تحلیل مکانی و زمانی ارتباط بین رطوبت خاک و شاخص‌های طیفی با استفاده از تصاویر ماهواره‌ای (مطالعه موردی: حوضه آبخیز فیروز‌آباد)

محورهای موضوعی : هیدرولوژی

بهروز سبحانی ^{1 *} , مرتضی مملوکی ²

1 - گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
2 - گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

تاریخ دریافت : 1403/09/08 تاریخ پذیرش : 1404/04/28 تاریخ انتشار : 1404/07/01

کلید واژه: همبستگی, پوشش گیاهی, رطوبت خاک, فیروز‌آباد.,

چکیده مقاله :

این مطالعه با هدف بررسی رابطه میان رطوبت خاک و شاخص‌های طیفی در حوضه آبخیز فیروزآباد در دوره 2014 تا 2023 انجام شد. برای این منظور، از داده‌های رطوبت خاک مجموعه FLDAS و تصاویر ماهواره‌ای لندست 8 در محیط پلتفرم گوگل ارث انجین استفاده گردید. شاخص‌های طیفی مورد بررسی شامل NDVI، EVI، NDWI، SAVI، NDLI و NDBI بودند که برای ارزیابی ویژگی‌های مختلف مانند پوشش گیاهی، رطوبت خاک و نواحی بایر به‌کار گرفته شدند. تحلیل همبستگی بین شاخص‌های طیفی و رطوبت خاک با استفاده از ضریب همبستگی پیرسون و R² بر روی 500 پیکسل نمونه انجام شد. نتایج نشان داد که مناطق شرقی حوضه با تراکم بالای پوشش گیاهی و رطوبت بیشتر خاک، شاخص‌های سبزینگی بالاتری مانند NDVI، EVI، SAVI دارند و بهبود پوشش گیاهی را نشان می‌دهند. در مقابل، مناطق غربی و مرکزی به دلیل پراکندگی پوشش گیاهی و رطوبت کمتر خاک، شاخص‌های سبزینگی و رطوبتی کمتری را نشان دادند. شاخص NDWI نیز حضور آب‌های سطحی کم‌عمق در مناطق مرطوب را تأیید کرد. شاخص NDLI با بالاترین ضریب همبستگی (303/0) و ضریب تعیین (091/0) به‌عنوان بهترین شاخص برای پیش‌بینی رطوبت خاک شناخته شد، در حالی که شاخص NDBI کمترین ارتباط را با این پارامتر داشت. این یافته‌ها کاربردهای مهمی در مدیریت منابع طبیعی و پایش رطوبت خاک ارائه می‌دهند.

چکیده انگلیسی:

Soil moisture is a fundamental factor influencing hydrological processes, agriculture, and natural resource management. Remote sensing data, coupled with spectral index analysis, provides an effective tool for indirectly estimating this characteristic. This study investigated the relationship between soil moisture and spectral indices in the Firouzabad watershed from 2014 to 2023. FLDAS soil moisture data and Landsat 8 satellite imagery on the Google Earth Engine platform were utilized. Spectral indices including NDVI, EVI, NDWI, SAVI, NDLI, and NDBI were examined to assess vegetation cover, soil moisture, and bare soil areas. Pearson correlation coefficient and R² were used to analyze the correlation between spectral indices and soil moisture over 500 sample pixels. Results showed that eastern regions with dense vegetation and higher soil moisture exhibited higher vegetation indices like NDVI, EVI, and SAVI, indicating improved vegetation cover. Conversely, western and central regions displayed lower vegetation and moisture indices due to sparse vegetation and lower soil moisture. NDWI confirmed the presence of shallow surface water in moist areas. NDLI, with the highest correlation coefficient (0.303) and coefficient of determination (0.091), was identified as the best index for predicting soil moisture, while NDBI showed the least correlation. These findings have significant implications for natural resource management and soil moisture monitoring.

منابع و مأخذ:

آرمین، محسن و ديگران (1399). اولویت‌بندی مناطق حساس به فرسایش خاک با استفاده از تصاویر ماهواره‌ای، مطالعه موردی بخشی از شهرستان بهمئی، کهگیلویه و بویر احمد. پژوهش‌های فرسایش محیطی. 10 (2)، 41-58.
بابازاده، حسین و ديگران (1391). تخمین رطوبت لایه سطحی خاک اراضی مرتعی مناطق خشک و نیمه‌خشک با استفاده از شاخص دما و پوشش گیاهی (مطالعه موردی: استان خراسان). تحقیقات مرتع و بیابان ایران. 19 (1)، 120-132.
باقری، کیوان و ديگران (1398). برآورد رطوبت خاک با استفاده از سنجش از دور نوریف حرارتی و راداری (مطالعه موردی اراضی جنوب تهران). مجله علوم و مهندسي آبخيزداري ايران. 13 (47)، 74-63.
غلامي بیدخانی، نبی‌اله؛ مباشری، محمدرضا (1398). توسعه یک مدل رگرسیونی شاخص مبنا به منظور برآورد رطوبت سطح خاک از تصاویر MODIS با در نظر گرفتن اثرات بافت خاک. علوم و فنون نقشه برداری. 9 (1)، 173-187.
سلیمانی، محمدرضا و ديگران (1387). تاثیر کم آبیاری بر عملکرد علوفه دو توده بومی گیاه شورزیست کوشیا در شرایط آبیاری با آب شور. آب و خاک. 26 (22)، 307-317.
شاه‌مرادی، صلاح؛ غفاریان مالمیری، حمیدرضا؛ شریفی پیچون، محمد (1401). مدل‌سازی و نقشه‌برداری شوری و رطوبت خاک با استفاده از سنجش از دور طیفی و راداری. تحقیقات کاربردی خاک. 10 (3)، 43-65.
صداقت، آزاده و ديگران (1400). استفاده از شاخصهای طيفی در برآورد رطوبت سطحی خاک بر اساس الگوريتم يادگيری ماشين. تحقیقات آب و خاک ایران. 52 (12)، 3001-3018.
عبادی، الهامه و ديگران (1403). بررسی تغییرات کاربری اراضی با استفاده از تکنیک شی‌گرا و پیکسل پایه (مطالعه موردی: حوضه فیروزآباد خلخال). جغرافیا و برنامه‌ریزی. 28 (87)، 275-261.
فرخ‌زاده، بهنوش؛ منصوری، شهروز؛ سپهری، عادل (13969). تعیین میزان همبستگی بین شاخص‌های پوشش‌گیاهی NDVI و EVI با شاخص خشک‌سالی هواشناسی SPI، مراتع دشتی استان گلستان. نشریه هواشناسی کشاورزی. 5 (2)، 56-65.
فیض‌الله‌پور، مهدی (1402). تشخیص تغییرات پهنه آبی تالاب میقان با بهره‌گیری از شاخص‌های طیفی NDWI، MNDWI، AWEI و مدل‌های نظارت شده SVM در بازه زمانی 1373 تا 1401. مطالعات جغرافیایی مناطق خشک. 14 (54)، 104-119.
میری، مرتضی و ديگران (1402). ارزیابی کارایی تصاویر ماهواره‌ای و شاخص‌های طیفی در برآورد رطوبت خاک منطقه تلو در استان تهران. پژوهش‌های خاک. 37 (4)، 343-354.
Ayehu, G. & et al (2022). Soil moisture monitoring using remote sensing data and a stepwise-cluster prediction model: The case of upper Blue Nile Basin, Ethiopia. Remote Sensing. 11 (2), 125.
Chen, Y. et al (2013). Evaluation of AMSR-E retrievals and GLDAS simulations against observations of a soil moisture network on the central Tibetan Plateau. Journal of Geophysical Research: Atmospheres. 118, 4466–4475.
Escorihuela, M. J. & Quintana-Seguí, P. (2016). Comparison of remote sensing and simulated soil moisture datasets in Mediterranean landscapes. Remote sening of environment. 180, 99-114.
Gilabert, M. A. et al (2002). A generalized soil-adjusted vegetation index. Remote Sensing of Environment. 82, 303–310.
Imran, H.M.; Hossain, A. & Islam, A.K.M.S. (2021). Impact of land cover changes on land surface temperature and human thermal comfort in Dhaka city of Bangladesh. Earth Syst Environ. 5, 667–693.
Liu, J. & Zhang, H. (2023). Application of NDLI in environmental monitoring. Journal of Environmental Management. 300, 113-120.
Robinson, D.A. et al (2008). Soil moisture measurement for ecological and hydrological watershed-scale observatories. Vadose Zone Journal. 7 (1), 358-389.
Sanchez R. et al (2022). Combining SMOS with visible and near/shortwave/thermal infrared satellite data for high resolution soil moisture estimates. Journal of Hydrology. 522, 723–783.
Wang, L. & Qu, J. (2009). Satellite remote sensing applications for surface soil moisture monitoring. Earth Science. 3, 237-247.
Wang, X. (2005). Relation Between Ground-Based Soil Moisture and Satellite Image–Based NDVI. Earth and Environmental Science Department, University of Texas at San Antonio.
Xia, L. et al (2023). A comparison of two methods for estimating surface soil moisture based on the triangle model using optical/thermal infrared remote sensing over the source area of the Yellow River. International Journal of Remote Sensing. 40 (5-6), 2120-2137.