβ) (4)

unde a=suprafața specifică a bazinului, sau arie de deasupra punctului pe lungimea curbei
de nivel (A/L), iar β=panta (Tarboton, 1997).
TWI poate fi calculat utilizând modulul TauDEM 5.0 compatibil cu ArcGIS 10, putând fi
descărcat de pe pagina http://hydrology.usu.edu/taudem/taudem5/downloads.html (Tarboton,
1997).
Valorile mari ale TWI indică areale de acumulare a apei, corespunzătoare pantelor mici în
timp ce valorile mici indică drenajul (scurgerea în suprafață) bun și pante mai accentuate. Mai

33
detaliat, Drover et al. (2015) propune evaluarea umidității pe baza ponderii procentuale din TWI,
astfel <10 foarte mică, 10-25 mică, 25-75 medie, 75-90 mare și >90 foarte mare.
Rezultatele TWI depind de rezoluția MNT: pentru modelele grosiere talvegurile și
depresiunile locale nu sunt delimitate corect în timp ce TWI pe un MNT cu rezoluție mică nu
separă corect zonele umede de versant (Sørensena & Seibert, 2007). În ultimul caz, utilizarea
TWI derivat dintr-un MNT grosier ar induce erori în separarea gleiosolurilor de subtipurile gleice.
Pe MNT cu rezoluție ridicată (2,5 m) valorile mari ale TWI sunt influențate de morfologia locală
a văii, pe modelele cu rezoluție de 20 și 30 m văile sunt foarte bine delimitate de versant, iar pe
cel de 50 m modelarea TWI crează asemănări cu
harta rețelei de drenaj. La orice rezoluție, TWI
prezice existența unor firișoare cu exces de
umiditate până la partea superioară a versantului,
dar nici solurile și nici vegetația nu reflectă aceste
caracteristici (Drover, Jakson, Bitew, & Du,
2015).
Fig. 3.4 Continuarea rețelei de drenaj dincolo de obstacole Studiile recente utilizează indicele
cu modelul DTW
cartografic a adâncimii apei (DTW, cartographic
depth-to-water index) pe baza LiDAR. Noul model rezolvă problema discontinutăților create de
obstacolele antropice (șosele în rambleu) care modifică scurgerea și distribuția arealelor cu exces
de umiditate (fig. 3.4) (White, și alții, 2015).

3.3. LiDAR
Utilizarea LiDAR pentru cartografia și evaluarea unor proprietăți ale solurilor
Scanarea laser terestră permite obținerea imaginii tridimensionale a suprafeței terestre și a
obiectelor situate pe aceasta și are aplicații din cele mai variate în domeniul geoștiințelor
(arheologie, modelarea inundațiilor, caracteristicile vegetației.).
În domeniul forestier, scanarea laser permite modelarea coronamentului, identificarea
structurii verticale a arborilor, iar pentru evoluția învelișului pedologic este importană estimarea
biomasei ajunsă la suprafața solurilor.
Reflectanța spectrală a fiecărei suprafețe este stâns legată de „intensitate”, care depinde
de lungimea de undă a laserului utilizat situat, cel mai adesea, în infraroșu (800-2100 nm).

34
Intensitatea este măsura relativă a puterii semnalului recepționat și care generează puncte.
Intensitatea poate fi considerată ca fiind un punct de sprijin pentru detectarea și extragerea
obiectelor, pentru clasificarea punctelor și ca susbstitut a imaginilor aeriene, când acestea nu sunt
disponibile. Intensitatea este relativă, nu este cuantificabilă, prin urmare nu poate fi obținută
aceelași valoare pentru același obiect, de la un zbor la altul sau de la o altitudine la alta (ArcGIS).
Utilizarea informației derivate din intensitate a permis realizarea unor studii care
vizează cartografierea litologiei, clasificarea utilizării terenurilor, estimarea stocului de C
organic, iar în domeniul pedologiei au fost evaluate proprietăți precum umiditatea suprafeței
solului, neuniformitatea suprafeței terenului și textura.
Intensitatea (LiDAR) poate explica variația spațială a unor proprietăți ale suprafeței
solurilor, cum ar fi materia organică, azotul total și adâncimea (Li, Liu, Tao, Li, & Fang, 2016).
Conținutul în materie organică și N total este puternic corelat cu valorile intensității LiDAR, care
oferă informații despre ponderea relativă a legăturilor între C-H și N-H din compușii organici ai
solului.
Avantajele și dezavantajele utilizării LiDAR în pedologie
Modelul numeric al terenului rezultat din LiDAR (Light Detection and Ranging) are un
nivel ridicat de rezoluție verticală și orizontală dar costurile sunt ridicate față de MNT clasic, de
aceea utilizarea acestuia pentru realizarea hărții solurilor rămâne încă limitată. Pe de altă parte,
MNT obținut pe baza LiDAR trebuie supus procesării pentru a elimina o serie de detalii ale
terenului cum ar fi coronamentul arborilor, șosele și formele antropice (deblee, ramblee) asociate
acestora, suprafețele cu fragmente de rocă la zi etc., care nu sunt importante pentru realizarea
hărții solurilor (Shi, Girod, Long, DeKett, Phillippe, & Burke, 2012).
Pentru aplicațiile în domeniul forestier modelul numeric al terenului obținut din LiDAR
suportă o toleranță de 0,5 m (ex. pentru înălțimea arborilor) dar pentru estimarea subsidenței în
cazul acumulărilor de turbă (histosoluri) din zona temperată și tropicală tolerața trebuie să fie
mai mică. Erorile pe MNT datorate stratului superior al vegetației (˃10m) sunt reduse dar cresc
în cazul stratului inferior al vegetației (<3,5 m) și odată cu densitatea vegetației, cum este cazul
ferigi și mărăcinișurilor (rugi de mure) (Simpson, Smith, & Wooster, 2017).
Utilizarea LiDAR este eficientă tehnic și economic când cunoștințele din teren, de la
nivelul unor suprafețe mici pot fi extrapolate la suprafețe mari, cu condiția ca terenul să fie
uniform.

35
 Se pare că există și unele dezavantaje legate de rezoluția MNT din LiDAR. Astfel,
pantele rezultate din MNT la 5 și 10 m sunt similare cu măsurătorile din teren în timp ce pentru
MNT la 1 m, valorile pantelor sunt mai puțin apropiate de măsurătorile din teren (Gillin, Bailey,
McGuire, & Prisley, 2015).
Nu întotdeuna este necesară eliminarea detaliilor MNT rezultat din LiDAR, iar cea mai
bună decizie trebuie privită prin prisma caracteristicilor solurilor ce urmează a fi cartografiate
dar și a gradului de detaliere a hărții. Un rambleu poate fi un abstacol pentru drenajul apelor între
versant și albia minoră, care să inducă procese de stagnogleizare. Algoritmul de interpolare a
datelor diminuează caracteristicile terenului la nivel de microtopografie, astfel încât prezența
fragmentelor de rocă la suprafața solului sau procesele incipiente de eroziune, de tipul rigolelor
vor fi mai puțin observabile.

3.4. Imaginile satelitare

Imaginile satelitare constituie un instrument pentru evaluarea unor proprietăți interne ale
solulurilor, acestea constituind măsura cantitativă a reflectanței suprafeței. Culoarea solului este
determinate de conținutul în materie organică, de tipul și concentrația unor oxizi, săruri etc., prin
urmare reflectanța va fi influențată de acești componenți. Creșterea conținutului în materie
organică sau a umidității solurilor are ca efect diminuarea medie a reflectanței sau a albedoului
(Scull, Franklin, Chadwick, & McArtur, 2003). Solurile din zonele tropicale care au conținut
ridicat în oxizi de fier vor avea reflectanță ridicată pentru banda roșu.
Scenele Landsat recente sunt captate pe baza a trei senzori: Landsat 7 cu Landsat
Thematic Mapper (TM) și Landsat 8 cu Landsat Enhanced Thematic Mapper Plus (ETM+) și
Landsat Operational Land Imager (OLI). În funcție de spectru, se diferențiază benzile vizibil (R,
G, B), infraroșu apropiat (NIR), infraroșu în unde scurte (SWIR), termic infraroșu (TIRS) și
pancromatic (PAN) (tabelul 6).
Tabel 6. Caracteristicile benzilor spectrale pentru Landsat 7 și 8
Landsat 5 Landsat 7 Landsat 8 OLI și TIRS
Banda Lungimea Rezoluția Lungimea Lungimea de Rezoluți
Banda Rezoluția Banda
numărul de undă de undă undă a
numărul numărul
(µm) (m) (µm) (m) (µm) (m)
1 Coastal 0,43–0,45 30
1 Blue 0,45-0,52 30 1 Blue 0,45–0,52 30 2 Blue 0,45–0,51 30
2 Green 0,53-0,61 30 2 Green 0,52–0,60 30 3 Green 0,53–0,59 30
3 Red 0,63-0,69 30 3 Red 0,63–0,69 30 4 Red 0,64–0,67 30

36
4 NIR 0,78-0,90 30 4 NIR 0,77–0,90 30 5 NIR 0,85–0,88 30
5 Short- 1,55-1,75 30
wave 5 SWIR 1 1,55–1,75 30 6 SWIR 1 1,57–1,65 30
Infrared
6 TIRS 10,4-12,5 60 7 SWIR 2 2,09–2,35 30 7 SWIR 2 2,11–2,29 30
7 Short- 2,09-2,35 30
wave 8 Pan 0,52–0,90 15 8 Pan 0,50–0,68 15
Infrared
9 Cirrus 1,36–1,38 30
10,40– 10 TIRS 1 10,6–11,19 100
6 TIR 30/60
12,50 11 TIRS 2 11,5–12,51 100
https://landsat.usgs.gov/landsat-8-l8-data-users-handbook-section-2
Cartografierea unor proprietăți ale solurilor și ale celorlalte componente ale mediului se
poate face cu programe specializate (Geomatica, ENVI&IDL etc.) sau programe care au module
specializate.
Benzile spectrale și modul lor de combinare oferă informații asupra unor caracteristici ale
componentelor mediului (tabelul 7, 8 și 9). Unele benzi evidențiază trăsături ale vegetației sau
realizează diferențieri între specii (ex. foioase de rășinoase). Vegetația se adaptează la
caracteristicile solului (chimice, hidrice) dar în același timp vegetația poate influența evoluția
pedogenetică (litiera acidă are rol important pentru procesul de podzolire) și proprietățile
solurilor.
Tabel 7. Importanța benzilor Landsat 8 OLI și TIRS în cartografia solurilor
Banda Aplicație în cartografie
diferențierea suprafețelor cu sol de cele acoperite cu vegetație și foioasele de
2 blue
conifere
3 green maximul dezvoltării vegetației este utilizat pentru a înțelege vitalitatea plantelor
4 red Discriminant pentru vegetație
5 NIR Aplicații în ecologie prin conținutul în biomasă și linia țărmului
6 SWIR 1 diferențiază umiditatea solului și vegetația, aplicații în geologie și mineralogie,
7 SWIR 2 identificarea obiectelor în mediu urban
8 Pan rezoluție 15 m, diferențiază obiectele cu caracteristici diferite în cadrul unei imagini
10 TIRS 1 rezoluție 100 m, cartografie în spectru termic și estimează umiditatea solului
11 TIRS 2 rezoluție 100 m, cartografie în spectru termic și estimează umiditatea solului
Imaginile Landsat au avantajul că pot fi achiziționate fără costuri
(https://earthexplorer.usgs.gov/) iar înregistrările pentru o perioadă lungă (1972 până în prezent)
de timp permit analiza seriilor temporale pentru evaluarea dinamicii unor componente ale
mediului (ex. defrișările și eroziunea solurilor). Trebuie ținut cont că lungimea de undă de la o
serie de sateliți Landsat la alta diferită, prin urmare combinare acelorași benzi din Landsat 7
37
(tabelul 8) și Landsat 8 (tabelul 8) pentru a evalua caracteristicile sau dinamica unor obiecte din
natură nu va da rezultate scontate.
Tabel 8. Combinația benzilor în Landsat 7
Combinația benzilor în Landsat 7 (și 5) pentru
Obiecte
culori naturale (3,2,1) false color (4,3,2) pseudo-natural color (7,4,2)
Arbori și arbuști Verde-oliv Roșu Nuanțe de verde
Culturi Verde mediu spre Roz spre roșu Nuanțe de verde
deschis
Vegetație de Verde închis spre Roșu închis Nuanțe de verde
mlaștină negru
Apă Nuanțe de albastru, Nuanțe de albastru Negru spre albastru închis
verde sau maro
Spațiu urban Alb spre albastru Albastru spre gri Violet
deschis
Sol neacoperit Alb spre gri deschis Albastru spre gri Magenda, violet sau roz deschis
Solurile care 4,5,7 (ETM+)
conțin natriu
Raporturile Accentuează
(ETM+): 3/2 și concentrația
3/7 carbonaților, oxizilor
de fier
https://landsat.gsfc.nasa.gov/wp-content/uploads/, (Boettinger, și alții, 2008)

Tabel 9. Combinația benzilor în Landsat 8

Combinația
Obiecte benzilor în Culoarea, caracteristici
Landsat 8
Culori naturale 4,3,2
Urban 7,6,4 Suprafețele construite apar în culori deschise, spre alb și violet
Sănătatea vegetație Roșu aprins, dar solul variază de la negru la maro deschis.
(infraroșu) 5,4,3
Vegetația cutivată este verde deschis, alte tipuri de vegetație au
Agricultură 6,5,2 nuanțe verde închis,
6,5,4 Vegetația este verde deschis iar solul este violet
Atmosfera 7,6,5 Umiditatea solului
Vegetația rară nu este ușor de detectat, solul poate fi verde sau
Starea vegetației 5,6,2 maro
5,6,4
Teren/apă
5,7,1 În false color vegetația apare în nuanțe de oranj

38
Geologie, materiale
Pot fi diferentiate diferite tipuri de roci
parentale 7,4,2
Natural With
În false color composit, vegetația este verde deschis, iar
Atmospheric
suprafețele de sol neacoperite sunt roșii (roz)
Removal 7,5,3
Unde scurte în
infraroșu 7,5,4
Analiza vegetației 6,5,4 Vegetația apare în nuanțe de verde deschis
https://blogs.esri.com/esri/arcgis/2013/07/24/band-combinations-for-landsat-8/, (Focaretal, Marcuccio, Votto, &
Ullo, 2015)
Preprocesarea datelor satelitare
Prima etapă a pre-procesării imaginilor satelitare cuprinde georeferențierea și corectarea
atmosferică a imaginilor.
Pentru utilizarea imaginilor Landsat pe spații mari și pentru perioade diferite de timp se
impune mai întâi calibrate acestora. Una din metodele de calibrare constă în transformarea
numărului digital (DN) în radianță și apoi în reflectanță pentru partea superioară a atmosferei
[Chander et al., 2009].
Numărul digital pentru fiecare bandă (b) este transformat în valori ale radianței (L) pe
baza coeficientului de calibrare amplificare (gain) și decalare (offset), livrați odată cu imaginile,
conform relației (5):
Lb=𝐺𝑎𝑖𝑛𝑏 × 𝐷𝑁𝑏 + 𝑜𝑓𝑓𝑠𝑒𝑡𝑏 (5)

Transformarea din radianța senzorului pentru atmosfera înaltă se realizează cu formula (6):
𝜌𝜆=𝜆𝐿𝑑𝑟 2 /𝐸𝑜𝜆 𝑐𝑜𝑠𝜃𝑠 (6)
Unde ρλ=este reflectanța (TOA), Lλ=radianța spectrală a atmosferei (TOA) (W m-2 sr-1 μm-1),
d=distanța Soare-Pământ (unități astronomice) și θs=este unghiul solar zenital (grade).
Elemente de interpretare vizuală
Imaginile satelitare constituie un instrument pentru identificarea unor proprietăți ale
solurilor, pe baza unor indici. Realizarea unor indici specifici este dificilă deoarece solul este un
corp natural complex, constituit din ponderi diferite ale fracțiunilor granulometrice, din minerale
și tipuri diferite de humus care determină valori diferite ale reflectanței spectrale. Datorită
diversității spațiale și temporale ale unor caracteristici, solul nu are o semnătură spectrală
specifică, aceasta variind în funcție de proprietățile interne.

39
 Pe imaginile Landsat 5TM s-au observat asemănări între sol și alte obiecte ceea ce
îngreuneză diferențierea acestora între mediu urban și rural. Uneori se crează confuzii între solul
umed și apă, umbrire și suprafețe impermebile de culoare închisă sau între surafețele cu sol
neacoperit și suprafețele impermeabile de culoare deschisă din mediu urban (Deng, Wu, Li, &
Chen, 2015).
Recunoașterea obiectelor și componentelor mediului este elementul cheie pentru
interpretarea imaginilor satelitare și pentru extragerea informației. Diferențele dintre un anumit
obiect și elementele alăturate înseamnă a le compara visual pe baza tonalității de culoare,
texturii, structurii, formei, dimensiunii și asocierii.
Diferențierea obiectelor în cadrul unei imagini se va face pe baza caracteristicilor redate
în tabelul 10.
Tabel 10. Interpretarea imaginilor se face pe baza a șase proprietăți majore (McWilliam, Teeuw, Whiteside, &
Zukowskyj, 2005)
Nr. Proprietățile imaginii Exemplu
Tonul de culoare
 reprezintă variația strălucirii culorilor unui obiect sau a
1 unei imagi.
 permite diferențierea unui obiect, dar nu luat singular ci în
asociere cu celelalte elemente (formă, textură etc.).
Textura
 reprezintă modul de aranjare și frecvența tonurilor în
cadrul unei imagini sau alternanța dintre suprafețele
„netede” cu „asperități”.
2
 O suprafață plană are pe imagine textură uniformă, în timp
ce alunecărilor se vor schimba frecvent tonalitățile
indicând complexe de soluri.
 Textura solului≠textura imaginii.
Structura
 indică modul de aranjare în spațiu a obiectelor.
 reflectă pe imagine, combinația tonurilor de culoare cu
textura, care pot oferi informații asupra utilizării
terenurilor.
3
 Terenurile agroterasate vor avea o structură spațială
ordonată, sugerând asocierea cu antrosolurile.
 Structura ordonată a locuințelor indică invelișul pedologic
dominat de tehnosoluri.
 Structura solului≠structura imaginii.

40
 Forma
 este data de limitele unui obiect;
 este determinată de caracteristicile naturale ale reliefului
sau de modelarea acestuia de către om.
4  Unele obiecte pe imagine au forme neregulate (pădure) în
timp ce parcele agricole au frecvent unghiuri drepte, iar
cele irigate cu aspersoare au formă de cerc. Acestea permit
asocierea cu prezența unui anumit tip de orizont (Ap
pentru terenurile agricole).
Dimensiunea
 este un aspect important al asocierii și care permite
recunoașterea unor obiecte în raport cu altele.
 Diferențierea dimensiunii obiectelor poate oferi
5
indirect, informații asupra solurilor. Astfel, clădirile de
dimensiuni mari pot avea funcție industrială și de aici
posibila poluare a solurilor, diferit de clădirile din
zonele rezidențiale.
Asocierea
 este modul în care se combină obiectele pentru a forma o
imagine.
 Odată identificarea unui obiect pe imagine este de așteptat
6 ca acesta să se asocieze cu altele și de aici interpretarea
caracteristicilor solurilor poate fi mai ușoară. De exemplu,
un râu indică prezența fluvisolurilor, dar un râu puternic
meandrat cu numeroase bălți indică asocierea
fluvisolurilor cu gleisolurile.
https://www.quora.com/What-are-the-best-sites-for-free-Remote-sensing-textbooks
https://www.nrcs.usda.gov/wps/portal/nrcs/detail/soils/ref/?cid=nrcs142p2_054254#map_units
Tehnologii de procesare a datelor
Segmentarea reprezintă partiționarea suprafețelor continui de pe raster pentru obține
suprafețe omogene, pe baza valorilor pixelilor sau a unor similitudini ale acestora (textura,
valoare spectrală, locație). Dintre metodele de clasificare trei sunt mai frecvent utilizate:
clasificarea obiectelor, pixelilor și clasificarea sub-pixelilor.
Clasificarea obiectelor constă în segmentarea imaginii în obiecte discrete, definite prin
intermediul unui grup de pixeli, dacă arealul de interes este mai mare decât mărimea unui pixel.
Clasificarea pixelilor este o metodă tradițională de clasificare, care ia în considerare
informația spectrală a fiecărui pixel astfel încât aceștia sunt clasificați în categorii distincte

41
pentru a obține o imagine. Clasificarea individuală a pixelilor este viabilă dacă dimensiunea
acestora este egală sau mai mică decât dimensiunea obiectelor. Pe baza pixelilor pot fi clasificate
suprafețe mai mari, continui, cum este cazul halelor industriale.
Metoda este aplicată pentru calculul unor indici ai vegetației (NDVI) dar și pentru
clasificarea utilizării terenurilor în mediu urban, dacă se utilizează imaginile multispectrale (ex.
Quickbird).
Clasificarea sub-pixelilor este mai adecvată față de clasificarea anterioară pentru
cuantificarea suprafețelor impermeabile în amestec cu cele permeabile (ex. alei betonate între
blocuri). În literature sunt menționate două limitări pentru acest tip de analiză. Prima se referă la
dimensiunea pixelilor și a doua la identificarea pixelilor puri (endmembers) pentru fiecare clasă
de obiecte. În al doilea caz, amestecul materialelor în mediu urban crează probleme pentru
clasificarea pixelilor puri. În general, se consideră că proprietățile spectrale ale pixelilor
amestecați pot fi identificate plecând de la semnătura spectrală a fiecărui pixel pur. În realitate,
lucrurile sunt mai complicate, deoarece în mediu urban se găsesc o multitudine de tipuri de
materiale, înafara celor care contribuie la impermeabilizarea solurilor și care au reflectață
proprie. Practic, este imposibil de identificat și clasificat combinațiile dintre materialele
necunoscute și cele cunoscute (asfalt și ulei vegetal). Analiza sub-pixelilor permite cuantificarea
unui material în fiecare pixel, ajungând până la precizie de 1-3% din gradul de acoperire a unui
pixel.

3.4.1. Tehnici de transformare a datelor

Analiza componentelor principale (Principal components)
Principal component analysis (PCA) este o metodă de statistică multivariată care permite
reorganizarea informației. Prin această tehnică variabilele originale sunt înlocuite cu altele noi,
denumite componente principale, care pot avea varianțe (eigenvalue). Varianțele conțin
informații despre ponderea varianței totale, explicată de fiecare PCA.
PCA poate examina relațiile multivariate și explică varianța în cadrul datelor prin
reducerea numărului de variabile, la câteva grupuri. Aceasta poate fi utilizată cu succes când:
avem un număr mare de variabile pe care le reducem la un set mic de componente; stabilim
corelațiilor dintre variabile; determinăm variabilele latente (mai puține ca număr).

