ارزیابی شوری خاک در شرق اصفهان بر پایه داده‌های سنجنده OLI و تجزیه و تحلیل عوارض توپوگرافی

محورهای موضوعی : توسعه سیستم های مکانی

خلیل حبشی ¹ (دانش‌آموخته کارشناسی ارشد بیابان‌زدایی، دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان)
حمیدرضا کریم زاده ² (استادیار دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان)
سعید پورمنافی ³ (استادیار دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان)

تاریخ دریافت : 1395/10/10 تاریخ پذیرش : 1396/01/30 تاریخ انتشار : 1396/03/10

کلید واژه: توپوگرافی, لندست, اصفهان, شاخص شوری, سنجش از دور,

چکیده مقاله :

تحقیق حاضر با هدف بهبود دقت ارزیابی شوری خاک با استفاده از تصویر ماهواره ای لندست سنجنده OLI مربوط به تاریخ 5 خرداد 1394 و پارامترهای توپوگرافی در منطقه شرق اصفهان انجام شد. داده های زمینی با استفاده از روش نمونه برداری تصادفی از 29 سایت نمونه برداری از عمق 30-0 سانتی‌متر در نیمه دوم اردیبهشت 1394 جمع آوری شد. شاخص های طیفی مانند باندهای سنجنده OLI، شاخص های شوری 1SI، 2SI و 3SI، شاخص های خاک SBI و SCI، شاخص های پوشش گیاهی NDVI و RVI با انجام پردازش ها و محاسبات لازم از تصویر زمین مرجع شده به دست آمدند. عوارض توپوگرافی شامل درصد شیب، جهت شیب و ارتفاع از سطح دریا از مدل رقومی ارتفاع (DEM) منطقه استخراج شدند. سپس مدل برآورد شوری با استفاده از رگرسیون خطی به روش گام به گام تهیه شد. نتایج تجزیه و تحلیل رگرسیونی نشان داد که در سطح آماری 99 درصد همبستگی معنی داری بین EC نمونه های خاک سطحی، ارتفاع از سطح دریا و باند 4 وجود دارد (68/0=2R). نقشه شوری به‌دست‌آمده از مدل رگرسیونی نشان می دهد که میزان شوری در منطقه بسیار بالاست به‌طوری‌که بیش از 70 درصد از مساحت منطقه دارای غلظت نمک بیش از 60 دسی زیمنس بر متر است. در نهایت اعتبار مدل با استفاده از 20 درصد نمونه ها ارزیابی شد. نتایج نشان داد که مدل می تواند با RMSE برابر با 54/6 دسی زیمنس بر متر شوری خاک را برآورد کند. بر اساس نتایج پژوهش، نتیجه گیری می شود که استفاده از پارامتر ارتفاع از سطح دریا در کنار داده های ماهواره ای در مطالعات شوری خاک منطقه مطالعاتی سودمند بوده و سبب بهبود دقت ارزیابی می شود.

چکیده انگلیسی:

The present study aims to improve the assessment, soil salinity accuracy, using of OLI Landsat satellite image dated to 26 May 2015 and topographic parameters in the eastern region of Isfahan. Ground data were collected in date second half May by using the random sampling method from 29 sampling sites from the depth of 0-30cm. Spectrum indexes include OLI sensor bands, salinity indexes SI1, SI2 and SI3, soil indexes SBI and SCI, and vegetation indexes NDVI and RVI were obtained from processing referenced ground images. Also, topographic feature including slope percent, orientation of slope and elevation from sea level were extracted from Digital Elevation Model (DEM), then to estimate the salinity linear regression the stepwise method model was used. From analysis, regression indicated that on 99% statistical level, there is a meaningful correlation between EC of topsoil samples, elevation from sea level and band 4 (R2=0.68). The salinity map acquired from  the regression model indicates the salinity is very high in the region so that more than 70% of the area has a salt concentration of more than 60 ds/m. Finally, the reliability of the model was evaluated using 20 percent of the samples. Results indicated that the model can estimate soil salinity by an RMSE=6.54 ds/m. According to the research results, Conclusion They are using elevation from sea level parameter with satellite data is Beneficial in the soil salinity research and causes improve the accuracy of the assessment.