42
 PCA are avantajul de a identifica structura în cadrul datelor, accentuând similitudinile și
diferențele, iar dezavantajul este dat de faptul că proprietățile unui obiect depind de
comportamentul temporal al altor pixeli din imagine (Gupta, Tiwari, Saini, & Srivastava, 2013).
Analiza PCA pe baza imaginilor satelitare poate fi utilizată în pedologie pentru: analiza
poluării solurilor, în cazul asocierii mai multor elemente; analiza relației sol-vegetație pe baza
imaginilor satelitare, pentru arealele puternic erodate și în condițiile contrastului de culoare cu
orizontul bioacumulativ; identificarea unor tipuri de materiale parentale; studiul relației dintre
elementele chimice din sol, în cazul aplicării irigațiilor.
Analiza PCA se realizează în două etape. În prima etapă, pe baza a trei benzi se va realiza
un raster composit, după algoritmul: data management→raster→raster processing→composite
bands. Pentru analiza solurilor erodate vom folosi Landsat 8, benzile 4, 3 și 2.
Vom obține un raster false colour composite (FCC), pe baza modului diferit de
combinare a culorilor (roșu, galben, albastru-RGB), iar pentru a obține o imagine a căror culori
să fie apropiate de cele reale, ordonarea se va face astfel: R,G,B=3,2,1. Rasterul FCC obținut
prin combinația benzilor 4, 3, 2 poate fi util pentru realizarea hărților unde obiectele sunt
reprezentate prin culori apropiate de domeniul real.
În a doua etapă vor fi generate două fișiere: un raster și un fișier text, urmând pașii:
spatial analyst tools→multivariate→principal componets.

Indicele Tasseled cap (ITC)

Ce este ? Conceptul transformării tasseled cap constă în compresia datelor spectrale în
câteva benzi, asociate caracteristicilor fizice ale scenelor. TCI a fost conceput pentru a înțelege
dezvoltarea culturilor în spațiul spectral cu ajutorul datelor Landsat TM.
Cum funcționează? Tasseled cap derivă din analiza componentelor principale, utilizată
frecvent pentru evaluarea dimensiunea datelor. Tasseled cap, la fel ca și analiza componentelor
principale constă în transformarea datelor într-un sistem de cordinate nou, având un set nou de
axe ortogonale. În cazul distribuției datelor într-un spațiu plan, primele două componente
principale pot fi utilizate pentru a defini planele în care datele sunt dispersate. Cele două plane de
distribuție a datelor, perpendiculare, sunt reprezentate de suprafețele acoperite integral de
vegetație care formează planul vegetației și suprafețele lipsite de vegetație care reprezintă solul.
Admițând că datele sunt uniform distribuite în cele două planuri, componentul principal va fi

43
definit ca fiind un component paralel cu linia de intersecție a celor două planuri (fig. 3.5). Între
cele două există o zonă de tranziție care va fi împărțit în două trinunghiuri de componentul
principal (fig. 3.5) (Crist & Cicone, 1984). Rotind datele cu 900 în jurul axei y (planul
vegetației) se vor observa muchiile celor două planuri (fig. 3.6.) iar datele vor fi distribuite în
funcție de cel de al treilea component (fig. 3.7.) (Crist & Cicone, 1984).

Fig. 3.5 Poziția componentului principal (3) în Tasseled cap Fig. 3.6 Zona de tranziție

Primele două componente conțin cele mai multe informații, prin urmare pentru această
analiză pot fi utilizate patru canale pentru Landsat MSS sau șase canale multispectrale pentru
Landsat TM (Thematic Mapper) sau ETM+. În al doilea caz, cele șase benzi vor fi transformate
în șase benzi, dispuse orthogonal. Majoritatea datelor varianței sunt concentrate în primele trei
benzi în timp ce zgomotul indus proprietățile atmosferei se regăsesc în ultimile trei benzi.
Acuratețea acestui tip de analiză este condiționată de eliminarea erorilor
induse de condițiile atmosferice, etapă corespunzătoare pre-procesării
datelor satelitare. Când corecția atmosferică nu este fezabilă se recomandă
transformarea numărului digital în reflectanță satelitară (Huang, Wylie,
Yang, Homer, & Zylstra, 2002) (vezi procesarea datelor satelitare).
Au fost dezvoltate două tehnici tasseled cap: prima bazată pe numărul
digital și a doua pe factorul de reflectanță. Prin transformarea Tassaled cap
se obțin trei din cei mai folosiți indicatori: indicele de luminozitatea
(B=brightness) și indicele de umiditate (W=wetness) care sunt atribute ale
Fig. 3.7 Al treilea
component solulului, la care se adaugă indicele de culoare a vegetației (G=greenness),
care este un atribut a vegetației.
Tasseled cap este o metodă utilizată preponderent pentru studiul vegetației (specii,
structură, modificări ale biomasei) și utilizarea terenurilor, pe baza informației spectrale a

44
imaginilor Landsat. Tassaled cap este un instrument utilizat în agricultură, permițând separarea
solurilor fără vegetație de cele umede și față de cele acoperite de culturi (Li & Chen, 2014).
TCI=(coeff₂*band2)+(coeff₃*band3)+(coeff₄*band4)+(coeff₅*band5)+(coeff₆*band6)+(coeff₇*band7) (7)

B=0.3037*OLI2+0.2793*OLI3+0.4743*OLI4+0.5585*OLI5+0.5082*OLI6+0.1863*OLI7 (8)

G=-0.2848*OLI2-0.2434*OLI3-0.5436*OLI4+0.7243*OLI5+0.0840*OLI6-0.1800*OLI7 (9)

W=0.1509*OLI2+0.1973*OLI3+0.3279*OLI4+0.3406*OLI5-0.7112*OLI6-0.4572*OLI7 (10)

3.4.2. Utilizarea clasificărilor pentru evaluarea unor proprietăți ale solurilor

În funcție de algoritmul de calcul și de intervenția operatorului clasificările sunt
nesupervizate și supervizate. Clasificările supervizate sunt: maximum likelihood classification,
class probability, principal components iar din a doua categorie face parte ISO cluster
unsupervised classification.

3.4.2.1. Clasificările supervizate

Maximum Likelihood classification
Modul de realizare: analizează imaginea→selectează poligoane reprezentative și analiza
statistică→crează semnătură→clasificare (Maximum Likelihood classification).
Analiza imaginii. Se aduce imaginea (ortofotoplanul, imaginea satelitară) în TOC și
analizează posibilitatea efecturării unor corecțiile din windows→image analyses. Selectând DRA
(dynamic range adjustment) putem obține o corecție bună a rasterului, în caz contrar se va ajusta
manual contrastul, strălucirea și transparența sau se va procesa imaginea.
Selectează poligoanele reprezentative și analiza statistică. În această etapă este important
ca operatorul să fie familiarizat cu interpretarea vizuală a imaginilor satelitare și să aibă abilitatea
să selecteze eșantioanele reprezentative din area de interes.
Pe raster se identifică suprafețele cu anumit mod de folosință (ex arabil, pădure, localități,
terenuri degradate etc.) după care se selectează customize→toolbars→image classification care
va deschide bara de instrumente training sample manager. În cadrul acesteia se pot aglutina
poligoanele cu același mod de utilizare, într-o singură clasă sau se pot diviza; aplicația permite
ordonarea sau ștergea claselor și analiza statistica a eșantioanelor selectate.

45
 Se selectează câteva din cele mai reprezentative poligoane pentru fiecare mod de utilizare
a terenurilor/suprafață (Training sample→draw polygon), care trebuie să fie disperse pe
suprafața rasterului (fig. 3.8). Poligoanele vor fi incluse într-un fișier shapfile. Fiecare poligon
creat va avea ID diferit chiar dacă aparțin aceluiași mod de utilizare a terenurilor. În acest caz,
poligoanele reprezentând același tip de suprafață/mod de utilizare a terenurilor trebuie aglutinate
(merge training sample), iar pentru fiecare grupă de clase se pot modifica: class name, value și
color. Nu este recomandată resetarea valorilor claselor.

Fig. 3.8 Selectarea suprafețelor reprezentative pentru modul de utilizare a terenurilor

Concomitent cu realizarea poligoanelor documentul va fi salvat, astfel încât să poată fi
deschis ori de câte ori este necesar. Dacă unul din poligoane nu este trasat cu acuratețe și include
pixeli aparținând altui mod de utilizare a terenurilor, nu este o eroare gravă, întrucât urmează
evaluarea statistică. Poligoanele care nu sunt alese convenabil pot fi șterse.
După finalizarea trasării poligoanelor urmează analiza statistică care constă în construcția
histogramei, scatterplot și analiza covarianței. Graficile vor apare în partea stângă a TOC iar
pentru realizarea acestora este nevoie de ceva timp, în funcție de dimensiunile eșantioanelor
selectate și de numărul acestora pe de o parte și de performanța calculatorului pe de altă parte.
Histograma permite analiza distribuție pixelilor în funcție de reflectanță, pentru fiecare
bandă și în funcție de un anumit mod de utilizare a terenului/tip de suprafață. Se recomandă ca
fiecare clasă să fie reprezentată separat de celelalte clase (fig. 3.9.) iar distribuția valorilor să fie
una normală. Este puțin probabil ca eșantioanele selectate pe un ortofotoplan sau pe un raster să
aibă corespondent clase de valori separate pe histogramă și cel mai adesea apar suprapuneri.

46
Suprapunerea sau dispunerea separată pe grafic a claselor depinde în bună măsură și de
caracteristicile suprafeței active.
De exemplu, pe un ortofotoplan suprafețele care nu sunt acoperite de vegetație și au
orizont Am neafectat de eroziune vor avea valori relativ uniforme, diferit de cele cultivate unde
pot fi întâlnite parcele unde solul acoperit cu vegetației (ex. rânduri de cartofi) cu suprafețe
neacoperite sol neacoperit. Chiar și în cadrul aceluiași tip de cultură (ex. vie) valorile pixelilor pe
raster pot fi diferite în funcție de caracteristicile suprafeței topografice și orientarea rândurilor.

Fig. 3.9 Scatterplot pentru modurile de utilizare a terenurilor

Pe o imagine ASTER un teren afectat de eroziune în adâncime poate avea valori
apropiate cu ale unei suprafețe de luncă inundată, cu strat de sedimente recent.
Prin urmare, alegerea unor eșantioane reprezentative pe baza cărora urmează să se facă
clasificarea ține și de experiența utilizatorului.
Când distribuția valorilor pe histogramă este anormală, atunci se recomandă alegerea
altor suprafețe și renunțarea la cele care generează erori. Trebuie avut în vedere ca toate tipurile
de suprafețe să fie reprezentate prin poligoane.
Analiza scatterplot (norului de puncte), la fel ca și în cazul histogramei clasele trebuie să
fie pe cât posibil separate. Lipsa unor suprafețe selectate pe raster determină goluri pe scatterplot.

47
 Maximum likelihood. Covarianța relaționează valorile din diferite benzi. Covarianța
ridicată indică faptul că perechile de valori din două benzi au tendința de a crește și descrește în
același timp, iar la covarianță redusă creșterea și descreșterea perechilor se face independent.
Crează semnătură. Urmează realizarea unui fișier de tip semnătură (training sample
manager→create a signature file) cu terminația ***.gsg, care va fi utilizat în clasificări.
Clasificarea. Din bara de instrumente image classification se selectează tipul de
clasificare dorit.
După încărcarea datelor în fereastra de dialog (imput raster bands, imput signature file) și
procesarea MKL se obține un raster nou (fig. 3.10). În continuare se aplică o filtrare după
algoritmul: spatial analyst tools→generalisation→majority filter, care va elimina suprafețele
foarte mici aparținând unei clase pe care le va înglobându-le în clasa majoritară (fig. 3.11).

Fig. 3.10 Rasterul obținut prin MLK Fig. 3.11 Rasterul obținut după filtrare
Între culorile pentru tipurile de utilizare a terenurilor din training sample manager și cele
ale rasterului nou nu va exista corespondență. În acest caz se va reclasifica rasterul. În tabela de
atribute se adaugă o coloană nouă în care vor fi trecute modurile de utilizare a terenurilor având
drept corespondent casetele din training sample manager.
Erori determinate de MKL. Utilizarea MKL având ca bază de lucru un ortofotoplan
poate genera erori în cazul solurilor cu orizont Ao sau E la suprafață. Astfel, un teren bătătorit
poate să aibă în realitate culoare apropiată cu a unui sol cultivat (neacoperit cu vegetație) sau cu
a unui drum, prin urmare valorile pe raster vor fi apropiate, rezultând erori în clasificare.

48
 În cazul unei imagini ASTER culorile din arealul unui bazin torențial pot fi apropiate de
cele ale unui sector de luncă, periodic inundată (fig. 6.). În ambele cazuri culoarea suprafeței este
dată de roca, expusă la zi prin eroziune sau transportată în urma viiturilor și care acoperă solul
inițial (aluviosolurile). MKL va include ambele suprafețe în clasa terenurilor degradate, ca
urmare a apropierii culorilor. Pedologic, ambele areale pot fi încadrate corect la tipul de
degradare a solurilor prin apă, dar procesele care le generează sunt diferite.
Succesul clasificării depinde de cunoștinele utilizatorului, dar pe de altă parte pot exista
limitări determinate de interpretarea subiectivă a relității, de alegerea necorespunzătoare a
eșantioanelor reprezentative, de schimbări ale modului de utilizare a terenurilor/suprafețelor între
înregistrarea imaginii și momentul prelucrării etc.
Poate fi utilizată o clasificare de acest fel în cartografierea unor proprietăți ale solurilor?

49
Fig. 3.12 Harta utilizării terenurilor obținută prin MLK (ASTER)

Class probability
Modul de realizare: analizează imaginea→selectează poligoane reprezentative
(shapefile)→crează semnătură→clasificare nesupervizată (Class probability).
Crează un shapefile pentru suprafețele reprezentative. Trebuie avute în vedere elementele
ușor decelabile din imagine, cum ar fi eroziunea solurilor. Alte elementele nu sunt observabile
dar pot fi cartografiate corect pe baza experienței din teren. Astfel, parcelele dreptungiulare
alungite, separate de benzi înerbate sunt în general caracteristice versanților agroterasați care
corespund antrosolurilor. În acest caz, delimitarea antrosolurilor de alte tipuri, din proximitate se
va face cu acuratețe.

50
3.4.2.2. Clasificările nesupervizate
În cazul clasificării nesupervizate, algoritmul de grupare este utilizat pentru partiționarea
spațiului într-un număr de grupe, doar pe baza unui proces care definește un număr de clase, fără
intervenția operatorului. Algoritmul de calcul va grupa automat pixelii cu aceleași caracteristici
spectrale (ex, media, deviația standard) într-o singură clasă.
ISO Cluster este folosită pentru a identifica pixelii cu același răspuns spectral, în cazul
imaginilor statelitare sau a ortofotoplanurilor care apoi sunt grupați într-un număr de clase.
Metoda de lucru: Spatial analyst
tools→Multivariate→Iso cluster unsupervised
calssification. În fereastra Imput raster bands va fi
selectat rasterul care urmează a fi analizat după care
pentru cei doi parametrii opționali (Maximum class
size și Sample interval) se lasă valorile implicite sau,
dup caz voi fi introduse valori noi. În mod normal,
pentru rasterele formate din mai multe benzi Fig. 3.13 Relația dintre pantă și eroziunea
solurilor, verificată în teren prin intermediul
numărul de clase=10 x numărul benzilor, dar
această alegere depinde de experiența utilizatorului. În cazul utilizării unui ortofotoplan,
diminuarea numărului de clase va duce la estomparea unor elemente (ex. locuințe) față de cazul
în care se va selecta un număr mai mare de clase.
ISO cluster poate fi aplicată covariatelor, derivate din prelucrarea MNT pentru
determinarea unor proprietăți ale solurilor. Analiza ISO cluster pe harta pantelor poate fi
verificată prin sondaje în teren, pentru a evalua areale unde solurilor pot fi erodate (fig. 3.13).
Metoda poate fi un intrument pentru predicția anumitor proprietăți ale solurilor, dar
trebuie să se sprijine pe un set consistent de date din teren sau laborator care să confirme
rezultatul.
Clasificarea urmeză abia după rularea ISO cluster, ceea ce o diferențiază de clasificările
supervizate.
Focal statistics
Focal statistics este un instrument care generează un raster nou pe baza unui raster
existent. Valoarea fiecărei celule a rasterului nou este calculată în funcție de celulele
înconjurătoare specificate pentru o locație. ArcGIS propune cinci moduri de selectare a pixelilor

51
pentru calculul statistic (annulus, rectangle, circle, wedge, irregular), o variantă convenabilă ar
putea fi pătratul deoarece se apropie mai mult de forma pixelilelor din raster. Statistica este
variată (mean, majority, maximum, median, minimum, minority, range, std, sum, variety) și La
nivel de statistică
Prin Focal statistics raster rezultat are pentru fiecare celulă o valoare rezultată din
valorile intrărilor celuleor înnvecinate.

Bibliografie
http://earthobservatory.nasa.gov/
Jakson R.D., Huete A.R., (1991), Interpreting vegetation indices, Preventive Veterinary
Medicine, 11, Elvevier Science Publishers B.V., Amsterdam, 185-200,.
Elnaggar A. A., Noller J. S., (2009) Application of remote-sensing data and decision-tree
analysis to mapping salt affected soils over large areas, Remote Sensing, 2, 1, 151-165.
Allbed A., Kumar L., (2013), Soil salinity mapping and monitoring in arid and semi-arid
region using remote sensing technology: a review, Advanced in remote sensing, 2, 373-385.
Filtrarea. Panta și curbura versanților sunt elemente care influențează eroziunea
solurilor. Pe baza celor două rastere, obținute din MNT se poate obține un raster nou care să
combine proprietățile celor două, din Data management tools→Raster→Mosaic to a new raster.
Harta obținută redă destul de bine terenurile degradate dar apar o multitudine de pixeli
dispersați care crează un „efect de zgomot” între cele dintâi. Se impune o filtrare a rasterului prin
algoritmul: Spatial analyst tools→Neigborhood→Filter. Filtrarea va avea ca efect reducerea
anomaliilor la nivelul rasterului.

3.4.3. Indici pentru diferențierea unor proprietăți ale solurilor și vegetației

Indicele normalizat de diferențiere a vegetației (NDVI)
NDVI este un indicator utilizat în monitoringul stării vegetației. Când razele solare ajung
la pe suprafața obiectelor, unele cu anumită lungime de undă sunt absorbite iar altele sunt
reflectate. Clorofila absoarbe intens undele din spectrul vizibil (0,4-0,7 μm), care este utilizat în
procesul de fotosinteză în timp ce undele apropiate de infraroșu (0,7-1,1 μm) sunt intens
reflectate (http://earthobservatory.nasa.gov). Fotosinteza ridicată va determnina valori reduse ale
reflectanței captate de canalul roșu și reflectanță ridicată pentru canalul infraroșu apropiat (NIR).

52
 Cuantificarea densității plantelor se face cu formula:

NDVI = (NIR — VIS)/(NIR + VIS) (11)

unde: NIR=band 5 (Landsat 8,) iar VIS=banda 4 (Landsat 8).

Rezultatul obținut variază întotdeauna între -1 și +1. Valorile în intervalul 0-0,1 indică
lipsa vegetației, peste 0,1 vegetația are o pendere redusă în timp ce valorile care tind către 1
reflectă o densitate ridicată a vegetației. Corpurile de apă au valori negative (tabelul 11). Pentru
a obține NDVI trebuie identificate benzile NIR și Red, care diferă în funcție de sateliții utilizați.
În ArcGIS calculul NDVI se face conform procedeului: se aduc în TOC benzile (5 și 4 Landsat
8) care urmează a fi prelucrate. Din Image analysis→Image analysis option selectează: Red
band, Infrared band, Scientific output și se obție un nou raster (NDVI). Același rezultat poate fi
obținut din Spatial Analyst tools→Map algebra→Raster calculator, selectează Float și scrie
formula NDVI.
Tabel 11. Valorile NDVI pentru categorii de acoperire a terenului (Holden, 1986)

Acoperirea terenului Roșu Apropiat de NDVI Analiza seriilor temporare pentru NDVI se
infraroșu
Vegetație densă 0,1 0,5 0,7 poate face pe baza imaginilor care includ
Sol neacoperit uscat 0,269 0,283 0,025 Landsat Thematic Mapper (TM), Landsat
Nori 0,227 0,228 0,025 Enhanced Thematic Mapper Plus (ETM+) și
Zăpadă și gheață 0,375 0,342 -0,046 Landsat Operational Land Imager (OLI,
Apă 0,002 0,013 -0,257 Landsat 8), dar pentru a obține valori
standardizate trebuie realizată calibrarea între Landsat 8 (cu benzi mai înguste pentru R și NIR)
și ETM+ (Xu & Guo, 2014). Analiza seriilor temporare pentru imaginile Landsat determină
diferențe. Astfel, valorile NDVI obținute din Landsat 8 sunt mai mari decât cele din Landsat 7
pentru vegetația ierboasă mixtă, ca urmare a cantității mari de materie organică moartă și a
absorbției mai ridicate în spectru roșu comparativ cu preria cu ierburi înalte și cu vegetația
forestieră (Xu & Guo, 2014).
NDVI poate fi utilizat pentru: monitorizarea suprafețelor defrișate, analiza fenologică în
contextul schimbărilor climatice; producția primară de biomasă, acoperirea solurilor cu vegetație
în arealele dunelor de nisip și asocierea cu fenomenul de deșertificare.

53
 Solul poate să influențeze valoare indicatorului prin reflectanță. În cazul a două tipuri de
sol diferite dar cu aceeași cultură, cel cu reflectață mai mare va determmina valori mai reduse ale
NDVI.
În mod obișnuit, acumularea intensă a sărurilor în orizontul de suprafață limitează
dezvoltarea vegetației. NDVI nu poate fi utilizat pentru cartografierea solurilor care nu sunt
acoperite cu vegetației, ca urmare a acumulării intense de săruri. Răspunsul vegetației se
identifică în benzile 1 și 2 în timp ce răspunsul solurilor care nu sunt acoperite cu vegetației se
regăsește în toate benzile analizate (Fernandez-Buces, Siebe, Cram, & Palacio, 2006).
Relația dintre NDVI și proprietățile solurilor
Prezența sărurilor poate fi identificată direct prin teledecție când acestea apar sub formă
de cruste, având proprietatea de a reflecta radiația în spectrul vizibil și apropiat de infraroșu
(NIR). Cu cât concentrația sărurilor crește cu atât dezvoltarea plantelor se face mai greu. Unii
specialiști apreciază că se poate crea confuzie între reflectanța vegetației și cea a sărurilor, NDVI
fiind un indicator favorabil pentru aprecierea biomasei, acoperirii terenului cu vegetație.
Având la bază același principiu ca NDVI, diferența de reflectanță dintre benzi a fost
utilizată ca discriminat pentru a evidenția diferențele dintre solurile urbane și cele ale spațiului
periurban.
(𝐵𝑎𝑛𝑑𝑎 7−𝐵𝑎𝑛𝑑𝑎 2)
NDVI= (12)
(𝐵𝑎𝑛𝑑𝑎 7+𝐵𝑎𝑛𝑑𝑎 2)

Bare soil index (BI)

BI este un indicator rezultat prin combinația benzilor: albastru, roșu, infraroșu apropiat și
unde scurte în infraroșu, utilizat pentru a îmbunătăți cartografierea solurilor. Undele scurte în
infraroșu și roșu sunt folosite pentru a estima compoziția mineralogică iar benzile apropiat de
infraroșu și albastru evidențiază trasăturile vegetației (http://spaceanalyzer.com/).
Indicele BI a fost utilizat pentru a identifica diferențele dintre vegetația cultivată și alte
tipuri de vegetație.
BI se calculează pe baza reflectanţei din benzile albastru (B), roșu (R), infraroșu apropiat
(NIR) și infraroșu mediu (MIR), cu formula 11:

( MIR  R)  ( NIR  B)
BI= (13)
( MIR  R)  ( NIR  B)

54
 Pentru imaginile satelitare care pot fi obținute fără costuri, calculul BI se va face prin
următoarele combinații pentru Landsat 8 OLI, (L8), Landsat 5 TM (L5) și Sentinel 2 (S2):
(𝐵𝑎𝑛𝑑𝑎𝟔+𝐵𝑎𝑛𝑑𝑎𝟒)−(𝐵𝑎𝑛𝑑𝑎𝟓+𝐵𝑎𝑛𝑑𝑎𝟐)
BIL8= 𝐵𝑎𝑛𝑑𝑎𝟔+𝐵𝑎𝑛𝑑𝑎𝟒)+(𝐵𝑎𝑛𝑑𝑎𝟓+𝐵𝑎𝑛𝑑𝑎𝟐) (14)

(𝐵𝑎𝑛𝑑𝑎𝟓+𝐵𝑎𝑛𝑑𝑎𝟑)−(𝐵𝑎𝑛𝑑𝑎𝟒+𝐵𝑎𝑛𝑑𝑎𝟏)
SIL5= 𝐵𝑎𝑛𝑑𝑎𝟓+𝐵𝑎𝑛𝑑𝑎𝟑)+(𝐵𝑎𝑛𝑑𝑎𝟒+𝐵𝑎𝑛𝑑𝑎𝟏) (15)

(𝐵𝑎𝑛𝑑𝑎𝟏𝟏+𝐵𝑎𝑛𝑑𝑎𝟒)−(𝐵𝑎𝑛𝑑𝑎𝟖+𝐵𝑎𝑛𝑑𝑎𝟐)
BIS2= 𝐵𝑎𝑛𝑑𝑎𝟏𝟏+𝐵𝑎𝑛𝑑𝑎𝟒)+(𝐵𝑎𝑛𝑑𝑎𝟖+𝐵𝑎𝑛𝑑𝑎𝟐) (16)

Analiza NDVI și BI pentru sectorul Copșa Mică au indicat următoarele situații: 1)

creşterea valorilor BI şi NDVI asociate cu diminuarea umidităţii și alterarea condiţiilor edafice
datorită poluării; 2) creşterea valorilor BI şi descreşterea valorilor NDVI indică o reflectanţă
ridicată a solului datorită lipsiei vegetaţie; 3) descreşterea valorilor BI şi NDVI arată creşterea
umidităţii și revenirea la condiţii edafice apropiate de cele normale; 4) descreşterea valorilor BI
şi creşterea valorilor NDVI indică o creştere a cantităţii de clorofilă şi a vigorii vegetaţiei legate,
în principal, de revenirea acesteia la culoarea normală datorită reducerii poluării (Vorovencii,
2015).
În spațiu urban pentru a diferenția suprafețele construite de cele cu sol neacoperit, pe
baza Landsat ETM+, s-a calculat enchanced build-up and bareness index (EBBI), cu formula:
𝐵𝑎𝑛𝑑𝑎 5−𝐵𝑎𝑛𝑑𝑎 4
EBBI=10√𝐵𝑎𝑛𝑑𝑎 5+𝐵𝑎𝑛𝑑𝑎6 (17)

Scăzând banda 4 din 5 rezultă vor rezulta valori positive pentru spațiul construit și
suprafețele de sol neacoperit și valori negative pentru vegetație. Prin însumarea benzilor 5 și 6
vor rezulta valori mai mari pentru spațiul construit și suprafețele de sol neacoperit decât pentru
vegetație (As-skyatur, Adnyana, Arthana, & Nuarsa, 2012). Față de alți indici EBBI diferențiază
mai bine suprafețele construite de cele cu sol neacopeit deoarece folosește canalul TIR.

55
Indicele normalizat de diferențiere a solului (NDSI normalised diference soil index)

Având la bază același principiu ca NDVI, diferența de reflectanță dintre benzi constituie
discriminat pentru separarea solurilor urbane și cele periurbane (utilizate agricol). În acest sens,
s-a calculat indicele normalizat de diferențiere a solului (NDSI), pentru Landsat 5 TM, cu
formula 16 (Deng, Wu, Li, & Chen, 2015):
(𝐵𝑎𝑛𝑑𝑎7−𝐵𝑎𝑛𝑑𝑎2)
NSDI=𝐵𝑎𝑛𝑑𝑎 7+𝐵𝑎𝑛𝑑𝑎 2) (18)

Acest indice oferă rezultate modeste pentru regiunile aride, pentru arealele cu nisipuri și cu
suprafețe impermeabile care au culoare deschisă (Deng, Wu, Li, & Chen, 2015).

Soil adjusted vegetation index (SAVI)

Pentru a reduce efectul reflectanței solului față de semnalul transmis de vegetație s-a
utilizat Soil adjusted vegetation index (SAVI) (Jakson and Huete, 1991), calculat cu formula 17:

𝑁𝐼𝑅−𝑅𝑒𝑑
SAVI=𝑁𝐼𝑅+𝑅𝑒𝑑+𝐿 (1 + 𝐿) (19)

unde, L este un factor care depinde de densitatea vegetației. Astfel, L poat fi 1 dacă
acoperirea cu vegetație este redusă; poate fi 0,25 pentru densitate ridicată a vegetației, iar pentru
valori intermediare se utilizează L=0.50, care corespunde diverselor condiții de mediu.
Pentru un eșantion din luca Prutului, între Cârniceni și Hermeziu s-a observat o relație
bună între solurile cu o concentrație
ridicată în săruri solubile (solonețuri) și
SAVI (culoarea roșie indică valori
apropiate de 0), după cum regosolurile
(culoarea gri pe harta solurilor) parțial
acoperite de vegetație au valori
intermediare pe SAVI, identificate și în
cazul aluviosolurilor sanizate (alcalizate)
Fig. 3.14 SAVI suprapus pe harta solurilor 1:200.000
(fig. 3.14). Analiza imaginilor Landsat
Thematic Mapper (TM) integrată cu analiza decizională arbore (decision tree analysis) a permis
cartografierea salinizării solurilor (în Malheur County, USA) (Elnaggar & Noller, 2009). Autorii
au identificat o relație semnificativă între electroconductivitate (EC) și reflectanță, pentru benzile
1, 2, 3 și 4. Utilizând clasificarea supervizată Maximul likelihood classification au separat

56
solurile saline de cele nesalinizate. Monitoringul salinizării solurilor pe baza analizei
multispectrale (Landsat, Spot) este o metodă accesibilă datorită costurilor reduse, dar capacitatea
de diagnosticare este modestă datorită rezoluți ei spectrale (Allbed & Kumar, 2013).
O parte din indicii spectrali au fost creați pentru a diferenția doar un sigur tip de obiect
care acoperă suprafața terestră permițând interpretări diferite pentru alte tipuri de obiecte.
Eliminarea confuziilor între suprafețele impermeabile (cu sol acoperit cu clădiri, șosele etc) și
cele care nu sunt acoperite cu vegetație s-a realizat prin indicele biofizic a compoziției. Într-un
studiu recent s-a introdus Indicele normalizat modificat de diferențiere a solului (modified
normalized difference soil index MNDSI) având la bază banda pancromatic din Landsat 8, a
cărei caracteristici se diferențiază sub aspectul lungimii de undă față de Landsat 7 ETM+
(Pyoosh & Ghosh, 2017). Acest indicator s-a calculate cu formula 18:
𝑣𝑎𝑙𝑜𝑎𝑟𝑒𝑎 𝐷𝑁 𝑏𝑎𝑛𝑑𝑎 7−𝑣𝑎𝑙𝑜𝑎𝑟𝑒𝑎 𝐷𝑁 𝑏𝑎𝑛𝑑𝑎 8
MNDSI=𝑣𝑎𝑙𝑜𝑎𝑟𝑒𝑎 𝐷𝑁 𝑏𝑎𝑛𝑑𝑎 7+𝑣𝑎𝑙𝑜𝑎𝑟𝑒𝑎 𝐷𝑁 𝑏𝑎𝑛𝑑𝑎 8 (20)

unde, DN este numărul digital, care corespunde valorii unui pixel.

Pentru procesarea imaginilor s-a transformat numărul digital 0-255, din 16 bit integer în 8
bit integer. În final, MNDSI este capabil să diferențieze spațiul urban de solurile neacoperite la
un nivel de încredere de 95% și solul neacoperit de sedimente (Pyoosh & Ghosh, 2017).

3.4.4. Proprietățile solului evaluate pe baza covariatelor

Textura solului
Textura solului este una din proprietățile care influențează fertilitatea solului prin
capacitatea de schimb cationic, drenaj, capacitatea de reținere a apei etc. Pe de altă parte
realizarea hărții texturii solului impune activități în teren și în laborator care necesită timp și
costuri ridicate. Utilizarea datelor auxiliare, furnizate de imaginile Landsat, pot contribui la
realizarea hărții solurilor și la dimiuarea costurilor aferente metodelor tradiționale.
Metodele utilizate pentru evaluarea variabilității spațiale a texturii solului sunt: 1)
regresia multiplă, care ia în considerare relația dintre textura suprafeței solului și datele obținute
prin teledetecție, 2) kriging-ul aplicat la conținutul în nisip, praf și argilă, 3) co-kriging-ul corelat
cu datele obținute prin teledetecție, 4) analiza componentelor principale cu benzile 2 și 8 din
ASTER, iar combinația benzilor 5 și 6 și a benzilor termale și infraroșu 10 și 14 au permis
diferențierea între solurile argiloase de culoare neagră și cele nisipoase, de culoare deschisă
(Mulder, Bruin, Schaepman, & Mayr, 2011).

57
 Textura solului se corelează puternic cu benzile în infraroșu apropiat (4, 5 și 7) față de
cele în spectru vizibil (1-3) pentru Landsat ETM. Banda 7 indică o sensibilitate la conținutul de
apă din sol care este influențat de textură. Predictibilitatea co-kriging-ului pentru harta texturii
solului este mai bună, oferind posibilitatea separării mai multor clase decât în cazul kriging-ului
(Lia, Xu, Wu, & Zhu, 2013).
Salinizarea solului
Utilizarea teledetecției devine o necesitate, în contextual utilizării excesive a resurselor
hidrice și a schimbărilor climatice, pentru cuantificarea dinamicii spațiale și a concentrației
sărurilor din solurile salinizate. Cele mai citate exemple pentru dinamica accelerată a extinderii
solurilor salinizate în detrimentul suprafeței acvatice, din ultimile decenii, sunt cele ale Mării
Aral și Lacului Elbinur.
Lacului Elbinur s-a diminuat areal de la 1107 km2 în 1977 la 428 km2 în 2010, iar
suprafața expusă s-a transformat în solonceacuri cu acumulări importante de sulfați de sodiu, în
timp ce vântul din NV transport sărurile dinspre Poarta Țungaria la sute de km (Ma, Wu, Liu, &
Abuduwaili, 2014).
Salinizarea este o caracteristică a solurilor dependentă de climatele aride, semiaride și
temperate excesive, dar pe de altă parte este asociată cu relieful cu altitudini reduse.
Imaginile satelitare au avantajul identificării salinizării solurilor pe spații mari, în climate
aride, unde suprafața solurilor prezintă crustă (Kaji Playa Lake cu 2487 km2 în Iran) (Saghafi,
2017). Salinizarea poate fi modelată pe baza imaginilor satelitare și în lipsa crustelor, deci a
solurilor care nu sunt afectate de salinizare severă (<20 dS m-1). În cazul suprafețelor mici, un rol
important pentru delimitarea suprafețelor cu soluri salinizate revine în primul rând rezoluției
rasterului.
În ultimile decenii s-au dezvoltat tehnologiile și modelele care pot cuantifica salinizarea
solurilor. Cartografierea solurilor salinizate doar pe baza analizelor de sol și a tehnicilor GIS
impun necesitatea resurselor umane de specialitate, resurse financiare și de timp. Monitorizarea
spațio-temporală a solurilor salinizate pe care se aplică irigații, cu ajutorul imaginilor satelitare
reduce costurile generate de activitățile în teren și laborator.
Constrângerile utilizării teledetecției pentru cartografierea solurilor salinizate constau în
faptul că salinizarea variază vertical și temporal în profil, prin urmare imaginile spectrale nu
oferă informații decât asupra suprafeței solului (Mulder, Bruin, Schaepman, & Mayr, 2011).

58
 Salinizarea solurilor poate constitui răspunsul direct a reflectanței solurilor neacoperite de
vegetație sau indirect, evaluând salinizarea solurilor ca răspuns la diminuarea producției agricole
prin intermediul unor indici ai vegetației (NDVI, SAVI).
Tehnologiile care permit analiza spațială și intensitatea salinizării solurilor s-au
diversificat în ultimii . Majoritatea studiilor se axează pe 1) identificarea relației dintre conținutul
în săruri, analizat în teren sau în laborator și 2) valorile reflectanței spectrale, prin intermediul
unor indici de salinizare (ecuația 19, 20, 21).
Ce spectru utilizez ?
Pentru caracterizarea solurilor salinizate cu ajutorul imaginilor satelitare se utilizează
absorbția spectrală în spectru vizibil (400-770 nm), în infraroșu apropiat (900-1030 nm) și
infraroșu mijlociu (1900-2150, 2150-2310 și 2320-2400 nm), la o rezoluție care variază în
intervalul 3-80 nm și o serie de indici spectrali. Semnătura spectrală extrasă de pe imaginile
Landsat separă reflectanța diferitelor clase de salinizare, în spectru vizibil și infraroșu apropiat
(Lansat), cele salinizate caracterizându-se prin valori ridicate ale reflectanței (El Hartia, și alții,
2016).
Între solurile de culoare închisă și reflectanța spectrală în VIS există o corelație mai bună
la schimbarea concentrației sărurilor în sol (Wang, Zhang, Diang, Kung, Latif, & Johnson, 2018)
decât în cazul solurilor de culoare deschisă.
Nu există o scară universal valabilă pentru aprecierea salinizării, dar intervalele utilizate
(dS m-1) sunt: 0-2 (nesalinizat), 2-4 (slab salinizat), 4-8 (moderat salinizat) și 8-16 (puternic
salinizat), iar valoarea de 4 dS m-1 este considerate prag restrictiv pentru dezvoltarea majorității
culturilor.
Ce imagini satelitare folosesc și ce benzi selectez ?
Valorile reflectanței sunt cuantificate prin intermediul unei serii de indici derivați din
combinarea imaginilor satelitare (Landsat Multispectral Scanning (MSS), Thematic Mapper
(TM) și Enhanced Thematic Mapper (ETM+) împreună cu Operational Land Imager (OLI-8)
etc.).
Utilizarea doar a unei benzi nu este viabilă pentru monitorizarea și investigarea salinizării
solurilor. Pentru selectarea benzilor, în cazul imaginilor hiperspectrale (Landsat 8) se utilizează
metoda derivatelor care extrage informația spectrală esențială, elimină zgomotul de fond, rezolvă

59
problema suprapunerilor și îmbunătățește estimarea caracteristicilor suprafeței terenului (Wang,
Zhang, Diang, Kung, Latif, & Johnson, 2018).
Regresia lineară este utilizată uneori pentru a analiza relația dintre parametrii spectrali
selectați și conținutul de săruri din sol iar alteori este folosită pentru a valida corelația între datele
măsurate pe un număr variabil de probe și anumiți indicatori (Elhag, 2016).
În ultimii ani, cartografierea solurilor salinizate combină spectroscopia de reflexie difuză
în infraroșu apropiat (VisNIR DRS), cu spectrometria portabilă cu raze X, capabile să identifice
mineralele și elementele chimice (Cl, S, K, Mg) cu rol important pentru salinizarea solurilor dar
și să diferențieze solurile cu diferite grade de salinizare. La cele două tehnologii, combinate cu
imaginile satelitare (Landsat 8) și cu MNT se adaugă modelele statistice (regresia parțială a celor
mai mici pătrate PLS, regresia cu vector support SVR) pentru predicția salinizării (Aldabaa,
Weindorf, Chakraborty , Sharma, & Li, 2015).
4. Cei mai utilizați indici pentru a evalua salinizarea solurilor, pe baza imiginilor Landsat
sunt:
Imagini utilizate 𝐵𝑎𝑛𝑑𝑎 3
SI=𝐵𝑎𝑛𝑑𝑎 4 (21)
Landsat ETM+
SI=Salinity Index
Imagini utilizate 𝐵𝑎𝑛𝑑𝑎 3−𝐵𝑎𝑛𝑑𝑎 4
NDSI= 𝐵𝑎𝑛𝑑𝑎 3+𝐵𝑎𝑛𝑑𝑎4 (22)
Landsat ETM+
NDSI= Normalized Difference Salinity Index
Imagini utilizate 𝑆𝐼9 = 𝑁𝐼𝑅 × 𝑅⁄𝐺 (23) (Abbas & Khan, 2007)
Landsat 8
B=blue, G=green, R=red; NIR=near infrared band
Imagini utilizate OLI-SI=(𝐶𝐵 2 × 50) − (𝐵 + 𝐺 + 𝑅)
(24) (El Hartia, și alții, 2016)
Landsat ETM+, OLI
CB = Coastal blue spectral band, B = Blue spectral band, G = Green spectral band, R = Red spectral band, NIR = Near Infrared spectral band.

Indicii salinizării solurilor sunt ajustați să detecteze mineralele din sol ca urmare a
răspunsului diferit al solurilor salinizate la benzile spectrale (Elhag, 2016). Rezultatele obținute
pe baza SI și NDSI indică faptul că valorile mari de pe raster sau valorile ridicate ale reflectanței
delimitează suprafețele afectate de salinizare. Culorile gri de pe rasterul obținut pe baza NDSI,
diferențiază tranșant solurile salinizate de celelate soluri, acoperite cu vegetație (Saghafi, 2017).

Impermeabilizarea solurilor și expansiunea urbană

60
 Acoperirea solurilor în spațiu urban este, cel mai frecvent, privită prin prisma calității
vieții. Percepția acoperirii solurilor în spațiu urban este asociată adesea cu fenomenele extreme.
Temperaturile foarte ridicate sunt resimțite intens în arealele cu grad ridicat de acoperire a
solurilor. În timpul precipitațiilor torențiale, inundațiile au frecvență mai mare în zonele cu
acoperire ridicată a solurilor. O mare parte din efectele acoperirii solurilor nu sunt vizibile sau
percepute și, în acest caz putem menționa deteriorarea biodiversității solurilor, modificarea
circuitului C organic și nutrienților în sol etc.
Statistici și politici europene. Impermeabilizarea solurilor și expansiunea urbană
constituie probleme actuale ale omenirii, în continuă evoluție numerică și spațială. Pintre cele
mai frecvente chestiuni legate de fenomenul de impermeabilizare și expansiune urbană două par
să aibă prioritate: 1) Care este dimensiunea spațială a gradului de impermeabilizare a solurilor?
2) Ce strategie și management pot controla impermeabilizarea solurilor la macro-scală (stat,
regiune), mezo- (oraș) și micro-scală (structură urbană) (Artmann, 2013).
În țările UE gradul de acoperire a solurilor este ridicat (% din teritoriu) pentru țări
precum Malta (13%), Olanda și Belgia (˃7), în timp ce la polul opus se situează țări nordice (CE,
2012). Suprafața totală a solurilor impermeabilizate, în 2006, era de aproximativ 100.000 km²
sau 2,3 % din teritoriul UE, cu o medie de 200 m² /cetățean (CE, 2012) iar estimările până 2012
nu diferă, cele mai afectate fiind terenurile agricole și suprafețele împădurite.
Cele mai dramatice schimbări au fost înregistrate în spațiul mediteranean, unde în
perioada 1978-2005 (711,5-
3932,2 ha) creșterea a fost de
462% (fig. 3.15) (Escolando,
Pedreno, Gomez, Maria,
Candel Almendro, & Zorpas,
2018).
Interpretarea vizuală
a aerofotogramelor, în
sectoare cheie, pentru
teritoriul Italiei (1956-2006)
Fig. 3.15 Acoperirea solurilor în zona mediteraneeană
a evidențiat creșterea
continua a gradului de acoperire a solurilor (2,4% în 1956, 6,3% în 2006) și câteva aspect

61
geografice interesante. Astfel, au fost diferențiate perioade de creștere compactă a localităților
(1956-1994) odată cu populația și perioade (după 1994) în care crește gradul de acoperire a
solului ca urmare a dezvoltării localităților dispersate și infrastructurii, decuplată de evoluția
numerică a populației; spațial, dezvoltarea economică influențează acoperirea solurilor, nordul
Italiei având o dinamică mai accentuate decât sudul țării (Munafò, Salvati, & Zitti, 2013).
În România gradul de impermeabilizare a solurilor (1,8 % din teritoriu) se situează
foarte aproape de valoarea medie din UE (CE, 2012).
În municipiul Iași, acoperirea solurilor (2006), cartografită pe baza ortofotoplanului
pentru spațiul locuit este prezentată în tabelul 12 și fig. 3.15.
Tabel 12 Utilizarea terenurilor și acoperirea solurilor în municipiul Iași. Extrase de pe ortofotoplan (2006)
Utilizarea terenurilor Suprafața (ha) Interpretare Ponderea din suprafață (%)
Agricol 20,81
Grădini 460,79 Neacoperit 66,81
Spații verzi 2964,17
Terenuri de sport 13,01
Cimitire 44,46 Parțial acoperit 4,86
Curți 193,61
Deponii 4,66
Parcări 40,83
Alei 44,34
Acoperit
Rail traks 122,97 28,3
(impermeabilizat)
Curți betonate 296,27
Străzi 400,38
Cădiri 551,0
Acoperirea accelerată a solurilor în Iași începe odată cu industrializarea părții de SE a
orașului și cu ridicarea noilor cartiere de locuințe (din 1950-1990). După 1990 are loc deplasarea
familiilor din locuințele comune către cele individuale din zona periurbană. Aceasta duce la
creșterea continua a expansiunii urbane „urban sprawl” în defavoarea celor mai bune soluri
(cernoziomuri) iar „soil sealing” capătă caracter secundar.
În interiorul orașului, cea mai mare suprafață acoperită (SE) corespunde zonei industriale
și de transport feroviar (fig. 3.16). Unele nuclee industriale din interiorul orașului au dispărut dar
suprafața solului a rămas impermeabilizată prin transformarea acestora în zone comerciale.