منابع و مأخذ:

1. ابراهیمی خوسفی، ز.، س. ر. فلاح شمسی، م. کمپانی زارع، م. ابراهیمی خوسفی، م. ر. اختصاصی و س. ز. حسینی. 1389. برآورد مؤلفه­های شوری خاک، با استفاده از تبدیل طیفی تصاویر ETM⁺ و ASTER به رادیانس و بازتابش سطحی (مطالعه موردی: پلایای کویر ابرکوه، یزد). سنجش از دور و GIS ایران، 2(1): 23-36.

2. اخضری، د. و ا. اسدی می­آبادی. 1395. تهیه نقشه شوری خاک با استفاده از تحلیل طیفی داده­های سنجنده OLI و داده­های میدانی (مطالعه موردی: جنوب دشت ملایر). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(2) :87-100.

3. امینی، ا. 1389. سد زاینده­رود و آثار آن بر کشاورزی حوضة زاینده­رود از منظر حق­آبه­داران. اولین همایش ناگفته­های سدسازی. دانشگاه صنعتی اصفهان، بیست و نهم اردیبهشت ماه.

4. حبشی، خ. 1394. ارزیابی بیابان­زایی شرق اصفهان با استفاده از مدل مدالوس و منطق فازی. پایان­نامه کارشناسی ارشد. دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان. 153 صفحه.

5. حسنوندی، ن.، ا. لندی، ح. ر. متین­فر و م. ح. طاهرزاده. 1393. تهیه نقشه شوری سطحی خاک با استفاده از داده‌های رقومی ماهواره لندست ETM⁺ در منطقه­ای در جنوب اهواز. مهندسی زراعی، 37(1): 23-34.

6. خنامانی، ع.، ر. جعفری، ح. سنگونی و ع. شهبازی. 1390. ارزیابی وضعیت خاک با استفاده از فن­آوری سنجش از دور و سیستم اطلاعات جغرافیایی (مطالعه موردی: دشت سگزی اصفهان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 2(3): 25-37.

7. خواجه­الدین، س. ج. 1385. روند بیابان­زایی در ایران. جنگل و مرتع، 74: 42-45.

8. دشتکیان، ک.، م. پاکپرور و ج. عبداللهی. 1387. بررسی روش­های تهیه نقشه شوری خاک با استفاده از داده­های ماهواره­ای لندست در منطقه مروست. تحقیقات مرتع و بیابان ایران، 15(2): 139-157.

9. فتاحی، م. م. 1390. کاربرد سنجش از دور و GIS در ارزیابی و طبقه­بندی شوری­زایی به روش FAO-UNEP (مطالعه موردی: حوضه آبخیز قمرود). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 2(2): 111-122.

10. گیوئی اشرف، ز.، م. ع. حکیم­زاده، م. زارع، ز. ابراهیمی خوسفی و ک. دشتکیان. 1393. پایش شوری خاک با استفاده از داده‏های سنجندة ASTER برای ارزیابی بیابان‏زایی در دشت مروست استان یزد. مرتع و آبخیزداری، 67(4): 603-616.

11. محمودی، ف.، ر. جعفری، ح. ر. کریم­زاده و ن. رمضانی. 1394. پهنه‌بندی شوری خاک‌های منطقه جنوب ‌شرق استان اصفهان با‌ استفاده از داده‌های زمینی و سنجنده TM ماهواره‌ای. علوم آب و خاک، 19(1): 31-45.

12. مصباح­زاده، ط.، ح. احمدی، ف. سرمدیان، م. جعفری، ح. آذرنیوند، م. زارع چاهوکی و م. رستمی. 1393. تهیة نقشة شوری خاک سطحی با استفاده از تصاویر ماهواره‏ای لندست (مطالعة موردی: بوئین‌زهرا). مرتع و آبخیزداری، 67(4): 631-640.

13. Allbed A, Kumar L. 2013. Soil salinity mapping and monitoring in arid and semi-arid regions using remote sensing technology: a review. Advances in Remote Sensing, 2: 373-385.

14. Amiraslani F, Dragovich D. 2011. Combating desertification in Iran over the last 50 years: an overview of changing approaches. Journal of Environmental Management, 92(1): 1-13.

15. Boettinger J, Ramsey R, Bodily J, Cole N, Kienast-Brown S, Nield S, Saunders A, Stum A. 2008. Landsat spectral data for digital soil mapping. In:  Digital soil mapping with limited data. Springer, pp 193-202.

16. Ding J, Yu D. 2014. Monitoring and evaluating spatial variability of soil salinity in dry and wet seasons in the Werigan–Kuqa Oasis, China, using remote sensing and electromagnetic induction instruments. Geoderma, 235: 316-322.