62
Suprafețe cu dimensiuni variabile din interiorul orașului continuă să fie acoperite de clădiri, ca
rezultat a retrocedării
terenurilor pe vechiul
amplasament, prevăzută în
legea 18/1991. În 2006
suprafața acoperită
reprezenta 46,1 m2/loc.
Expansiunea urbană este
fenomemnul de extindere a
spațiului locuit. Acesta se
manifestă accentuat în jurul
marilor orașe, în zonele
costiere, în special în zona
țărilor mediteraneene, în
lungul coridoarelor
importante de transport.
Expansiunea urbană

Fig. 3.16 Acoperirea solurilor în municipiul Iași

se exprimă în unități de
penetrație urbană/ m2, (UPU/m2) iar în țările UE valorile au crescut de la 1,56 UPU/m2 în 2006 la
1,64 UPU/m2 în 2009.
O serie de politici care vizează limitarea consumului de teren în spațiu urban sunt deja
implementate. În Austria și Germania limitarea acoperirii solului este exprimată în ha/zi, având
un plafon pentru o perioadă de un an; în Belgia și Olanda în interiorul inelului urban poate fi
consumat doar 60% din teren; în Marea Britanie consumul se rezumă la așa numitele
„brownfield” adică terenurile din interiorul orașului, nefolosite și potențial contaminate
(Montanarella, 2017) (Oliver, Ferber, Grimski, Millar, & Nathanail, 2014).
În unele țări (Slovacia, Polonia), trasformarea terenurilor agricole, cărora le corespund
cele mai bune soluri sub aspect calitativ, în alte moduri de utilizare este supusă unei taxe
obligatorii (6-15 euro) (Siebielec, et al., 2011).
Metode pentru evaluarea impermeabilizării și expansiunii urbane

63
 Ce materiale folosesc? Ce calitate au materialele? Cuantificarea acoperirii solurilor, în
decursul timpului, s-a realizat fie doar pe baza unui singur tip de suport, (ortofotoplan și imagine
satelitară) fie prin combinarea dintre imagini satelitatre și MNT (din LiDAR), imagine satelitară
și CORINE Land Cover (CLC) etc.
Se pare că perioada de timp în care sunt preluate imaginile pot influența calitatea
rezultatelor. Pentru a nu subestima suprafețele impermeabilizate, perioada favorabilă pentru
achiziția imaginilor aeriene este în sezonul rece, iar pentru a limita efectul umbririi sunt preferate
orele amiezii pentru zbor (Sulzer & Kern, 2009).
În cazul utilizării imaginilor satelitarea lucrurile sunt nuanțate, în funcție și de utilizarea
unor indicatori care pot să accentueze acoperirea solurilor. În unele studii sunt preferate
imaginile satelitare (Landsat TM, și ETM) preluate primăvara (García Rodríguez & Pérez
González, 2007) iar altereori imaginile din luna iunie sunt analizate, astfel încât pentru o mai
bună clasificare s-a utilizat și NDVI (Casciere, Franci, & Bitelli, 2014).
Cea mai dinamică formă de degradare ireversibilă a solurilor este impermeabilizarea
acestora. Consumul terenului poate fi evaluat numai prin analiza seriilor temporate. Acest lucru
este posibil prin intermediul imaginilor satelitare (Landsat TM5, ETM, OLI, TIRS), iar
diferențele privind acoperirea solurilor sunt date de combinația benzilor 4-5-1 (R-G-B) (García
Rodríguez & Pérez González, 2007).
Evaluarea gradului de acoperire a terenurilor doar pe baza imaginilor aeriene
pancromatice s-a dovedit a fi greoaie, și cu rezultate modeste, dar analiza combinată dintre
imaginile satelitare cu rezoluție ridicată (QuickBird, IKONOS) și cele aeriane au dat rezultate
mai bune (Kampouraky, 2010).
O etapă importantă, de care depinde acuratețea rezultatelor este procesarea
ortofoplanurilor (vezi 2.5.1.) și a imaginilor satelitare (vezi 2.5.4.). Există mai multe metode de
procesare a imaginilor, se utilizează clasificarea obiectelor, clasificarea pixelilor și clasificarea
sub-pixelilor.
Clasificarea obiectelor oferă oportunitarea clasificării suprafețelor impermeabilizate cu
ajutorul ortofotoplanurilor de mare rezoluție care dau rezultate bune, dar apar limitări
determinate de capacitatea de a procesa și stoca un volum foarte mare de date, dar și costuri
ridicate pentru achiziția acestor imagini (Wood, și alții, 2006).

64
 Orașul este un mediu complex, cu schimbări frecvente ale materialelor pe spații mici,
prin urmare, la nivel de pixel se pot combina mai multe tipuri de suprafețe. Chiar dacă
dimensiunea pixelilor s-a diminuat (de la 30 m 1 m sau mai puțin) nu s-a rezolvat problema
clasificării. Noile tehnologii înclină balanța pentru clasificare sub-pixelilor.
Segmentarea tradițională a suprafețelor de sol acoperire de pe ortofotoplan, prin
cartografiere manuală, are avantajul interpretării obiectelor reale și identificării formelor în
relație cu obiectele învecinate, dar este o operație cronofagă. Extragerea semiautomata se poate
face utilizând softuri specializate (eCognition, ENVI etc.) care crează legături între pixeli pentru
a genera o imagine prin extragerea suprafețelor omogene. Acest tip de segmentare are la bază
următorii parametrii: scara, culoarea, forma, compactarea ș.a. (Kampouraki, Wood, & Brewer,
2008).
Interpretarea rezultatelor Interpretarea rezultatelor trebuie privită pe de o parte prin
prisma relației dintre modul de utilizare a terenurilor și gradul de acoperire a solurilor iar pe de
altă parte prin identificarea unei scări adecvate pentru gradul de acoperire.
Hărțile prelucrate oferă o imagine asupra modului de utilizare a terenurilor. Obiectele
delimitate de pe imaginile satelitare permit diferențierea a trei categorii de suprafețe:
impermeabile, semipermeabile și permeabile. Suprafețele impermeabile sunt reprezentate de
clădiri, străzi și alei betonate și parcări amenajate. Utilizarea unor material naturale (pietriș) sau
fabricate (pavaje) sau modul de dispunere a obiectelor în spațiu conferă caracterul de suprafață
semipermeabilă (cimitire, terenuri se sport, chiar trotuare pavate). Suprafețele neacoperite sunt
reprezentate prin terenuri agricole, grădini, spații verzi.
În unele studii, gradul de acoperire a solurilor este exprimat %, pe o scară a cărei limită
înferioară este în general fixă (10%) în timp ce la partea superioară este variabilă (înte 70 și
80%) (Artmann, 2013) iar alteori gradul de acoperire a solurilor se exprimă prin intermediul unei
scări (ex. slab, mediu și puternic impermeabilizat) (Artmann, M., 2013).

65
 Chapter 4 Vectorii

4.1. Topologia
În pedologie vectorul de bază este poligonul care este asociat cu tipul de sol în timp ce
punctul reprezintă profilul de sol sau o probă prelevată, cel mai adesea din orizontul
bioacumulativ. Vectorii de tip linie formează elementele adiționale ale hărții care reprezintă căi
ferate, șosele etc.
Pașii care trebuie făcuți pentru a crea topologia sunt: creezi fișier→personal
geodatabase→feature class→topology. Topologia se crează numai în Arc catalog.
Topologia reprezintă structura unui set de obiecte, sau relațiile dintre obiecte ce aparțin
unor strate diferite. Cele patru tipuri de relații, dintre obiecte sunt: alăturarea (vecinătatea),
legătura (conectarea), suprapunerea și intersecția. Topologia definește relația celor trei tipuri de
vectori (poligonul, punctul și linia) din cadrul unei clase de obiecte dar nu și pentru adnotații,
rețele și dimensiuni (adnnotation, networks, dimensions).
Topologia găzduiește: erori, excepții de la regulă și areale care nu au fost validate. Erorile
reprezintă încălcări ale regulilor în timp ce excepțiile sunt încălcări ale regulilor acceptate.
De ce este importantă topologia ? Relațiile dintre obiecte (ex. poligoane) descrise prin
intermediul vectorilor vor fi moștenite de raster. Prin urmare, după finalizarea hărții este posibil
ca în cadrul acesteia să observăm o serie de puncte care, în aparență, nu au legătură cu obiectele
pe care dorim să le reprezentăm. În realitatea acestea pot fi erori generate de alăturarea dintre
poligoane, în lipsa topologiei.
Topologia este importantă, în primul rând pentru editarea corectă a unui strat, în special a
celor constituite din poligoane sau linii, pentru validarea datelor și nu în ultimul rând, pentru
optimizarea întrebărilor. Topologia este utilizată în aplicațiile guvernamentale cum ar fi
managementul resurselor naturale a terenurilor, planificare teritorială, construcția locuințelor etc.
(Longley, Goodchild, Maguire, & Rhind, 2005).
Reguli topologice pentru poligoane, aplicabile pentru realizarea hărții solurilor:
- obiectul trebuie să fie mai mare decât toleranța, aceasta este o regulă implicită și se aplică
automat;
- un poligon nu trebuie să acopere alt poligon (must not overlap)(fig. 4.1 d cu roșu)

66
 - Între poligoanele nu trebuie să existe goluri (must not have gaps) (fig. 4.1. a, b c, iar la
d=roz);
- un poligon aparținând unui strat poate conține unul sau mai multe puncte dintr-un alt strat
(relația TEO→profil de sol);

b
a

d
c
Fig. 4.1 Modul în care apar golurile de editare la scara
1:10.000 (a), 1:25.000 (b), 1:50.000 (c) și goluri și
suprapuneri la scara 1:100.000 (d)

Fiecare parcelă este asociată unui proprietar unic, prin urmare suprapunerile sau golurile crează
ambiguități în stabilirea proprietății, taxelor etc.
Corectarea erorilor cu ajutorul topologiei
În primul rând trebuie setați parametrii de editare, urmând etapele: View→Data frame
properties→General tab→Change units→Display (meters)→OK.
În opțiunea de editare (editing options) vor fi urmate etapele: General→Stiky move
tolerance se introduce 1000 pixels (previne mutarea accidentală a unui poligon în timpul
editării), iar în stream tolerance se introduce 50 map units.
Pentru optimizarea spațiului fiecare bară de instrumente se utilizează doar când se
lucrează cu aceasta. Selectează bara de instrumente dedicată topologiei:
Customize→Toolbars→Topology. Corectarea erorilor se face cu sesiunea editare activată.
Utilizarea instrumentului align edge tool din bara de instrumente dedicată topologiei.
Selectând error inspector→show pot fi vizualizate toate erorile sau pe rând. Prin clic dreapta pe

67
fiecare eroare în parte zoom to→align edge tool se vor face corecturile, astfel încât toate erorile
să fie eliminate. După fiecare corectură se impune validarea datelor (validate topology in
specified area sau validate topology in current extent).
Variante pentru eliminarea suprafețelor acoperite
Varianta 1. Funcția substract. Utilizând error inspector vor fi selectate toate suprafețele
acoperite, utilizând Search Now. Selectează în error inspector toate zonele acoperite, ținând
apăsată tasta shift, suptafețele vor fi evidențiate prin altă culoare. În aceste condiții se poate
utiliza substract, ceea ce înseamnă extragerea suprafețelor acoperitoare, dar problema nu va fi
rezolvată deorece în loc vor rămâne suprafețe goale (gaps). Soluționarea problemei ar trebui să
fie simplă de tipul eroare→revolvare, dar în realitate rezolvarea problemei implică mai multe
etape, după algoritmul eroare→eroare→rezolvare (overlap→gap→vector). Golurile vor fi
umplute utilizând instrumentul align edge tool, din bara de instrumente dedicată topologiei.
Corectarea erorilor trebuie făcută în concordanță cu realitatea pedologică. Prin urmare,
corectarea golurilor cu un tip de sol trebuie să se facă utilizând și alte materiale cartografice
(harta solurilor, harta topografică, ortofotoplanul). Acest lucru se impune în special la tranzițiile
nete de la un tip de sol la altul, cum este cazul trecerii de la aluviosoluri la regosoluri, în cazul
frunților de terasă.
Varianta 2. Funcția merge. Utilizând error inspector vor fi selectate pe rând fiecare
dintre erori (clik dreapta) și se aplică merge. Problema care apare constă în alegerea tipului de
sol către care va fi modificată suprafața acoperită. Și în acest caz este recomandat utilizarea
materialelor cartografice ajutătoare astfel încât erorile tehnice să nu fie înlocuite de erori de
conținut.
Varianta 3. Funcția create future. Din error inspector se va selecta create future care va
genera un nou vector. În acest caz din open attribute table se selectează table și se vor completa
câmpurile, în conformitatea cu baza de date. Această variantă implică mai multe operații.
Verificare erorilor se poate face în două moduri:
1. In topologie stratul specific topolgiei, prin clic dreapta se selectează
properties→layer properties→generate sumary, rezultând un raport privind
numărul și tipurile erorilor. În acest caz putem să avem o informare privind
erorile de editare.
2. Întucât harta solurilor este formată numai din poligoane

68
Reguli topologice pentru poligoane, aplicabile la realizarea hărții solurilor:
- Punctul este inclus în...
- Este în apropiere de ......

4.2. Măsurători în teren și importul datelor in Arc GIS

Studiul solurilor în teren impune colectarea datelor cantitative. În caste caz apar două
proble: 1) poziționarea corectă a punctului de măsurare pe hartă și 2) trasferul datelor în gis.
Determinările în teren se pot face cu instrumente care au încorporat un GPS, cum este
penetrometrul model Eijkelkamp. În acest caz, pozitionarea punctului pe hartă nu ridică
probleme. Pentru alte tipuri de măsurători se
poate utiliza un GPS, sau alte produse mai
ieftine (hartă topografică sau ortofotoplan).
Trasferul datelor în gis se poate face
simplu, când există compatibilitate de transfer
către Arc GIS. Îl lipsa compatibilității, se
realizează transferul de la programul dedicat
către un program intermediar (ex. Note pad,
Excel) și în final către ArcGIS.
În continuare vom prezenta tehnicile pentru
Fig. 4.2 Organizarea unui plan pentru RP
realizarea unui plan, în vederea măsurării rezistenței la penetrare în teren și modalitatea de
importare a datelor în ArcGIS.
Măsurarea rezistenței la penetrare implică două etape: a) crearea unui plan și b)
efectuarea măsurătorii.
a) întocmirea planului se poate realiza în laborator (a1) sau în teren (a2), utilizând softul
aparatului (PenetroWiewer). Stuctura planului se bazează pe trei nivele ierarhice: primul se
referă la area de lucru (project); al doilea nivel reprezintă mulțimea parcelelor (plotname p1,
p2, p3....pn) incluse în area de lucru; al treilea nivel include toate penetrările (penetration)
dintr-o parcelă (1, 2, 3,...n) (fig. 4.2).
Întocmirea planului în laborator implică în prealabil fixarea unui obiectiv și analiza
hărților pe baza cărora se definesc cele trei niveluri ierarhice, prezentate anterior. Este preferabil
ca odată cu analiza hărților să se fixeze punctele (rețeaua de puncte) de penetrare în sol, cu
ajutorul unui program SIG.

69
a1. Întocmirea planului în laborator implică deschiderea softului PenetroWiewer.
În bara de meniu faceți clic plan→new/Edit (11) și va apare fereastra select project. Un plan nou
poate fi creat, dar trebuie avut în vedere că penetrometrul poate memora doar un singur plan.
Pentru a crea un plan apăsați new project (2) iar în fereastra edit project (3) va trebui să
completați următoarele cerințe:
- Project name – numele proiectului poate fi o combinație din cifre (ex. ziua, luna,
anul) litere (ex. Parc) sau cifre și litere (ex. 10Parc09) (maxim 8 caractere);
- Company – se poate atribui un nume (ex. UAIC), număr care poate reprezenta o dată
(ex. 11092009) sau o combinație de cifre și litere (ex. UAIC2016) (maxim 8
caractere);
- Cone type – se va selecta, apăsând săgeata din dreapta, dimensiunile conului utilizat
(exemplu, în cazul studiilor pedologic se folosește conul de 1cm2 și 600);
- Penetration speed – se va selecta viteza de pătrundere a conului în sol, în funcție de
caracteristicile solului (ex. 2cm/s, max. 5 cm/s); Pentru a putea analiza sau modela
(ex. sub formă de hartă sau 3D) datele este obligatoriu să utilizăm aceeași viteză de
penetrare pentru fiecare parcelă (plot).
- Number of plots - se selectează numărul de parcele (ex. 10, maxim 900);
- Number of penetrations per plot – se selectează o valoare numerică (ex. 5, maxim
20);
- Number of penetrations – se selectează o valoare numerică (ex. 2, max. 1500);
- Plot names - permite atribuirea unui nume sau număr parcelei (plot);
o Clic OK pentru a valida indicatorii definiți/selectați.
În final salvați planul slectând din bara de meniu plan și opțiunea save. Extensia fișierului va fi
.pla (ex. Geo.pla) (4). Planul astfel creat poate fi salvat în calculator unde poate fi modificat
ulterior, în funcție de necesități.
Trimiterea planului la penetrometru (5). Pentru această operație conectați penetrometrul
la calculator, prin cablul din cutia aparatului și deschideți aparatul. Verificați comunicarea cu
penetrometrul clicând în bara de meniu extra→comm. port. Dacă baterile sunt în stare bună de
funcționare, conectarea se va realiza automat. Din bara de meniu selectați data logger→identify.
Din aceași fereastră de dialog trimiteți planul creat la penetrometru, apăsând send plan.

1
Cifrele indică pașii care trebuie urmați pentru realizarea unui plan

70
 Înainte de a trimite datele la penetrometru salvați datele existente în calculator. Datele noi
(proiectul nou) vor șterge datele stocate din penetrometru.
a2. Întocmirea planului în teren impune utilizarea butoanelor de pe fața aparatului pentru
realizarea proiectului. Față de varianta anterioară, realizarea unui proiect nu necesită calculator și
cablu, dar va necesita mai mult timp din partea operatorului, întrucât se va utiliza cursorul
(sageata sus/jos) pentru selectarea parametrilor.
După deschiderea penetrometrului (tasta 1) și după reglarea unor parametri de funcționare (ex.
luminozitatea ecranului, limba) se va apăsa prima tastă pentru a intra în menu și în continuare va
fi afișat main menu și cu săgețile ↑ sau ↓ se vor ajusta următorii parametrii: company, cone,
penetr. speed, nr of plot, penetr/plot, descriși anterior (la punctul 3). La aceștia se adaugă shut of
time (timpul de închidere al aparatului după efectuara măsurători), GPS, moisture (opțional
selectarea senzorului de umiditate), language (limba de selecție a funcțiilor), data, time,
calibration (Atenție, calibrarea se va face numai de firma furnizoare).
b) Efectuarea măsurătorii. Pregătirea penetrometrului pentru efectuarea măsurătorilor începe
prin selectarea conului (în studiul solului se folosește conul de 1cm2 cu un unghi de 600) și
atașarea acestuia la tijă (conul și tijele vor fi fixate cu ajutorul cheilor din trusa aparatului 2). Tija
se va atașa la aparat după care, opțional, se atașează senzorul de umiditate. Din meniul principal
selectați measur după care selectați proiectul dorit din measur menu și apasați OK. Puneți placa,
care prin intermediul senzorului ultrasonic va înregistra adâncimea de pătrundere a conului în sol
după care începeți determinarea3. Selectați start pentru a începe măsurătoarea. Pentru efectuarea
corectă a măsurătorilor introduceți tija uniform în sol. Pentru salvarea datelor selectați opțiunea
yes după care selectați aceeași opțiune pentru GPS. În condiții normale (cer senin, fără obstacole
naturale sau antropice majore) răspunsul GPS-ul răspunde în mai puțin de 8 s.
Vizualizarea datelor. Pentru a vizualiza rezultatele măsurătorilor din main menu selectati
view și se va deschide view menu. Rezultatele pot fi afișate în formă grafică și numerică.
Selectați proiectul și parcela care vă interesează și apasați OK pentru a vizualiza rezultatele
grafice. În meniul result graphical va fi afișată media penetrărior din parcela selectată și, prin
linii orizontale va fi afișată deviația standard, pe adâncimi de 10 cm (dacă valorile măsurătorilor

2
Nefolosirea acestora poate duce la pierderea conului în timpul transportului sau măsurătorii
3
Nu înclinați aparatul mai mult de 3,50 față de verticală

71
sunt diferite, în caz contrar nu apare acest afișaj). Pentru afișarea în format numeric apăsați num
și, rezistența medie la penetrare va fi afișată pe adânci, din cm în cm.
Exportul datelor. Utilizarea datelor în penetrologger este limitată la vizualizare. Pentru a
putea prelucra datele și pentru a face comparații ale rezistenței la penetrare pentru diferite soluri
în condiții diverse de utilizare se recomandă exportul datelor în Excel sau în Notepad+.
Softul penetrometrului poziționează valorile pentru lat și long într-o singură coloană,
specificând N și E. Prin urmare, se impune o prelucrare primară a datelor în Notepad+ sau în
Excel, care constă în:
1. Separarea în coloane diferite a coordonatelor și eliminarea simbolurilor (N și E), care
se face simpu în Notepad+ prin funcția Replace. În Excel→Data→Text to
column→Fixed width, se aranjează datele conform cerinței.
2. Datele care nu au coordonate vor fi eliminate din șirul de date.
3. Datele lipă vor fi afișate cu *** sau cu valori vegative (-1), prin urmare trebuie
înlocuite cu 0.
4. Diferit de softul penetrometrului, în Notepad+ nu vor fi afișate adâncimile de
pătrundere a tijei în sol. În aceste condiții se vor completa manual adâncimea pentru
intervalul 0-80 cm.
5. Datele vor fi exportate cu extensia .csv după care se aduc în ArcGIS (Add Data).
După ce s-a ales sistemul de coordonate pentru Layers, din Display XY Data se selectează
coloanele pentru Lat și Long și datele fiind spațializate, urmând exportul într-un fișier shapefile
de tip puncte.

4.3. Subtipuri și domenii

Subtipurile reprezintă un subset de obiecte (date) într-un tabel care împart același atribut (ex.
eroziunea poate fi împărțită în eroziune slabă, moderată puternică etc. Fiecare subtip poate avea
propiul domeniu. Subtipul se utilizează în database când se realizează diferențieri între obiecte pe
baza: valorilor implicite, atributelor unui domeniu, regulilor de conectare și relațiilor dintre
reguli.
Plecând de la formula solului observăm că anumiți indicatori cum ar fi adâncimea de apariție
a carbonaților, conținutul în schelet etc. sunt reprezentați prin combinații de litere și cifre. În
fiecare casetă din tabela de atribute informațiile pot fi scrise sub formă numerică, text și dată,
fără a putea face combinații alfanumerice.

72
 Pe de altă parte dacă analizăm tabelele din M.E.S.P. (1987) și SRTS (2012) vom observa că
în condițiile utilizării SIG apar o serie de dificultăți. De exemplu, indicatorul 20 din S.R.T.S.
(2012) prezintă gradele de eroziune. Fiecare tip de eroziune are corespondent un simbol pe hartă
(ex. e12=erodat moderat prin apă) și în tabel (ex. EAM= erodat moderat prin apă). În SIG o hartă
se sprijină pe datele din tabelul de atribute, prin urmare nu are sens să folosim două seturi de
simboluri diferite.
În cazul texturii solului se vor utiliza simbolurile pentru subclasele texturale (tabelul 13). în
cazul hărților 1:10.000, aceasta are importanță practică, influențând infiltrarea apei în sol,
eroziunea prin apă etc.
Tabel 13. Notarea subclaselor texturale (MEPS, 1987)
Simbol pentru: Rezolvarea conflictual determinat de utilizarea
Denumire
hartă tabel simbolurilor diferite pe hartă și în tabel va fi data
Grupe de clase texturale
de crearea domeniilor și subtipurilor.
s S Lut nisipos
SG Lut nisipos grosier În tabelul de atribute se inserează coloanele
SM Lut nisipos mijlociu
Subclase

(Add Field) care vor fi populate cu indicatorii

texturale

SF Lut nisipos fin specifici morfologiei solurilor (ex. adâncimea de

SS Lut nisipos prăfos
apariție a carbonaților, gradele de eroziune),
SP Praf
proprietăților fizice (ex. nisip, praf, argilă etc.) și
chimice (pH, V, SB etc.). Trebuie avut grijă la modul de notare a coloanelor pentru a nu crea
confuzii. De exemplu, în tabelul de atribute se va introduce adâncimea de apariție a
carbonaților (tabelul 14) pentru care trebuie creat un domeniu și subtipuri și conținutul în
carbonați, rezultat prin analiza de laborator, datele fiind trecute direct în tabel (float).
În Catalog, din Feature class properties, în secțiunea Fields se verifică existența
coloanelor (Field name).
Tabel 14. Clase de adâncime pentru apariția carbonaților (SRTS, 2012)
Simbol Cod Denumire Criterii de încadrare
K1 1 Proxicalcaric Efervescență cu HCl în primii 25 cm
K2 2 Epicalcaric Efervescență cu HCl între 26-50 cm
K3 3 Endocalcaric Efervescență cu HCl între 51-100 cm
K4 4 (Moderat decarbonatat) Baticalcaric* Efervescență cu HCl între 101-150 cm
K5 5 (Puternic decarabonatat) Baticalcaric Efervescență cu HCl între 151-200 cm
K6 0 Necalcaric Efervescență cu HCl mai jos de 200 cm
*Pentru 4 și 5 se folosește aceeași denumire

73
 Se va crea un domeniu conform algoritmului: Data Management→Domanis→Create
Domanis, după care se adaugă codurile la domeniu (Add coded value to domain) și în final se
completează câmpurile pentru Assign domanin to field. Când se completează codurile și
descrierea este indicat să se ia în considerare caracteristicile solurilor (ex. în stepă solurile
sunt moderat decarbonatate) din zona pentru care se face harta pentru a nu completa coduri
inutile.
Avantajele utilizării unui domeniu constă în utilizarea unui set de informații care pot fi
utilizate la editare.

4.4. Parcelarea
Ce este parcelarea? Porțiuni din suprafața terestră (terenuri agricole, spațiul urban)
împărțită în parcele și administrate de proprietari individuali sau de autoritățile locale. Pentru
fiecăre parcelă se asociază un set de date (coordonate geografice, proprietar, suprafață relația cu
vecinătățile). Prin urmare, parcelarea este reprezentarea continuă a realității sub formă de
parcele.
Elementele conținute în parcelare sunt:
 liniile delimitează, cel mai adesea, parcelele între ele. Acestea sunt definite spațial prin
coordonate geografice (COGO-coordonate geografice); În rețeaua de parcele unele linii
pot fi de conexiune, reprezentând vecinătatea unei parcele cu alt obiect (ex. șosea) sau
linii radiale.
o Tipurile de linii
 poligoanele sunt suprafețe închise de linii (vertecși) care stochează atât informații
privind parcelele (ex. numărul) cât și teritoriul (ex. suprafața);
 punctele parcelelor stochează informațiile privind localizarea (x, y și z), acestea sunt
create odată cu editarea parcelei; Acestea se regăsesc în colțul parcelelor, în partea
centrală a unui arc de cerc și ca element (punct) final pentru liniile de legătură. Un punct
indică o singură locație, prin urmare nu se vor suprapune mai multe puncte (ESRI).
 punctele liniilor. Un punct pe o linie poate să corespundă colțului parcelei învecinate,
fără ca acesta să afecteze parcela, prin fragmentarea liniei. Linia unei parcele este
reprezentată printr-o singura distanță și direcție nu prin mai multe (ESRI).

74
  puncte de control sunt utilizate pentru crearea parcelelor, acestea definesc cu exactitate
coordonatele (x, y și z) unor obiecte reale ale suprafeței terestere, prin urmare parcelele
vor avea georeferințe exacte, ceea ce este un lucru foarte important.
 tabelele conțin informații referitoare la poligoane.
Alogoritmul de lucru
Parcelarea poate fi realizată prin crearea unui plan nou sau pe baza unui vector deja
existent care ulterior se importă într-o parcelare. Crearea și managementul parcelelor se face în
ArcCatalog (Folder→Personal geodatabase→Feature class→Parcel fabric), existând opțiunea
de a crea o parcelare simplă sau o parcelare conform unui model. În fiecare future class sau tabel
există un set de atribute predefinit, unele fiind editabele iar altele pot fi doar gestionate.
La parcelele create (linii, poligoane) se va adăuga un set de reguli prin intermediul
topologiei. Topologia este importantă, asigurând coincidența liniilor în cazul loturilor învecinate.
Eliminarea erorilor pentru poligoanele care nu sunt coincidente se poate face din Data
Management Tools→ Feature Class→Integrate.
Crearea unui plan. În Parcel editor→Plan directory→Create plan→Name (se
denumește planul, se descriu caracteristicile esențiale) se completează rubricile din Plan
properties. Încazul unui plan realizat pentru un teritoriu din Romania, în Record format se vor
completa cele patru opțiuni, astfel:
1. Direction of angle type (sau azimutul)→Quadrat bearing;
2. Direction and angle unit se alege Degree minutes seconds;
3. Distance and lenght units se alege Meters;
4. Area units se indică Hectares.
Opțional pentru Circular curve parameter and Circular curve direction se vor alege parametrii.
În Correction, pentru parcelele foarte lungi se va selecta Uses true mis-bearings. În rubrica
Attributes se adaugă informații privind, data, operatorul etc.
Editarea parcelelor. Inainte de a începe editarea trebuie să vă asigurați că bara de
instrumente specifică este activată (Customize→Toolbars→Parcel editor). Parcelarea se poate
face prin editare directă pe baza unui plan topografic sau ortofotoplan sau prin importul unui
vector. Editarea, în funcție de forma poligonului, generează o serie de puncte (Match control
points) a căror caracteristici (coordonate, distanțe, categorie etc.) pot fi vizualizate în Parcel
editor. Finalizarea editării poligonului se face prin Keep and join.

75
 Dacă se dorește editarea unui poligon plecând de la coordonatele exacte ale punctelor
atunci se vor utiliza punctele de control (Maintain control points) care pot fi vizualizate și editate
în caseta Control.
În cazul în care apar erori de editare se selectează parcela , apoi din Transform parcel se
alege una din cele cinci opțiunile de modificare a obiectului:
 Move parcels, obiectul va fi mutat în altă locație, fără să fie afectată forma parcelei;
 Scale parcels, dimensiunea obiectului se micșorează sau se mărește, în funcție de
necesitate;
 Rotate parcels asigură rotirea poligonului;
 Move /Rotate parcels asigură deplasarea și rotirea, unul din puncte având rol de ancoră;
 Move parcel points, permite corecția poziției unor puncte.
În cazul în care se dorește îndepărtarea unor puncte amplasate eronat din Select parcel feature
Mantain se vor selecta punctul după care din Control Points și în caseta Control se aplică Delete.
Editarea liniilor. Crearea unui obiecte (ex. șosea) între parcele se va face într-un fișier
separat. Se activează bara de instrumente Advanced editing și COGO. În bara de instrumente
Snapping se va selecta Vertex și Edge snapping. În bara de instrumente Editor se va selecta
Midpoint pentru a crea punctul central a vectorului șosea. Se vor crea mai multe segmente, în
funcție de necesitate, iar punctul central al acestora va fi asociat cu locul pe unde trece șoseaua.
Intersecția segmentelor rețelei rutiere (ex. șosea și drum comunal) trebuie să fie perfectă,
totuși în practica curentă se întâmplă ca unul din segmente să fie mai mare sau mai mic. Dacă
prin vectorizeare apare un segmente mai mare (ex. drum comunal), atunci este necesară ajustarea
acestuia la intersecția cu alt segment rutier (ex. șosea). Pentru aceasta din bara de instrumente
Advanced editing se alege Trim tool și cu segmentul principal selectat (șosea) se clichează pe
porțiunea mai lungă, care va fi ajustată automat la intersecție. Dacă unui din segmente este mai
mic (ex. drum comunal) se va selecta segmentul de rețea către care urmează a fi prelungit
vectorul (șosea) după care din Advanced editing se alege Extend tools și se face clic pe
segmentul ce urmează a fi prelungit (ex. drum comunal).
Adăugarea unui segment de linie după transformarea în COGO. Dacă se dorește continuarea
vectoriezării unei linii (ex. șosea) și direcția este în sens invers celei dorite atunci clic dreapta de
vector și apoi Flip. Pentru a continua vectorizarea segmentului pe direcția dorită, în COGO

76
Report se identifică coodonatele pe grid (ex 259-41-43, Distance: 35.498), care vor fi introduse
în Traverse.
Importanța parcelării
Calculul impozitului conform Art 465 din Codul fiscal (2016) pentru terenurile agricole,
cele din intravilane și pe clădiri se bazează pe trei trei indicatori: suprafața (ha) rezultă din
parcelarea terenului, impozitul pe categoria de folosință stabilit prin hotărâre de consiliu local și
rangul localității.
Impozitul=suprafața (ha) x impozit pe categoria de folosință (lei) x coeficientul de corecție
Tabel 15. Impozitul pentru terenu extravilan pe categorii de folosință
Nr Categoria de folosință Impozit (lei)
1. Teren cu construcții 22-31
2. Teren arabil 42-50
3. Pașune 20-28
4. Fâneață 20-28
5. Vie pe rod 48-55
6. Livadă pe rod 48-56
7. Pădure sau alt teren cu vegetație forestieră 8-16
8. Teren cu apă, altul decât cu amenajări piscicole 1-6
9. Teren cu amenajări piscicole 26-34
(nu sunt impozitate via și livada până la intrarea pe rod, terenurile neproductive, drumurile și căile ferate etc.)
Tabel 16. Rangul localității în funcție de importanță
Rangul Coeficientul Detaliere pentru rangul localității
localității de corecție
0 8,00 Capitala României
I 5,00 Municipii de importanţă naţională, cu influenţă potenţială la nivel
european
II 4,00 Municipii de importanţă interjudeţeană, judeţeană sau cu rol de
echilibru în reţeaua de localităţi
III 3,00 Oraşe
IV 1,00 Sate reşedinţă de comună
V 1,00 Sate componente ale comunelor şi sate aparţinând municipiilor şi
oraşelor
De exemplu, proprietarul unu (1) are o suprafață de 5,0152 ha teren arabil extravilan,
impozitul pe ha este 50 iar coeficientul corespunzător localității Aroneanu din jud. Iași este 1,00,
prin urmare impozitul plătit va fi 250,76 lei (2016). Terenul din spațiu urban este taxat în mod
diferit de cel agricol.
În Polonia, terenurile agricole sunt taxate în funcție de suprafață, tipul de sol, de tipul
activităților agricole și de zona administrativă în care este situat terenul (Bohnet, 2008).

77
 Și în alte țări taxa pe teren agricol se raportează la suprafață. De exemplu în Texas (SUA)
un actu4 are valoarea de piața de 5.000 $, iar productivitatea agricolă este de 80 $. Taxa cumulată
pentru 1 acru este de 1,75 $ la 100 $. Taxa pentru 1 acru de teren se calculează astfel: 5.000$ x
1,75$ / 100$ = 87,50$ (District, 2012).

4.6. Crearea unui model

Model builder este un instrument din ArcGIS capabil să execute o succesiune de operații
interconectate între ele pentru a obține un rezultat. În lipsa instrumentului operațiile trebuie
făcute pe rând, dar modelul are capacitatea de a stoca toate intrările, algoritmul de calcul și
ieșirile astfel încât poate fi modificat ori de câte ori se dorește.
Crearea unui model se va face în Arc Catalog și aici pot fi alese două locații: 1) în folder
2) în geodatabase, prin clic dreapta 1 sau 2→New→Toolbox și va fi stoca ca .tbx., după care clic
New→Model. Construcția modelului se face adăugând (drag and drop) atât fișiere (vectori și
rastere) cât și instrumente de procesare (ESRI).
Fișierele care constituie intrările vor fi reprezentate printr-un oval albastru iar ieșirile vor
avea culoarea verde. Intermediar între cele două două, sub formă de pătrat (galben) se găsește
instrumentul de procesare. Prin dublu clic pe instrumentrul de procesare se vor introduce numele
fișierului de intrare și locația fișierului de ieșire. Între fișierul de intrare și instrumentul de
procesare s-a relizat deja legătura sau putem face legătura prin instrumentul connect.
Înainte de a rula modelul se validează (Validate entiere model). Pentru buna gestionare a
fișierului de ieșire se recomandă schimbarea numelui prin clic dreapta Rename. Dacă dorim să
accesăm modelul (prin dublu clic) și apare mesajul This tool has no parameters nu însemnă că
sunt erori în model și apăsând OK, modelul va rula. Pentru a face schimbări în configurația
modelului clic dreapta→Edit.
Avantajele model builder:
 integrarea mai multe obiecte (vectori, rastere) într-o succesiune de procesări;
 posibilitatea de a schimba modelul în funcție de necesități;
 utilizarea facilă a instrumenteler din ArcToolbox și posibilitatea de a crea propriile
instrumente cu script-uri (Pyton, VBCsript);
 utilizarea unor precondiții pentru rularea modelului;

4
1 acru=4046,85 m2.

78
 realizarea unui model poate salva timpul prin efectuarea repetitivă a unor operații și,
în același timp oferă o imagine generală asupra interconexiune intrări-procese-
rezultatelor scontate.

79
 Chapter 5 Metode statistisice și geostatistice pentru
evaluarea proprietăților solurilor

5.1. Caracteristicile geochimice ale solurilor urbane. Aplicație la municipiul Iași

5.1.1. Lognormal distribution plot
Distribuția Lognormal este utilizat pentru a evidenția diferențele de acumulare a unor
elemente potențial toxice (PTEs) pentru întreg setul de date dar și pentru cele trei situații: soluri
naturale sau slab modificate antropic, tehnosoluri și depozite de umplutură.

Mo (mg/kg) Pb (mg/kg)
0.40 200.00
y = 0.0026x + 0.0013 y = 0.8272x - 23.33
R² = 0.4506
0.30 R² = 0.9611 150.00

0.20 100.00

0.10 50.00

0.00
0.00
0 20 40 60 80 100 0 20 40 60 80 100
Probability (cum. %) Probability (cum. %)
Fig. 5.1 Lognormal distribution plot pentru Mo a) și Pb.
B) pentru toate probele
a b
Pe ordonată se reprezintă concentrația elementelor în sol iar pe abscisă este reprezentată
probabilitatea cumulată, în procente, conform metodologiei propusă de Acero et al. (2003).
Dispunerea punctelor în jurul tendinței linerea și coeficienții de corelație ridicați indică slaba
influență antropogenă (Wang and Qin, 2007), deci sursa acestora este materialul parental. Slaba
liniaritate, a dispunerii punctelor, rupturile în lungul curbei și coeficienții de corelație mici și
punctele înafara curbei, pentru unele elemente, indică influența antropogenă în distribuția
acestora (Wang and Qin, 2007) (fig. 5.1 a și b). Nu vom detalia lognormal distribution plot
pentru toate PTEs, dar vom prezenta comportamentul Mo și Pb pentru întregul set de probe
analizat și a Zn-ului, pentru cele trei situații identificate în teren.

80
 Concentrarea punctelor în lungul Zn (mg/kg)
19
tendinței pentru Mo și coeficientul de corelație 17 y = 0.0912x + 5.0145
R² = 0.8602
apropiat de 1, indică faptă ca acest element 15
13
provine din materialul parental (Fig. 5.2. a) 11
fără ca o sursă antropogenă să influențeze 9
7
concentrarea și distribuția acestuia.
5
Distribuția punctelelor pentru Pb este 0 20 40 60 80 100
Probability (cum. %) a
marcată de o ruptură în lungul tendinței, care
Zn (mg/kg)
corespunde pragului pentru VN. Coeficienții
1000
y = 3.7774x - 113.41
de corelație permit diferențierea a două R² = 0.3341
800
categorii de PTEs : cele care au origine
600
antropogenă, cu coeficienți de corelație mici
400
(Pb, Zn și Cu) punctele se distribuie sub forma
200
unei curbe datorită concentrației peste VN și
0
elemente care provin din materialul parental 0 20 40 60 80 100
Probability (cum. %) b
(Mo, Cd, Ni, As și Cr) și au coeficienți de
Zn (mg/kg)
corelație mari (R2=0,96, R2=0,78, Ni=0,85, 3000.00
y = 14.603x - 494.14
R2=0,65 și 0,53) (Fig. 5b). Valorile reduse 2500.00 R² = 0.333

pentru As, Cd și Cr determinate de noi, 2000.00

confirmă studiile anterioare (Sîrbu-Radasanu 1500.00

et al., 2011, Zaharia and Dârțu, 2010, Bulgariu 1000.00

et al., 2008) care arată că solurile din Iași nu 500.00

0.00
sunt contaminate cu aceste elemente.
0 20 40 60 80 100
Probability (cum. %)
În cazul celor trei situații, menționate
c
mai sus vom analiza lognormal distribution Fig. 5.2 Lognormal distribution plot pentru Zn a) soluri
naturale b) tehnosoluri și c) depozite antropogene
plot pentru Zn (Fig. 5.2 a, b și c). Profilele
naturale sau slab modificate antropic (P1, P2
și P3) au concetrații în Zn sub VN, iar punctele grupate în jurul tendinței indică o distribuție
uniformă pe profil a elementului (Fig. 6a). În tehnosoluri, ruptura în distribuția punctelor este
marcată de trecerea peste pragul VN (100 mg/kg) și este mai ușor de observat decât în cazul
depozitelor antropogene, probabil datorită numărului mai mare de date analizate.

81
 Enrichment factor (EF1) este utilizat frecvent în studiile de poluare urbană și ia în
considerare relația dintre concentrația PTEs în rocă sau materialul parental și orizonturie.
În literatură, elementele de referință pentru mediu urban diferă de la autor la autor : Ikem
et al. (2008) utilizează aluminium, iar Luo et al. (2015) consideră că fierul deși este abundent în
sol este puțin influențat antropogen.
Pentru solurile urbane am preferat titanium (Ti3+) care este foarte rezistent la alterare,
fiind un bun indicator pentru geneza solului. Conținutul mediu de Ti în sol este de 0,33 mg kg-1,
iar pentru solurile light sandy este de 0,02-1,7 mg kg-1 (Kabada-Pendias and Mukherjee, 2007).
În cazul nostru, atât media obținută pentru întreg setul de probe cât și pentru orizontul C
(materialul parental) a celor trei profile cu evoluție naturală (P1, P2 și P3) au aceeași valore (0,02
mg kg-1).
EF pentru fiecare metal a fost calculată cu :
Ci / Cr
EF=
Bi / Br
unde Ci și Cr reprezintă concentrația metalului analizat și a metalului de referință în sol,
iar Bi și Br reprezintă concentrația metalului analizat și a celui de referință din materialul
parental (sau orizontul C) din aceeași zonă (Hu et al., 2013). În literatură, majoritatea
clasificărilor consideră EF<2 corespunzător solurilor nepoluate, dar pentru interpretarea datelor
vom utiliza clasificarea în care 1) EF≤1 nu indică acumulare 2) 1<EF≤3 acumulare minoră, 3)
3<EF≤5 acumulare moderată, 4) 5<EF≤10 acumulare moderat-ridicată, 5) 10<EF≤25 acumulare
ridicată, 6) 25<EF≤50 acumulare foarte ridicată, 7) EF>50 acumulare extremă (Ho et al., 2010).
Pentru câteva din orizonturile (straturile) tehnosolurilor EF indică o acumulare foarte
ridicată în Zn dar extremele se asociază cu depozitele antropogene. Acesta poate fi explicat prin
acumularea în trecut a unor deșeuri industriale din arealul unor fabrici specializate în structuri
metalice zincate, în actualele depozite antropogene.
Pb are concentrații neuniforme de la un orizont (strat) la altul în tehnosoluri și de la un
profil la altul. Solurile din apropierea șoselelor sunt în mod obișnuit mai vulnerabile la
contaminarea cu Pb (Ajmone-Marsan and Biasioli, 2010). În intersecția Podu Roș aflată în
legătură cu strada Splai Bahlui, unde este amplasat P6, s-au determinat concentrații în Pb de până
la 45,1 mg kg-1 pentru praful de pe stradă (Oiște, 2013). În cateva cazuri (P5, P6 și P7) valorile

82
EF apropiate de 50 confirmă legătura dintre acumularea Pb-ului și distanța redusă de șoselele
foarte circulate.
Cr are o poziție intermediară între grupa elementelor naturale și antropogene, doar 14%
din numărul total de probe s-au situat în intervalul 10<EF≤25.