17. Douaoui A, Lepinard P. 2010. Remote sensing and soil salinity: Mapping of soil salinity in the Algerian plain (Lower-Cheliff). Geomatics Expert, 76: 36-41.

18. Douaoui A, Nicolas H, Walter C. 2006. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data. Geoderma, 134(1): 217-230

19. Eldeiry AA, Garcia LA, Reich RM. 2008. Soil salinity sampling strategy using spatial modeling techniques, remote sensing, and field data. Journal of Irrigation and Drainage Engineering, 134(6): 768-777.

20. Elhag M. 2016. Evaluation of different soil salinity mapping using remote sensing techniques in arid ecosystems, Saudi Arabia. Journal of Sensors, 2016: 1-8.

21. Fernandez-Buces N, Siebe C, Cram S, Palacio J. 2006. Mapping soil salinity using a combined spectral response index for bare soil and vegetation: A case study in the former lake Texcoco, Mexico. Journal of Arid Environments, 65(4): 644-667.

22. Gorji T, Sertel E, Tanik A. 2017. Monitoring soil salinity via remote sensing technology under data scarce conditions: A case study from Turkey. Ecological Indicators, 74: 384-391.

23. Hillel D. 2000. Salinity management for sustainable irrigation: integrating science, environment, and economics. World Bank Publications. 102 pp.

24. Huete A, Liu H, De Lira G, Batchily K, Escadafal R. 1994. A soil color index to adjust for soil and litter noise in vegetation index imagery of arid regions. Geoscience and Remote Sensing Symposium, Pasadena, CA, USA, USA, 8-12 August.

25. Khan NM, Rastoskuev VV, Shalina EV, Sato Y. 2001. Mapping salt-affected soils using remote sensing indicators—a simple approach with the use of GIS IDRISI, 22^nd Asian Conference on Remote Sensing. Singapore, 5-9 November.

26. Lesch S, Corwin D, Robinson D. 2005. Apparent soil electrical conductivity mapping as an agricultural management tool in arid zone soils. Computers and Electronics in Agriculture, 46(1): 351-378.

27. Maniere R, Bassisty E, Celles J C, 1993. The use of spatial remote sensing for land use mapping in arid Mediterranean zones: Case of Ain Oussara (Algeria), Orstome Handbooks: Series of Pedology, 67-80.

28. Mehrjardi RT, Mahmoodi S, Taze M, Sahebjalal E. 2008. Accuracy assessment of soil salinity map in Yazd-Ardakan Plain, Central Iran, based on Landsat ETM⁺ imagery. American-Eurasian Journal of Agricultural & Environmental Sciences, 3: 708-712.

29. Nield S, Boettinger J, Ramsey R. 2007. Digitally mapping gypsic and natric soil areas using Landsat ETM data. Soil Science Society of America Journal, 71(1): 245-252.

30. Rouse JW, Haas RH, Schell JA. 1974. Monitoring the vernal advancement of retrogradation (greenwave effect) of natural vegetation type III final report RSC 1978-4. Remote Sensing Center,Texas A&M University. College Station, Texas, USA: 1–93.

31. Scudiero E, Skaggs TH, Corwin DL. 2015. Regional-scale soil salinity assessment using Landsat ETM⁺ canopy reflectance. Remote Sensing of Environment, 169: 335-343.

32. Wang Y, Li Y, Xiao D. 2008. Catchment scale spatial variability of soil salt content in agricultural oasis, Northwest China. Environmental Geology, 56(2): 439-446.

33. Wang Y, Li Y. 2013. Land exploitation resulting in soil salinization in a desert–oasis ecotone. Catena, 100: 50-56.

34. Wu W, Mhaimeed A, Al-Shafie W, Ziadat F, Dhehibi B, Nangia V, De-Pauw E. 2014. Mapping soil salinity changes using remote sensing in Central Iraq. Geoderma Regional, 2: 21-31.

35. Xi C, JinFeng Y, Zhi C, GePing L, Qing S, WenQiang X. 2009. A spatial geostatistical analysis of impact of land use development on groundwater resources in the Sangong Oasis Region using remote sensing imagery and data. Journal of Arid Land, 1(1): 1-8.

36. Yahiaoui I, Douaoui A, Zhang Q, Ziane A. 2015. Soil salinity prediction in the Lower Cheliff plain (Algeria) based on remote sensing and topographic feature analysis. Journal of Arid Land, 7(6): 794-805.