5.1.2. Analiza cluster

Clusterul (clasa) reprezintă o mulțime de elemente (obiecte) similare între ele dar diferite
de obiectele din altă clasă. Scopul clusterului constă în împărțirea unui număr de observații sau
variabile măsurate în grupuri care au proprietăți sau comportament similar. O analiză cluster este
bună când probele sau variabilele dintr-un cluster sunt pe cât posibil similare unele cu altele iar
diferența dintre clase (clustere) este, pe cât posibil mai mare. De exemplu, în cazul solurilor din
spațiu urban concentrația Pb-ului din tehnosoluri sau a Zn-ului din zonele cu industrie
siderurgică va fi întotdeuna mai mare decât în solurile naturale, acoperite cu vegetație forestieră,
din parcuri.
Pentru a determina membrii grupului, majoritatea metodelor folosesc similaritatea dintre
măsurători. Valorile extreme (outliers) determină „clustere artificiale”.
Analiza de tip cluster pleaca de la dispunerea datelor sub formă de matrice. Astfel,
variabile vor fi în coloană, în pedologie putem lua în considerare unele proprietăți fizice ale
solului (ex. conținutul în argilă) sau chimice (ex. concentrația plumbului), iar masurătorile
(observațiile) vor fi dispuse pe rânduri. Analiza cluster este un instrument de analiză exploratorie
a datelor pentru a observa comportamentul multivariat a setului de date.
Probleme privind gruparea datelor folosind tehnica cluster
În spațiul urban, în zonele miniere sau industriale elementele din sol pot să apară în
concentrații variabile, prin urmare sunt exprimate în unități de măsură diferite. De exemplu
conținutul elementelor majore (N, P) din sol și carbonul orgabic total (TOC) sunt exprimate % în
timp ce concentrația unor elemente potențial toxice (Pb, Zn, Cd, As etc.) se extrimă în mg kg-1.
Prin urmare, analiza multivariată a elementelor prezentate mai sus într-un singur cluster nu este o
soluție viabilă deoarece elementele cu variabilitatea cea mai mare vor avea influență asupra
rezultatului.
Cluster analysis (CA) pentru patru elemente, după metoda Wardʼs, a fost utilizată pentru
a diferenția EF pentru cele trei categorii de soluri. Distanța clusterului reprezintă gradul de
asociere în funcție de valorile EF. Cu cât distanța este mai mică cu atât semnificația este mai

83
 puternică. Pe baza CA putem diferenția
două grupe : Zn landfill>Zn, Pb tehnosols
și Cu landfill>Cu technosols și Pb
landfill>Cu natural soil>Cr landfill și
technosols>Cr, Zn și Pb natural soils (fig.
5.3). O situație atipică se înregistrează
pentru Cu în profilul P3, parțial modificat
în primii 4cm, prin aport antropogen.
Valorile ridicate ale Cu din P3, în primele
orizonturi (137,7 și 157,7 mg kg-1)
modifică poziția solurilor naturale în
Fig. 5.3 CA pentru Pb, Zn, Cu și Cr în soluri naturale, tehnosoluri și
depozite de umplutură cluster.
Pentru a evalua corect acumularea unor metale pentru două perioade de timp propunem
factorul de îmbogățire temporal temporal enrichment factor (Eft) (tabelul 17), reprezentând
raportul dintre metalul analizat și cel de referință din orizonturile bioacumulativ a tehnosolurilor
și orizontul bioacumulativ îngropat a fluvisolurilor, cu formula:
Ci / Crupper _ Ahorizont
Eft= (25)
Bi / Brburied _ Ahorizont

Valorile >1 indică acumularea actuală mai intensă a PTEs în partea superioară a
profilului, iar valoarea <1 indică poluarea mai intensă în trecut.
În acest caz avem nevoie de un reper temporar exact, cum este stratificația formată în
urma inundației din 1932 (P4 și P6) care separă orizonturile bioacumulative ale fluvisolurilor,
dedesubt de ale tehnosolurilor, deasupra. În lipsa unui reper temporar clar putem raporta
diferențele de concentrare a unor PTEs între orizonturile actuale și cele îngropate (e.g. P5). În
cazul tehnosolurilor există riscul apariției unor erori întrucât acestea sunt frecvent supuse
amestecului materialelor.
Tabel 17. Valorile Eft pentru Pb, Zn, Cu și Cr
Orizonturi Adâncimi Nr Tip de sol Pb Zn Cu
(cm) Profil
Am/bAm2 0-37/82-100 4 8.55 1 0.68
At/bAGr 0-16/131-148 6 Tehnosol/Fluvisol 17.78 22.47 0.83

84
Am/bGrAm3 0-31/131-148 5 0.03* 0.04* 0.04*
Am2C/bGrAm3 31-64/131- 5 1.31 5.71 3.30
148
Am/C2Am 0-4/43-78 7 Tehnosol 2,17 1,18 1,36
*sol copertat
EFt indică o îmbogățire mai puternică în Pb și Zn în orizonturile bioacumulative de
suprafață decât în cele îngropate, înainte de 1932. Rezultatele reprezintă efectul perioadei de
industrializare și a creșterii continui a traficului rutier, concomitent cu utilizarea aditivilor în
benzină, până în 2005.

5.1.3. Analiza spaţială a infitrării apei în solurile urbane din municipiul Iasi
Cuvinte cheie: media, deviația standard, coeficientul de variație, skewness, kurtosis,
variograme, Lognormal ordinary kriging, goodness of prediction.
1. Introducere
Abordările ştiinţifice referitoare la infiltrarea apei în soluri au ca scop identificarea ratei
de infiltrare în diferite condiţii de mediu (Jimenez et al., 2006, Myiata et al., 2010, Navarro et al.,
2012, Nerris et al., 2012) şi analiza efectelor determinate de proprietăţile fizice ale solului asupra
proceselor hidrologice asociate (Doerr and Moody, 2004, Jabro et al., 2006, Kinner and Moody,
2008, Jimenez et al., 2010, Govindaraju et al., 2012). Până în prezent doar câteva studii au fost
efectuate asupra infiltrării apei în solurile urbane (Dornauf and Burghardt, 2000, Winzig, 2000,
Yang and Zhang, 2011).
În rest, studiile ştiinţifice s-au axat pe analiza modificărilor solurilor naturale în mediul
urban (Burghardt, 1994), evaluarea caracteristicilor chimice ale solurilor urbane supuse riscului
poluării (Zhang et al., 2005, Mass et al., 2010), analiza procesului de compactare antropică
(Glinski and Lipiec 1990, Jim, 1993, 1998) şi relaţia cu calitatea apelor (Yang and Zang, 2011).
Numeroase studii arată că proprietăţile solurilor sunt puternic alterate şi heterogene în
mediul urban (Hagan et al., 2012). Infiltrarea apei în solurile urbane ia valori diferite de la un
loc la altul, fiind determinată de variabilitatea proprietăţilor solurilor în suprafaţă (Jason and
Carter, 2010) dar și în partea mediană prin cumulul unor caracteristici (prezența argile-fisuri)
Această variabilitate se reflectă în corelaţia slabă sau inexistenţa unei corelatii între rata de
infiltrare (RI) şi celelate proprietati fizice ale solului (Yang and Zangh (2011). Uneori între

85
anumite proprietăţi (e.g. densitatea aparentă) şi RI se stabileşte o corelaţie inversă (Ersahin,
2003).
Reprezentarea spaţială a datelor ridică probleme pentru alegerea celei mai bune metode
de interpolare. În literatura de specialitate sunt menţionate trei metode de interpolare: statistice
(ex, regresia și regresia multiplă), geostatistice (e.g., Kriging-ul ordinar și Kriging-ul universal),
și hibride (ex, co-Kriging-ul și Regression Kriging) (Zhu and Lin, 2010). Inverse distance
Weight (IDW), Ordinary kriging (OK) şi co-kriging sunt metodele cele mai folosite pentru
interpolarea datelor.
Procedeul optim pentru cartografierea proprietăţilor solului are la bază analiza relaţiei
dintre proprietăţile statistice ale datelor şi performanţa tehnicii de interpolare (Kravchenko and
Bullock, 1999). Câteva valori ridicate ale RI pot determina valori mai mari de 1 ale skewness,
situaţie în care se va utiliza
Kriging-ul lognormal
(Robinson and
Metternicht, 2006). Soluţia
optimă constă în
transformarea datelor şi
modificarea distribuţiei
originale în una relativ
simetrică. Se aplică
kriging-ul pe datele
transformate după care se
procedează la
transformarea înapoi în
scala originală de măsurare
(Govaerts et al. 2010,
Yamamoto, 2010).
Deşi utilizarea
tehnicii IDW, prezintă mai
multe dezavantaje, Vargas-
Fig. 5.4 Harta solurilor municipiului Iaşi (cf. WRB, 2014) Guzmán et al. (2004)

86
consideră că rezultatele estimate au continuitate în arealul de studiu. Comparând kriging-ul cu
IDW-ul, Kravchenko and Bullock (1999) arată că krigingul care dispune de un număr optim de
puncte învecinate şi alegerea cu grijă a modelului variogramei determină o estimare mai precisă
decât cea obţinută prin IDW.
Scopul acestui studiu constă în: (i) descrierea variabilităţii infiltrării apei în solurile
urbane, (II) relaţia dintre proprietăţile fizice auxiliare şi RI, şi (iii) alegerea modelului geostatistic
optim care să permită estimarea cu acurateţe a IR în punctele fără măsurători.

2. Materiale şi metode
Zona de studiu si prelevarea probelor de sol
Pentru teritoriul studiat, cu o suprafaţă de 33,2 km2 s-au cartat solurile, conform
taxonomiei WRB (2014) identificând Technosoluri, Regosoluri, şi Cernoziomuri, care formează
ponderea majoritară a învelişului pedologic, la care se adaugă câteva areale mici cu Gleiosoluri
şi Antrosoluri (Secu, 2011).
În vederea analizei spaţiale a RI în solurile urbane din Iaşi s-a realizat un grid (750x750
m), obţinând 69 de puncte pentru care s-au făcut măsurători în teren şi în laborator. Deoarece
compactarea solurilor urbane se înregistrează frecvent la suprafaţă, prelevarea probelor cu
cilindrii metalici s-a făcut pentru adâncimea de 0-10 cm pentru determinarea umidităţii solului.
Adiţional au fost colectate probe de sol, din primii 25 cm pentru analiza texturii solului.

Analize în teren şi în laborator

Rata de infiltrarea iniţială şi finală (mm h-1) pentru solurile urbane s-a determinat
utilizându-se Truf-tech infiltrometer, cu două inele (cu inelul interior de 6,03 cm şi cel exterior
de 10,79cm). Având dimensiuni mai reduse decât infiltrometrul cu două inele poate fi utilizat
optim în condiţiile impuse de mediul urban (Pitt et al., 1999). Rezistenţa la penetrare (RP) s-a
determinat cu un penetrolloger (Eijkelkamp) având capul conic cu aria de 1 cm2 şi unghiul de
600, care permite obţinerea grafică a rezistenţei la penetrare (Mpa) în funcţie de adâncime (80 cm
adâncime maximă). Pentru fiecare plot s-au făcut două măsurători, valoarea finală fiind mediată.
Rezistenţa solului creşte drastic pe măsură ce se diminuează umiditatea din sol (van Huyssteen,
1983, Grunwald et al., 2001), prin urmare măsurătorile s-au realizat după 3 zile de la producerea
precipitaţiilor, când solul ajunge aproape de capacitatea de câmp. Măsurătorile în teren s-au făcut

87
în din a doua jumătate a lunii aprilie până în prima parte jumătate a lunii iunie (2011-2012), în
zile cu temperaturi medii de 18-250C.
Conţinutului de apă (gravimetrică) din sol a fost determinat prin metoda uscării în etuvă.
Conţinutul de apă reprezintă raportul dintre masa apei din probă (cilindru de 100cm3), înainte de
uscare şi masa probei după uscare (8 ore) la temperatura constantă de 1050C (Topp and Ferré,
2002).
Umiditatea volumetrică (volumetric moisture) s-a determinat pentru primii 5 cm ai
solului cu ThetaProbe având atașat senzorul MP2x. Conţinutul de apă gravimetric este utilizat
mai mult decât cel volumetric deoarece este afectat de densitatea aparentă care se corelează
direct cu RP (Vaz et al. 2011). Porozitatea solului s-a măsurat cu picnometru cu aer, după
principiul Langer (Eijkelkamp) după care s-au calculat densitatea şi densitatea aparentă (tabel
18). Uneori prezența oxizilor de fier și a altor minerale „grele” crește valoarea DA (Hillel, 2004).
Solurile urbane pot conține incluziuni, de aceea am preferat analiza fiecărei probe în loc să
folosim o valoare medie (2.65 g/cm3). Pentru determinarea texturii s-au prelevat probe de sol
(500-1000 g), iar fracţiunile de argilă, praf şi nisip au fost determinate prin metoda pipetării.
Tabel 18. Descrierea punctelor de studiu
Zone Nr. Varsta Vegetatia Porozitatea Densitatea Rezistenta Infiltration
Zone probe solurilor totala aparenta la rate
Funcționale estimată (%) (g/cm-3) penetrare (mm/h-1)
(ani)* (Mpa)
I Ierboasă și 1.33 a 2.53 a 59,4 a
Zone 29 >50 45a±6.9b
arbori
rezidențiale ±0.15b ±0.71b ±50,9
ornamentali
Zone II 68,3 a
industriale/
8 5-50 43.7±5.1b 1.4±0.11b 2.62±0.75b ±46,5b
transporturi Ierboasă
(în lungul
șoselelor)
III Vegetație 43,9 a
Terenuri 7 <5 46.4±10.5b 1.17±0.26b 2.4±0.42b
ruderală sau
degradate ±22,7b
fără
Zone de IV Ierboasă, 50,5 a
agrement 17 5-50 arbuști și 45.2±7.4 b
1.25±0.13 b
2.31±0.72 b
±40,7b
(parc, grădină arbori
botanică) ornamentali
V b b b
71,05 a
Păduri 6 >50 Nemorală 40.16±1.4 1.31±0.07 2.5±0.61
±71,6b
Terenuri VI 40,5 a
2 >50 Vegetație 54±7.0b 1.12±0.15b 1.93±0.24b
agricole
cultivată ±8,06b
heterogene
a
average, b
standard deviation, * <5 ani, soluri recente (amestecate, copertate), 5-50 ani, soluri cu vârstă medie (etapa de industrializare a
municipiului Iași), >50 ani, soluri vechi.

88
Datele au fost prelucrate statistic în Statistica (Stat Soft) şi Matlab. Pentru spaţializare am folosit
modulul Geostatistical Analyst din Arc Gis şi am aplicat tehnica IDW şi kriging pentru RI.
Ulterior am utilizat cross validation pentru a compara rezultatele obţinute pentru gridul standard
(750 x 750m) cu cel pentru care s-au făcut măsurători. Analizând distribuția punctelor de pe cele
două griduri rezultă că 22 de puncte coincid spatial. Rezultatele analizelor au fost interpretate în
corelaţie cu modul de utilizare a terenurilor (fig. 2.2.), cartografiate detaliat după metodologia
Corine Land Cover (Bossard et al., 2000).

Fig 2.2. Utilizarea terenurilor în Iaşi

3. Rezultate şi discuţii
Variabilitatea ratei de infiltrare a apei in solurile urbane

89
 Curba generală de variaţie a RI a apei în sol indică un trend descendent, de la valori
ridicate în primul, interval de timp (1 min) care oscilează între 5000 şi 60 mm h-1, scăzând treptat
spre intervalul 5-10 minutes (între 30 şi 1000 mm h-1) şi atenuându-se spre valori temporale mai
mari (în intervalul 50-60 minute rata de infiltrare variază între 4 şi 142 mm h-1) (Fig. 5.5.).

Fig. 5.5 Curba generală de variaţie a ratei de infiltrare a apei în solurile urbane din municipiul Iaşi
La nivelul fiecărei zone funcţionale analizate curba de variaţie a RI se prezintă diferit în
funcţie de condiţiile de utilizare a terenului şi de modificările aduse asupra orizonturilor de sol.
Nu s-au observat modificări semnificative ale curbei de variaţie între zonele rezidenţiale şi cele
industriale unde ratele de infitraţie iniţiale depăşesc 1400 mm h-1 scăzând puternic în intervalul
1-2 minute şi apoi treptat spre intervalul 3-5 minute. Creşterea intervalului de măsurare de la un
minut la 2 minute şi apoi la 5 minute sau 10 minute se reflectă în creşteri semnificative ale ratei
de infiltrare cu 30-50 mm h-1. Curba generală de variaţie a ratei de infiltrare tinde apoi să se
aplatizeze gradul spre intervalul de măsurare de 40, 50 şi 60 de minute.
Analiza datelor privitoare la infiltrarea apei în sol la nivelul ariei urbane a oraşului Iaşi
scoate în evidenţă o pondere ridicată a valorilor RI (peste 65%) cuprinse între 20 şi 63 mm h-1
(conform clasificării propuse de Kohnke, 1968 unde valorile ratei de infiltrare finale notate Ks
sunt încadrate din clasa foarte redusă, Ks< 1 mm h-1, până la clasa foarte ridicată Ks>254 mm h-
1
). Cele mai ridicate rate de infiltrare (Ks> 127 mm h-1) au fost identificate în zonele împădurite
din aria limitrofă a oraşului şi la nivelul unor parcuri, încadrându-se în limitele observate de Gao
and Zhou (2002), Yang and Zhang (2011). Valorile cele mai reduse (cu o rată de infiltrare Ks<5
mm h-1) cu o frecvenţă de 1% corespund zonelor cu o compactare foarte ridicată (e.g. zone
III)(Fig. 5.6).

90
 Fig. 5.6 Modificări ale RI în diferite zone funcţionale ale oraşului Iaşi
3.2. Structura datelor şi alegerea metodei de reprezentare
Pentru proprietăţile fizice ale solurilor s-a calculat coeficientul de variaţie (CV) pentru
fiecare din tipurile de soluri identificate dar şi pentru întreg arealul urban. Variabilitatea ridicată
a proprietăţilor solurilor se reflectă în CV mari (Utset, 2000), iar tehnosolurile prin CV de 82,6%
indică o variabilitate internă mai ridicată față de celelate soluri (CV 25-25%) (Table 19).
Coeficienţi de variaţie mici (36,5%) au fost determinați de Ersahin (2003) pentru valori relativ
apropiate ale RI pe un teren aluvial bine drenat. CV mare în cazul tehnosolurilor este explicat de
caracteristicile interne diferite ale solului, de la un punct la altul. Chiar şi în condiţii uniforme de
relief, RI diferă foarte mult. În lunca Bahluiului s-au determinat valori ale RI de la 36.1 la 110
mm h-1.
Pe de alta parte Garten et al. (2007) apreciază că CV este senzitiv la distanţa dintre probe
şi la numărul acestora. Distanţa dintre puncte a fost modificată datorită caracteristicilor mediului

91
 urban (prezenţa bulevardelor, spaţii ocupate de unităţi comerciale, parcări, spaţii destinate
construcţiilor de locuit etc).
Solurile relativ omogene (Chernozems) se caracterizează, în general, prin CV mici,
excepția fac deficitul de umiditate şi rezistenţa la penetrare (PR) (tabelul 19).
Solurile urbane în ansamblu, se caracterizează prin CV mai mici pentru ceilalţi indicatori
fizici față de RI. Densitatea aparentă este una din proprietătile solului cel mai puțin variabile
comparativ cu celelate caracteristici fizice (Warrick and Nielsen, 1980), dar în Iași BD ia valori
în intervalul 0,84-1,71 g/cm2.
Tabel 19. Valoarea medie (μ), deviația standard (σ) și coeficientul de variație (CV) pentru tipurile de soluri și pentru
spațiul urban (valori reale)
Soils parameters Infiltration Rate Soil Moisture Volumetric Total Porosity Penetration Bulk Density
moisture
Deficit Resistance
content
Μ σ CV μ σ CV μ σ CV μ σ CV μ σ CV μ σ CV
Technosols 54.3 44.9 82.6 7.39 2.61 35.3 22.3 5.74 25.7 45.8 7.16 15.6 2.52 0.55 21.8 1.32 0.17 15.6

(a)
Regosols (b) 25.4 6.56 25.8 6.5 3.4 52.3 25.4 6.56 25.8 43.8 4.25 9.7 2.91 0.72 24.7 1.24 0.11 8.8
Referinte (WRB, 2006)

Fluvisols (c) 47.7 18 26.4 8,25 2,83 34,3 21.2 5.52 26 43 6.77 15.7 2.38 0.56 23.5 1.29 0.15 11.6

Chernozems 51.9 13.8 26.5 4.85 2.94 60.6 29.2 6.92 21.5 45.1 8.09 17.9 1.87 0.67 35.8 1.3 0.08 6.15
(d)
Anthrosols 6.5 0.5 7.6 25.6 1.05 25.8 45 4 8.8 2.24 0.13 5.8 1.22 0.01 0.8
* * *
(e)
Urban soils 56.3 45.6 80.9 7.18 2.88 40.1 23.2 6.29 27.1 45 6.98 15.4 2.46 0.63 25.6 1.3 0.16 12.3

Numărul de probe pentru fiecare tip de sol: (a)=41, (b)=7, (c)=12, (d)=7, (e)=2, * nu s-au calculat
Pentru cele trei seturi de date s-a verificat ditribuţia pe baza skewness şi kurtosis,
evidenţiind pentru RI o frecvenţă mai mare a valorilor mici faţă de cele mari. Această situaţie
reflectă traficul la nivelul solurilor urbane. Valorile negative ale skewness pentru suprafaţa
solului sunt puse de Ngailo and Vieira (2012) pe seama activităţilor antropice (e.g. prin cultivare)
dar apreciem că şi cele positive pot avea aceeaşi explicaţie, în cazul solurilor urbane.
Modificarea şirului de date prin eliminarea maximelor sau prin introducerea unor date interpolate
pe baza factorilor relief şi sol vor dimină skewness şi kurtosis în limitele acceptate. Distribuția
ridicată a valorilor skewness indică faptul că kriging-ul ordinar (OK) nu este viabil (Delbari,
2011), deoarece distribuţia datelor, în cazul solurilor urbane, înregistrează atât valori foarte mici
cât şi foarte ridicate. Eliminând valorile maxime pentru 5 puncte (tabelul 20) se observă
diminuarea skewness şi kurtosis spre valori normale, situaţie identificată şi în cazul înlocuirii

92
 maximelor cu punctele interpolate manual. Maximile sunt determinate de modificarea puternică
a proprietăţilor fizice ale solurilor. Două puncte cu valori ale infiltrării peste 210 mm h-1 au ca
puncte alăturate valori în intervalul 50-80 mm h-1.
Tabel 20. Rezultatele analizei statistice pentru parametrii studiaţi
Variabile RI –valori măsurate* RI – valori fără maxime* RI –valori maxime
modificate manual după
DEM si harta solurilor*
max min sk kt max min sk kt max min sk kt
Rata de infiltrare
(valori 221.4 4.5 2.15 4.9 110 4.5 0.14 -0.12 110 4.5 0.03 -0.12
măsurate(mm h-1)
Deficitul de
14 1 -0.2 -0.51 14 1 -0.19 -0.6 14 1 -0.19 -0.6
umiditate (mm def.)
Umiditatea
gravimetrică) (%) 40.6 9.1 0.40 -0.11 40.6 9.1 0.44 -0.19 40 9.1 0.44 -0.19

Poroziatea totală
66 32 0.84 0 66 32 0.51 -0.12 66 32 0.51 -0.12
(%)
Rezistenţa la
4.57 0.9 0.36 0.94 4.5 0.9 0.32 0.76 4.5 0.9 0.32 0.76
penetrare (MPa)
Densitatea aparentă
1.7 0.84 -0.11 0.74 1.7 0.84 -0.17 0.73 0.84 1.7 -0.17 0.73
(g/cm3)
*Pentru 69 de valori, **Pentru 64 de valori

Pentru analiza geostatistică am utilizat un set de date, în trei variante: (i) infiltrarea apei şi
celelate proprietăţi ale solului, rezultate din analize (teren și laborator) în condițiile gridului
corectat după caracteristicile terenului; (ii) din valorile infiltrării au fost îndepărtate extremele (5
puncte cu valori >150 mm h-1); (iii) valorile maxime ale infiltrării au fost înlocuite manual cu
valori rezultate din media a două puncte cu caracteristici apropiate ale reliefului şi solurilor,
rezultate din suprapunerea punctelor pe Digital Elevation Model (DEM).
Acurateţea obţinută pentru cartografierea proprietăţilor fizice ale solului depinde puternic
de structura spaţială a datelor. Proprietăţile solului cu structură spaţială puternică şi medie pot fi
cartografiate cu relativă acurateţe chiar în condiţiile unui număr redus de probe (Stafford,
Werner, 2003), iar mediul urban impune restricţii pentru determinări în teren.
Structura spațială a datelor poate fi caracterizată prin metoda geostatistică, respectiv prin
variograme. Raportul N/S indică structura spațială a datelor iar Cabardella et al. (1994) definește
trei clase: cu structură spațială puternică ≤25%, moderată 25-75% şi slabă ≥75%, în timp ce
Kravchenko (2003) menționează valori de la 0.1 la 0.6. Modelul sferic este probabil cel mai des
utilizat (Webster and Oliver, 2007, Pandey and Pandey, 2010) iar dacă prin construcţia

93
variogramelor rezultă nugget mare sau raportul sill/nugget ridicat atunci, modelul sferic va indică
continuitatea spațială (Schloeder, 2001).
Daca coeficientul skewness este mai mare decât 1 se impune transformarea logaritmică a
datelor (Robinson, 2006) (Fig. 2.4.) şi utilizarea Lognormal Ordinary Kriging (LOK) ca
alternative la Ordinary Kriging (OK). Transformare înapoi a datelor poate determina erori
(Kravchenko and Bullock, 1999) iar pentru diminuarea acesora se poate utiliza funcţia
exponenţială, cu formula 20:
1 2
Ŷ(𝑥𝑖 ) = exp[ŷ(𝑥𝑖 ) + 𝜎 (𝑥𝑖 ) − λ𝑖 ] (26)
2
unde:
- Ŷ(𝑥𝑖 ) este transformarea inversă a valorilor lognormal estimate ale infiltrării;
- ŷ(𝑥𝑖 ) valorile lognormal kriging estimate;
- 𝜎 2 (𝑥𝑖 ) varianța kriging;
- λ𝑖 factor Lagrange.
Variogramele pentru cele trei variante de date au fost realizate pentru modelul sferic, pentru
care nu s-a constat anizotropie (Fig. 5.7).
Cel mai bun raport N/S pentru RI determinată în teren s-a obţinut aplicând Lognormal
Ordinary Kriging, în timp ce prin îndepărtarea sau înlocuirea maximelor raportul va indica o
structură spaţială slabă (Tabelul 17).
Relaţia spaţială dintre rata de infiltrare şi proprietăţile auxiliare ale solurilor
Infiltrarea a fost utilizată ca variabile ţintă iar celelalte proprietăţile fizice reprezintă
variabile auxiliare care permit investigarea efectului structurii spaţiale.
În mod obișnuit, valorile pentru două puncte apropiate a oricărei proprietăţi vor fi mai
apropiate una faţă de cele situate la două puncte distanţă (Pandey and Pandey, 2010), dar situație
este valabilă în mica măsură pentru solurile urbane.
Este de așteptat ca RI să aibă valori mari în cazul zonelor industriale şi rezidenţiale cu
soluri puternic modificate antropic (tabelul 20) şi să fie mai mici pentru terenurile moderat
modificate antropic (terenuri agricole, parcuri). Solurile acoperite cu vegetaţie forestieră au
valori mai mari RI decât cele modificate antropic, iar nivelul ridicat al permeabilității este
determinat de activitatea nevertebratelor sau a altor categorii de fauna (Schmidt and Michael,
2004).

94
 Corelaţia slabă între RI şi celelate proprietăţi fizice este pusă pe seama variabilității
ridicate a proprietăţilor solurilor
urbane de la un loc la altul. Pentru
solurile utilizate agricol, cu strat
de hardpan Ersahin (2003) indică
corelaţia negativă între umiditate
și infiltrare, în timp ce în cazul
solurilor urbane această
caracteristică este asociată cu
solurile tasate din zona spațiilor
verzi, care ulterior au fost
copertate. Bruand and Cousin
(1995), Winzig (2000), Richard et
Fig. 5.7 Histograma ratei de infiltrare (IR) înainte şi după transformarea al. (2001) evidenţiază o serie de
logaritmică
corelaţii între RI şi Bd, pentru
solurile utilizate agricol, însă pentru solurile urbane nu am identificat existenţa unei corelaţii
evidente, întrucât RI are variabilitate mai ridicată decât Bd. Inexistenţa unei corelații clare între
proprietăţile auxiliare (VMC, SMD, Bd, PR, and Clay) şi RI nu poate explica variabilitatea spaţiă
a RI şi nu permite utilizarea co-Kriging-ului (Table 5).
Acurateţea datelor a fost evaluată pe baza a două criteria: mean square error (MSE) şi
goodness of prediction (G). Pentru G, Kravchenko (2003) foloseşte formula:
G  (1  MSE / MSEavg )  100
Unde: MSEavg reprezintă media erorilor pătrate obţinute pe baza mediei din teren, pentru
toate determinările, MSE media erorilor pătrate obținute pe baza estimărilor.

95
 Daca G ia valori negative sau apropiate de 0, înseamnă că valorile medii din teren prezic,
în locaţiile în care nu există probe, cu
o acurateţe mai ridicată decât cele
estimate pe grid (Kravchenko, 2003).
În acest studiu, G este 91% ceea ce
indică o acuratețe ridicată a valorilor
prezise în detrimentul celor medii din
teren. Din cele trei modele (LOK, OK
și IDW) realizate pentru gridul
standard (750 x 750 m) cel mai bun,
verificat prin intermediul G, este
LOK.
Pentru studiul nostru valorile
MSE şi G evidenţiază că LOK este
cea mai bună soluţie pentru
reprezentarea continua a datelor
(Tabelul 20).
Acurateţea datelor a fost
evaluată pe baza a două criteria: mean
square error (MSE) şi goodness of
prediction (G). Pentru G, Kravchenko
(2003) foloseşte formula:
G  (1  MSE / MSEavg )  100
Valorile estimate pentru gridul
standard (750 x 750) aplicând LOK nu
diferă faţă de cele obţinute pentru
gridul măsurat (Fig. 5.9).
Concluzii
Fig. 5.8Variograma Lognormal pentru IR: a. măsurată; b.
măsurată fără valori maxime; c. măsurată pentru valori În solurile urbane din
interpolate manual municipiul Iași RI se caracterizează
prin variabilitate spațială ridicată, determinată în primul rând de influența antropică asupra

96
 solurilor, de zonele funcționale și în măsură mai mică de textură. Această caracteristică se
reflectă în CV mare pentru tehnosoluri și normală pentru celelalte soluri. În mediu urban se pot
obţine valori foarte ridicate ale RI, caracteristice în condiții normale pentru solurile cu textură
nisipoasă. Acestea pot fi explicate prin existenţa incluziunilor în sol (zonele rezidenţiale şi
industriele) cu frecvenţă mai mare la adâncimi de peste 20 cm. În zona forestieră deşi porozitatea
este mai redusă comparativ cu solurile din celelalte zone, valorile ridicare ale RI sunt cauzate de
activitatea intensă a faunei. În unele puncte din zona rezidenţială RI iniţială este ridicată după
care scade brusc, aspect datorat copertării solurilor, utilizate ca spaţii verzi. Solul iniţial, se
comportă asemeni stratului, specific solurilor utilizate agricol.
Valoarea mare a skewnes pentru RI a impus transformarea logaritmică a datelor și
utilizarea LOK. Îndepărtarea valorilor maxime din șirul de date sau înlocuirea acestora cu date
interpolate manual pentru aceleași caracteristici ale reliefului și solurilor nu este o solutie bună,
fapt confirmat de valorile obţinute pentru G. Pentru reprezentarea continuă a datelor, în punctele
în care nu există măsurători, modelul sferic pe baza LOK permite obţinerea celor mai bune valori
ale G, comparativ cu rezultatele obținute prin OK și IDW.
Tabel 21. Rezultatele skewness, R2, N/S, sill şi range pentru cele trei variante de date
Skewness Excess Kurtosis Extremes ( for R2 N/S sill range
Method

(for
log(Zi) )
variogram)
Zi log(Zi) Zi log(Zi) Min Max
RI (valori LKO 2.1564 -0.6194 4.9442 0.6647 1.5041 5.4000 0.5184 0.1798 0.7026 1332.9
măsurate)
RI (valori
fără maxime) 4.5000 110.10 0.6017 0.1878 538.4188 1275.4
KO
0.1646 -1.2460 -0.1207 0.8451
1.5041 4.7014 0.5020 0.226 0.5303 1057.1
LKO
RI (valori cu
maxime 4.5000 110.10 0.6330 0.2011 515.0093 1190.3
KO
înlocuite 0.0304 -1.3514 -0.1174 1.1475
manual)
1.5041 4.7014 0.4962 0.2352 0.5058 1015.2
LKO

Tabel 22. Matricea de corelație între infiltrare și proprietățile auxiliare*

Regression Std error of Covariance R2
coefficient (slope) regression coefficent
RI-VMC 0.04 0.41 4.8 0.0003
RI-SMD 0.2 0.9 1.2 0.0001

97
 RI-Bd -7.1 16.1 -0.8 0.0111
RI-RP 0.6 4.1 -2.1 0.0054
RI-Clay 0.8 1.0 -22.5 0.0043
*pentru 69 de valori
Tabel 23. Mean square error (MSE), Mean absolute error (MAE), sums of square (SQ) and goodness of prediction (G %)
Proprietate MSE MAE SQ G
RI field 2088 28.55 144070 -
RI-LOK pentru 169.81 12.34 11707 91.87
grid750x750m
RI-OK pentru 383.06 14.08 26431 81.65
grid750x750m după
valori reale
RI-IDW 1381.3 22.38 95307 33.85
RI-OK după valori fară 833.2 24.4 54158 60.10
maxime
RI valori interpolate 1291 29.5 89079 38.17
pentru aceleași condiții de
sol și teren

98
 Fig. 5.9 Rata de infiltrare a apei în solurile din municipiul Iaşi

Chapter 6 Bibliography
Abbas, A., & Khan, S. (2007). Using remote sensing techniques for appraisal of irrigated soil salinity. Proceedings
of the International Congress on Modelling and Simulation (MODSIM '07), (pp. 2632-2638).
Agren, A., Lidberg, W., Stromgren, M., Ogilve, M., & Arp, P. (2004). Evaluating digital terrain indices for soil
wetness mapping-a Swedish case study. Hydrol. Earth. Sist. Sci.
Aldabaa, A., Weindorf, D., Chakraborty , S., Sharma, A., & Li, B. (2015). Combination of proximal and remote
sensing methods for rapid soil. Geoderma, 239-240, 34-46.
Allbed, A., & Kumar, L. (2013). Soil salinity mapping and monitoring in arid and semi-arid region using remote
sensing technology: a review (Vol. 2). Advanced in remote sensing.
Artmann, M. (2013). Spatial dimensions of soil sealing management in growing and shrinking cities – a systemic
multi-scale analysis in Germany. Erdkunde, 67(3), 249-264.
As-skyatur, A., Adnyana, I., Arthana, I., & Nuarsa, I. (2012). Enhanced build-up and barrenes index (EBBI) for
mapping build-up and bare land in an urban area (Vol. 4). Remote Sens.
Boettinger, J., Ramsey, R., Bodily, J., Cole, N., Kienast-Brown, S., Nield, S., et al. (2008). Landsat spectral data for
digital soil mapping (Vol. Digital soil mapping with limited data). (A. Hartemink, A. McBratney, & M. de
Lordes Mendosa-Santos, Eds.)
Bohnet, A. (2008). Poland ant its way to a federal state. Peter Lang.

99
Buckland, S., Davies, H., Hunt, S., Kim, N., & Vujnovich, S. (2005). Contaminated Land Management Guidelines
(Vol. Site Investigation and Analysis of Soils (Revised 2011)). Ministry for the Environment, Wellington,
New Zealand.
Buckley, A. (2010). ArcGIS Resources. https://blogs.esri.com/esri/arcgis/2010/ .
Buol, S., Hole, F., & McCracken, R. (1984). Soil Genesis and Classification (3 ed.). Iowa State University Press,
Ames.
Cabello, S., Haverkort, H., Van Kreveld, M., & Speckmann, B. (2008). Algorithmic aspect of proportional symbol
maps (Vol. 58). Algoritmica.
Carter, M. R., & Gregorich, E. G. (2008). Soil Sampling and Methods of Analysis (2 ed.). Taylor and Francis Group.
Casciere, R., Franci, F., & Bitelli, G. (2014). Use of Landsat imagery to detect land cover changes for monitoring
soil sealing. Case study: Bologna Province (Italy). Proceedings of SPIE - The International Society for
Optical Engineering · August 2014.
Cavazzi, S., Corstanje, R., Mayr, T., Hannam, J., & Fealy, R. (2013). Are fine resolution digital elevation models
always the best choice in digital. Geoderma, 195-196, 111-121.
CE. (2012). Orientări privind cele mai bune practici în vederea limitării, atenuării sau compensării
impermeabilizării solurilor. Bruxelles.
Ceraudo, G. (2013). Aerial Photography in Archaeology. In C. Corsi, Good Practice in Archaeological Diagnostics
(pp. 11-30). Springer.
Crist, E., & Cicone, R. (1984). Application of the Tasseled Cap concept to simulated Thematic Mapper Data.
Photogrammeettric Engineering and Remote Seensing,, 50(3), 343-352.
De Gruijte, J. J. (2002). Sampling, in Methods of Soil Analysis (Vols. 4-Physical Methods). SSSA.
Deng, Y., Wu, C., Li, M., & Chen, R. (2015). RNDSI: A ratio normalised differences soil index for remote sensing
of urban/suburban environments (Vol. 39). International Journal of Applied Earth Observation and
Geoinformatics.
District, G. C. (2012). Agricultural Land Use Guidelines and Standards. Fredericksburg: Gillespie Central Appraisal
District, Texas.
Dobos, E., & Hengh, V. (2006). Soil mapping application (Vols. Geomorphometry: concepts, software,
applications). (T. Hengl, & H. I. Reuter, Eds.)
Drover, D., Jakson, C., Bitew, M., & Du, E. (2015). Effect of DEM scale on the spatial distribution of the
TOPMODEL topographic wetness index and its correlation to watershed characteristics (Vol. 12). Hydrol.
Earth. Syst. Sci. Discuss.
El Hartia, A., Lhissou, R., Chokmani, K., Ouazemou, J., Hassouna, M., Bachaoui, M., et al. (2016). Spatiotemporal
monitoring of soil salinization in irrigated Tadla Plain(Morocco) using satellite spectral indices.
International Journal of Applied Earth Observation and Geoinformation, 50, 64-73.
Elhag, M. (2016). Evaluation of Different Soil Salinity Mapping Using Remote Sensing Techniques in Arid
Ecosystems, Saudi Arabia. Journal of Sensors, 8.
Elnaggar, A., & Noller, J. (2009). Application of remote-sensing data and decision-tree analysis to mapping salt
affected soils over large areas (Vol. 2). Remote Sensing.
Ferguson, R., & Hergert, G. (1995). Soil Sampling for Precision Agriculture. University of Nebraska Cooperative
Extension.
Fernandez-Buces, N., Siebe, C., Cram, S., & Palacio, L. (2006). Mapping soil salinity using a combined spectral
response index for bare soil and vegetation: A case study in the Former Lake Texcoco, Mexico (Vol. 65).
Journal of Arid Environments.
Frye, A. (2010). https://blogs.esri.com/esri/arcgis/2010/ .
Frye, C. (2007). ArcGIS Resources.
Galati , S. (2006). Geographic information systems demistified. Artech House, Inc.
García Rodríguez , P., & Pérez González, M. (2007). Changes in soil sealing in Guadalajara (Spain): Cartography
with LANDSAT images. 378, pp. 209-213. Science of the Total Environment.
Gillin, C., Bailey, S., McGuire, K., & Prisley, S. (2015). Evaluation of Lidar-derived DEMs through Terrain
Analysis and Field Compariso. 81(5), 378-396.
Goovaerts, P., Schofield, J., & Telech, J. (2009). Geostatistical estimation of contaminated sediment (Vol. Review
of common challenges and solution). Milos, Greece: Proceedings of StatGIS 2009.
Gupta, R., Tiwari, R., Saini, V., & Srivastava, N. (2013). A simplified approach for interpreting principal componet
images (Vol. 2). Advances in Remote Sensing.

100
Heuvelink, G., Brus, D., & de Gruijter, J. (2007). Optimization of sample configuration for digital mapping of soil
properties with universal kriging (Vol. Developments in Soil Science). (P. Lagacherie, A. McBratney, &
M. Voltz, Eds.) Elsevier B.V.
Holly, V. (2004). Soils in Archaeological Research. Oxford University Press.
Huang, C., Wylie, B., Yang, L., Homer, C., & Zylstra, G. (2002). Derivation of a Tasseled Cap transformation based
on Landsat 7 at-satellite reflectance. Int. J. Remote Sensing, 23(8), 1741-1748.
IAEA. (2004). Soil Sampling for Environmental Contaminants. Vienna.
Jakson, R., & Huete, A. (1991). Interpreting vegetation indices, (Vol. Preventive Veterinary Medicine). Amsterdam:
Elvevier Science Publishers B.V.
Kampouraki, M., Wood, G., & Brewer, B. (2008). Opportunities and limitations of object based image analysis for
detecting urban impervious and vegetated surfaces using true-colour aerial photography. In T. Blaschke, S.
Lang, & G. Hay, Object-Based Image Analysis. Lecture Notes in Geoinformation and Cartography (pp.
555-569). Springer.
Kampouraky, M. (2010). The application of Remote Sensing to identify and measure Sealed Soil and Vegetated
Surfaces in Urban Environments. Cranfield: PhD Thesis.
Li, C., Liu, Z., Tao, S., Li, F., & Fang, J. (2016). Estimation of Forest Topsoil Properties Using Airborne LiDAR-
Derived Intensity and. Remote Sens., 8, 2-13.
Li, S., & Chen, X. (2014). A new bare-soil index for rapid mapping developing areas using Landsat 8 data (Vol.
40). Remote Sensing and Spatial Information Sciences.
Lia, K., Xu, S., Wu, J., & Zhu, Q. (2013). Spatial estimation of surface soil texture using remote sensing data (Vol.
59). Soil Science and Plant Nutrition.
Longley, P., Goodchild, M., Maguire, D., & Rhind, D. (2005). Geographical Information System and Science (2th
ed.). John Willey & Sons, Ltd.
Ma, L., Wu, J., Liu, W., & Abuduwaili, J. (2014). Distinguishing between anthropogenic and climatic impacts on
lake size: a modeling approach using data from Ebinur Lake in arid northwest China. J. Limnol., 350-357.
McWilliam, N., Teeuw, R., Whiteside, M., & Zukowskyj, P. (2005). GIS GPS and Remote Sensing. Field
Techniques Manual, www.rgs.org/go.
Montanarella, L. (2017). Soil sealing and land take as global soil threat The policy perspective. In C. Giardi, Urban
expansion, land cover and soil ecosystems services .
Mulder, L., Bruin, S., Schaepman, M., & Mayr, T. (2011). The use of remote sensing in soil and terrain mapping —
A review. Geoderma, 162, 1-19.
Munafò, M., Salvati, L., & Zitti, M. (2013). Estimating soil sealing rate at national level—Italy as a case study.
Ecological Indicators, 137-140.
Năstase, A. (1983). Cartografie-topografie. Edit. Didactică și Pedagogică.
Oliver, l., Ferber, U., Grimski, D., Millar, K., & Nathanail, P. (2014). The Scale and Nature of European
Brownfields. The City of Tomorrow and Cultural Heritage (http://www.cordis.lu/eesd/).
Patil, G. P., Sinha, A. K., & Taillie, C. (1994). Ranked Set Sampling (Vol. Handbook of Statistics). (G. Patil , & C.
Rao , Eds.) Elsevier Science B.V.
Pennock, D., Yates, T., & Braidek, J. (2006). Soil Samplin Designs (Vol. Soil Sampling and Handling). (G.
Patterson, & M. Carter , Eds.) Taylor & Francis Group, LLC.
Pyoosh, A., & Ghosh, S. (2017). Development of a modfied bare soil and urban index landsat 8 satellite data.
Geocarto International.
Reuter, H., & Hengh, T. (2006). Pre-processing of DEMs. (T. Hengl , & H. Reuter, Eds.) Geomorphometry:
concepts, software, applications.
Saghafi, M. (2017). Application of remote sensing indices for mapping salt- affected areas by using field data
methods. 4(10), 181-187.
Scull, P., Franklin, J., Chadwick, O., & McArtur, D. (2003). Predictive soil mapping: a review (Vol. Progress in
Physical Geography). Arnold.
Shi, X., Girod, L., Long, R., DeKett, R., Phillippe, J., & Burke, T. (2012). A comparison of LiDAR-based DEMs
and USGS-sourced DEMs in terrain analysis for knowledge-based digital soil mapping. Geoderma, 170,
217-226.
Simpson, J., Smith, T., & Wooster, M. (2017). Assessment of Errors Caused by Forest Vegetation Structure in
Airborne LiDAR-Derived DTMs. Remote Sens., 9, 2-18.
Sørensena , R., & Seibert, J. (2007). Effects of DEM resolution on the calculation of topographical indices: TWI and
its components (Vol. 347). Journal of Hydrology.

101
Stavoboi, V., Montanarella, L., Filippi, N., Selvarajou, S.-K., Panagos, P., & Gallego, J. (2005). oil Sampling
protocol to certify the change of organic carbon stock in mineral soils of European Union (Vol. 12).
Luxembourg: Office for Official Publications of the European Comunites.
Sulzer , W., & Kern, K. (2009). Derivation of multi-temporal soil sealing maps using high resolution airborne
thematic mapper (atm) imagery and an examination of their usefulness in town planning. 8, pp. 1-10.
EARSeL eProcee.
Tarboton, D. (1997). A new method for the determination of flow directions and upslope areas in grid digital
elevation models (Vol. 33). (2, Trans.) Water resources research.
Teaci, D. (1980). Bonitarea terenurilor agricole. Edit Ceres.
Temme, A., Heuvelink, G., Schoorl, J. .., & Claessens, L. (2006). Modelling uncertainty in DEMs (Vols.
Geomorphometry: concepts, software, applications). (T. Hengl , & H. Reuter, Eds.)
Thompson, J. A., Roecker, S., Grunwald, S., & Owens, P. R. (2012). Digital soil mapping: interactions with and
applications for hidropedology (Vol. Hydropedology). (H. Lin , Ed.) Elsevier.
United States Geological Survey. (2014). Frecquently asked questions about the Landsat mission. Available online
at http://landsat.usgs.gov/band_designations_landsat_satellites.php .
Vorovencii, I. (2015). Identificarea, evaluarea şi monitorizarea schimbărilor din mediul înconjurător folosind
metode ale teledetecţiei satelitare. Brașov: Universitatea Transilvania din Brașov.
Waldo, T. (1987). Measuring Spatial Resolution. Land Resources Information Systems Conference, (pp. 12-16).
Beijing.
Wang, X., Zhang, F., Diang, J., Kung, H.-t., Latif, A., & Johnson, V. (2018). Estimation of soil salt content (SSC) in
the Ebinur LakeWetland National Nature Reserve (ELWNNR), Northwest China, based on a Bootstrap-BP
neural network model and optimal spectral indices. Science of the Total Environment, 615, 918-930.
White, B., Ogilvie, J., Campbell, D., Hiltz, D., Gauthier, B., Chisgolm, H., et al. (2015). Using the cartographic
Depth-to-Water Index to local small streamand associated wet area across landscape (Vol. 37). Canadian
Water Resources Journal: Franci & Taylor.
Xu, D., & Guo, X. (2014). Compare NDVI extractedfrom Landsat 8 imagery with that from Landsat 7 imagery (Vol.
2). American Journal of Remote Sensing.
Zawadzki, J., & Targowski, A. (2009). Evaluating threshold radial and adaptive fill secondary sampling methods
for contaminated soil sampling efficiency (Vol. 3). Proceedings of ECOpole.

Bibliografie
Acero P., Mandado J.M.A., Gomez J., Gimeno M.J., Auque L.F., Torrijo F.J., (2003), Environmental impact of
heavy-metal dispersion in the Huerva River (Iberian Range, NE Spain), Environmental Geology, 43, 950–956.
Ajmone-Marsan F., Biasioli M., (2010), Trace elements in soils of urban areas, Water Air Soil Pollut, 213, 121-
143.
Apostoae L., Iancu O.G., (2009), Heavy metal pollution in the soils of Iași city and the suburban areas (Romania),
Studia Universitatis Babeș-Bolyai, Geologia, MAEGS-16, 142-146.
Balasubramanian R., He, J., Wang L.K., (2009), Control, management, and treatment of metal emission from
motor vehicles, In: Heavy metals in the environment (Advances in industrial and hazardous wastes
treatment), Wang K.L., Chen J.P., Hung Y.-T, Shammas N.K. CRC Press Taylor & Francis Group, 516.
Boruvka L., Vacek O., Jehlika J., (2005), Principal component analysis as a tool to indicate the origin of
potentially toxic elements in soils, Geoderma, 128, 289-300.
Bulgariu D., Juravle D.T., Bulgariu L., Macoveanu M., Rusu C., (2008), Distribution and migration of chrome in
urban soils-case study: Iasi city (industrial zone), Environmental Engineering and Management Journal,
7, 2, 277-288.
Ciubuc, N., (2000), Diversitatea taxonomică a algelor edafice din municipiul Chişinău, Analele ştiinţifice ale
USM, seria Ştiinţe fizico-chimice, Chişinău, 58-63.
Curcă G., (2011), Studiul geochimic al poluanților solizi din atmosfera zonelor industriale ale orașului Iași, cu
privire specială asupra repartiției metalelor grele, (PhD Thesis), Universitatea din București, Facultatea
de Geologie și Geofizică, București, Romania.
Domracheva L.I., Dobakh E.V., Kondakova L.V., Varaksina A.I., (2006), Algal-mycological complexes in
soils upon their chemical pollution, Eurasian Soil Science, 39, 1, 91-97.
Florea N., Munteanu I., coord., (2012), Sistemul Român de Taxonomie a Solurilor, Edit Sitech., Craiova, 206.
Gollerbah MM., Știna A., (1969), Pocivenîe vodorosli. L.: Nauka, 228.
Ho H.H., Swennen R., Van Damme A., (2010), Distribution and contamination status of heavy metals in Estuarine
sediments near Cua Ong Harbor, Ha Long Bay, Vietnam, Geologica Belgica, 13, 1-2, 37-47.

102
Hoffmann L., (1989), Algae of terrestrial habitats, The Botanical Review, Springer, 55, 2, 77-105.
Hooker P.J., Nathanail C.P., (2006), Risk-based characterization of lead in urban soils, Chemical Geology, 226,
340-351.
Howard J., Olszewska D., (2011), Pedogenesis, geochemical forms of heavy metals, and artifact watering in a
urban soil chronosequence, Detroit, Michigan, Environmental Pollution, 159, 754-761.
Hu Y., Liu X., Bai J., Shih K., Zeng E.Y., Cheng H., (2013) Assessing heavy metal pollution in the surface
soils of a region that had undergone three decades of intense industrialization and urbanization, Environ.
Sci. pollut Res, 20, 6150-6159.
Iancu O.G., Buzgar N., Apostoaie L., Popa C.I., Secu C.V, Lăcătușu R., Gandrabura E., Bulgariu D., (2008), The
Geochemical Atlas of Heavy Metals in the Soils of the Municipality of Iasi and its Surrounding Areas,
Edit. Univ. Al. I. Cuza from Iasi, 48.
Ikem A., Vampbell M., Nyirakabibi I., Garth J., (2008), Baseline concentrations of trace elements in residential
soils from Southeastern Missouri, Environ. Monit. Asses, 140, 69-81.
Kabata-Pendias A., Pendias H., (2001), Trace elements in Soils and Plants, Third Edition, CRC Press, 331.
Kostikov I., Romanenko P.O., Demchenko E.M., Darienko T.M., Mikhayljuk T.I., Rybchnnskiy O.V., Solonenko
A.M., (2001b), Soil algae of Ukraine (Vodorosti gruntiv Ukrajiny) – Kyiv, Phytosotsiologichniy Center,
300.
Lăcătușu R., Lăcătușu A.R., Lungu M., Breabăn I.G, (2008), Macro- and microelements abundance in some
urban soils from Romania, Carpth. J. of Earth and Environmental Science, 3, 1, 75-83.
Lee C.S-lan., Li X., Shi W., Cheung S., C-nga, Thornton I., (2006), Metal concentration in urban, suburban, and
country park soils of Hong-Kong: A study based on GIS and multivariate statistics, Science of the Total
Environment, 356, 45-61.
Luo Z.S., Xue Y., Wang Y.L., Cang L., Xu B., Ding J., (1015), Source identification and apportionment of heavy
metals in urban soil profiles, Chemosphere, 127, 152-157.
Maxwell C.D., (1991), Floristic changes in soil algae and cyanobacteria in reclaimed metal-contaminated land at
Sudbury, Canada, Water, Air and Soil Pollution, Kluwer Academic Publishers, 60, 381-393.
Nikiforova E.M., Kosheleva N.E., (2007), Dynamics of Contamination of Urban Soils with Lead in the Eastern
District of Moscow, Eurasian Soil Science, 40, 8, 880-892.
Oiște A.M., (2013), Analysis of Road Dust From Iasi City, Bulletin UASMV, Agriculture, 70, 2, 390-396.
Pouyat R.V., Szlavecz K., Yesilonis I. D., Schwarz K., (2010), Chemical, Physical, and Biological
Characteristics of Urban Soils, In Urban Ecosystems Ecology, Aitkenhead-Peterson J., Volder A. (Eds.),
American Society of Agronomy, 119-152.
R.O.M., (1997), MAPPM Order No. 756/1997, regarding the reference value for soil chemical elements contents,
Romanian Official Monitor, I, No. 303 bis/06.11.1997.
Secu C.V., Iancu O.G., Buzgar N., (2008) Lead, zinc and copper in the bioaccumulative horizon of soils from
Iași and the surrounding area, Carpth. J. of Earth and Environmental Sciences, 3, 2, 131-144.
Secu C.V., Pîrnău R., Vasiliniuc I., Bulgariu D., (2014) Tehnosol mixic (SRTS 2012), în Factori și Procese
Pedogenetice din Zona Temperată, 24, 19-21 september, Iași-Romania 19-21 sept. 2014, Iași,
www.soilscience.ro, 93.
Singh A.K., Singh A., Engelhart M., (1997) The lognormal distribution in environmental application, EPA/600/S-
97/006, 1-20.
Sirbu-Radasanu DS., Buzgar N., Kasper H.U., Ionesi V., (2011), Arsenic in Topsoil of City of Iasi (NE Romania),
Proceedings of the 12th International Conference on Environmental Science and Technology Rhodes,
Greece, 8-10 September 2011, A 1768-1776.
Soare L.C., Dobrescu C.M., (2010), Preliminary data on edaphic algae in the city of Pitești (Romania), Analele
Universității din Oradea, Fascicula Biologie, 17, 1, 186-189.
Ursinyova M., Hladikova V., (2000), Lead in the environment of Central Europe, In: Trace elements their
distribution and effects in the environment, Markert B., Friese K. (Eds.), 4, Elsevier, 582.
Wang X.S., Qin Y., (2007), Some characteristics of the distribution of heavy metals in urban topsoil of Xuzhu,
China, Environ. Geochem. Healt., 29, 11-19.
Wilkomirski B., Sudnik-Wojcikowska B., Galera H., Wierzbicka M., Malawska M., (2011), Railway transportation
as a serious source of organic and inorganic pollution, Water Air Soil Pollut., 218, 333-345.
WRB (2014), World reference base for soil resources 2014, International soil classification system for naming soils
and creating legends for soil maps, World Soil Resources Reports No. 106, FAO, Rome, 181.
Zaharia C., Dârțu L.E., (2010), A preliminary soil impact assessment of some economic activities into an urban
site, International Scientific Conference, 19-20 november 2010, Gabrovo, III, 569-573.

103
Tucaliuc O.M., Cretescu I., Nemtoi G., Breaban I.G., Soreanu G., Iancu O.G., (2014), Monitoring of mercury from
air and urban dust in the industrial area of Iasi municipality, Environmental Engineering and Management Journal,
13, 5, 2051-2061.
Bibliografie
Bossard M, Feranec J, Otahel J. 2000. CORINE land cover technical guide–Addendum 2000, Technical report No
40, 105.
Bruand A, Cousin I. 1995. Variation of textural porosity of a clay-loam soil during compaction. Eur J Soil Sci
46:377-385.
Burghardt W. 1994. Soil in urban and industrial environments, J Plant Nutr Soil Sci 157:205-214.
Cambardella CA, Moorman TB, Novak JM, Parkin TB, Karlen DL, Turco RF, Konopka AE. 1994. Field scale
variability of soil properties in Central Iowa, Soils, Soil Sci. Soc. Am. J., 58, 1501-1511.
Delbari M, Afrasiab P, Peyman Loiskandl W. 2011. Geostatistical analysis of soil texture fractions on the field
scale, Soil & Water Res., 6 (4): 173–189.
Doerr SH, Moody JA. 2004. Hydrological effects of soil water repellency: on spatial and temporal uncertainties,
Hydrol. Process, vol. 18, Issue 4, 829–832, DOI: 10.1002/hyp.5518
Dornauf C, Burghardt W. 2000. The effects of biopores on permeability and storm infiltration – case study of the
construction of a school. In: Burghardt W, Donauf C (eds) First International conference on soils of urban,
industrial, traffic and mining areas, University of Essen, Essen, 459-464.
Ersahin S. 2003. Comparing Ordinary Kriging and Co-kriging to estimate infiltration rate, Published in Soil Sci.
Soc. Am. J. 67:1848–1855.
Gao R, Zhou GZ. 2002. Permeability of soil under different forest vegetation in eastearn Liaoning mountain region.
Rural Eco-environ 18(4): 1-4, 14.
Garten Jr, Kang CT, Brice DJ, Schadt CW, Zhou J. 2007. Variability in soil properties at different spatial scales (1
m - 1 km) in a deciduous forest ecosystem. Soil Biology and Biochemistry, 39:2621-2627.
Glinski J, Lipiec J. 1990. Soil physical conditions and plant roots. CRC Press Inc, Boca Raton
Goovaerts P, Schofield J, Telech J. 2010. Geostatistical estimation of contaminated sediment volumes: Review of
Common Challenges and Solutions, SETAC North America 31st Annual Meeting, Portland, Oregon, November
2010.
Govindaraju RS, Corradini C, Morbidelli R. 2012. Local-and field-scale infiltration into vertically non-uniform soils
with spatially-variable surface hydraulic conductivities, Hydrol, Process, 26, Issue 21, DOI: 10.1002/hyp.8454.
Grunwald S, Lowery B, Rooney DJ, McSweenery K. 2001. Profile cone penetrometer data used to distinguish
between soil materials, Soil & Tillage Research, 62:27-40.
Hagan D, Dobbs C, Timilsina N, Escobedo F, Toor GS, Andreu M. 2012. Anthropogenic effects on the physical and
chemical properties of subtropical coastal urban soils, Soil Use and Management, March, 28, 78–88.
Huyssteen van L. 1983. Interpretation and use of penetrometer data to describe soil compaction in vineyards, S Afr J
Enol Vitic 4, 2:59-65.
IUSS Working Group WRB. 2006. World reference base for soil resources 2006. World Soil Resources Reports No.
103. FAO, Rome.
Jabro JD, Evans RG, Kim Y, Stevens WB, Iversen WM. 2006. Characterization of spatial variability of soil
electrical conductivity and cone index using coulter and penetrometer-type sensors, Soil Science: August 2006, 171,
Issue 8, pp 627-637, doi:10.1097/01.ss.0000228037.80270.1d.
Jason D, Carter S. 2010. Predicting the feasibility of wide-scale lid implementation-accuracy of reported soil
characteristics in urban areas of Los Angeles Country, in Struck S and Lichten K. H., edit. 2010, Low Impact
Development 2010 Redefining Water in the City, American Society of Civil Engineers.
Jim CY. 1993. Soil compaction as a constraint to tree growth in tropical & subtropical urban habitats. Environ
Conserv 20(1):35–49
Jim CY 1998. Physical and chemical properties of a Hong Kong roadside soil in relation to urban tree growth. Urban
Ecosyst 2:171–181
Jimènez CC, Tejedor M, Morillas G, Neris J. 2006. Infiltration rate in andisols: Effect of changes in vegetation
cover (Tenerife, Spain), Journal of Soil and Water Conserv, May/June 2006 vol. 61 no. 3, 153-158.
Jiménez CC, Neris J, Fuentes J, Tejedor M. 2010. Influence of soil surface characteristics and water repellence on
soil infiltration and soil loss of Andisols (Canary Islands, Spain), Geophysical Research Abstracts, Vol. 12,
EGU2010-11875, 2010.
Kinner DA, Moody JA. 2008. Infiltration and runoff measurements on steep burned hillslopes using a rainfall
simulator with variable rain intensities: U.S. Geological Survey Scientific Investigations Report 2007–5211, 64 p.

104
Kohnke N. 1968. Soil physics. McGraw-Hill, New York, 224 p.
Kravchenko A, Bullock DG. 1999. A comparative study of interpolation methods for mapping soil properties,
Published in Agron. J. 91:393–400.
Kravchenko A. 2003. Influence of spatial structure on accuracy of interpolation methods, Soil Sci. Soc. Am. J.
67:1564–1571.
Maas S, Scheifler R, Benslama M, Crini N, Lucot E, Brahmia Z, Benyacoub S, Giraudoux P. 2010. Spatial
distribution of heavy metal concentrations in urban, suburban and agricultural soils in a Mediterranean city of
Algeria. Environ Pollut 158:2294–2301
Miyata S, Kosugi K, Nishi Y, Gomi T, Sidle RC, Mizuyama M. 2010. Spatial pattern of infiltration rate and its
effect on hydrological processes in a small headwater catchment, Hydrol. Process. 24, Issue 5, 535–549, DOI:
10.1002/hyp.7549.
Navarro V, Garcıa B, Asensio L. 2012. Characterization of the infiltration rate in Las Tablas de Daimiel National
Park, Central Spain, Hydrol. Process. Vol. 26, Issue 3, 367-378, DOI: 10.1002/hyp.8134.
Neris J, Tejedor M, Fuentes J, Jimènez CC. 2012. Infiltration, runoff and soil loss in Andisols affected by forest fire
(Canary Islands, Spain), Hydrol. Process, DOI: 10.1002/hyp.9403.
Ngailo JA, Vieira SR. 2012. Spatial patterns and correlation of soil properties of a lowland soil, Journal of Soil
Science and Environmental Management Vol. 3(12), 287-296.
Pandey V, Pandey PK. 2010. Spatial and temporal variability of soil moisture, International Journal of Geosciences,
2010, 1, 87-98.
Pitt R, Lantrip J, Harrison R, Henry CL, Xue D. 1999. Infiltration through disturbed urban soils and compost-
amended soil effects on runoff quality and quantity, EPA/600/R-00/016.
Richard G, Cousin I, Sillon JF, Bruand A, Guerif J. 2001. Effect of compaction on the porosity of a silty soil:
influence on unsaturated hydraulic properties. Eur J. Soil Sci 52:49-58.
Robinson TP, Metternicht G. 2006. Testing the performance of spatial interpolation techniques for mapping soil
properties, Computers and Electronics in Agriculture 50, 97–108.
Schmidt J, Michael A. 2004. Rainfall infiltration under urban soil surface conditions –experiment and model results,
ISCO 2004 - 13th International Soil Conservation Organization Conference – Brisbane, July 2004, 1-6.
Secu CV. 2011. Field guide for soil description and classification, Edit. University Al. I. Cuza, Iasi, 233.
Secu CV, MINEA I, Stoleriu I, 2015, Geostatistical modeling of water infiltration in urban soils, Carpathian Journal
of Earth and Environmentall Sciences, 10, 4, 95-104.
Stafford JV, Werner A. 2003. Precision agriculture, Wageningen Academic, 783 p.
Utset A, López T, Martín D. 2000. A comparison of soil maps, kriging and a combined method for spatially
predicting bulk density and field capacity of ferralsols in the Havana–Matanzas Plain, Geoderma 96, 199–213.
Vaz CMP, Manieri JM, Maria de IC, Tuller M. 2011. Modeling and correction of soil penetration resistance for
varying soil water content, Geoderma 166: 92–101.
Warrick A, Nielsen DR. 1980. Spatial variability of soil physical properties in the field. In: Hillel D. (Ed.).,
Applications of Soil Physics. Academic Press, New York, pp. 319–324.
Webster R, Oliver MA. 2007. Geostatistics for Environmental Scientists, Second Edition, John Wiley & Sons Ltd,
315 p.
Winzig G. 2000. The concept of storm water infiltration. In: Burghardt W, Donauf C (eds) First International
conference on soils of urban, industrial, traffic and mining areas, University of Essen, Essen, 427-433.
Yamamoto JK. 2010. Backtransforming rank order kriging estimates, Geol. UPS, Ser. Cient Sao Paulo, 10 (2):101-
115.
Yang JL, Zhang GL (2011) Water infiltration in urban soils and its effects on the quantity and quality of runoff, J
Soils Sediments, 11:751–761.
Zhang GL, Yang FG, Zhao YG, Zhao WJ, Yang JL, Gong ZT. 2005. Historical change of heavy metals in urban
soils of Nanjing, China during the past 20 centuries. Environ Int 31:913–919
Zhu Q, Lin HS. 2010. Comparing ordinary kriging and regression kriging for soil properties in contrasting
landscapes, Pedosphere 20(5): 594–606.
http://earthobservatory.nasa.gov/

105