ارزیابی شوری خاک با تحلیل تصاویر لندست-8 و مشاهدات زمینی (مطالعه موردی: بهشت گمشده استان فارس)

محورهای موضوعی : توسعه سیستم های مکانی

محمد کاظمی ¹ (استادیار مرکز مطالعه و تحقیقات (پژوهشکده) هرمز، دانشگاه هرمزگان)
فریبرز محمدی ² (استادیار گروه کشاورزی، مجتمع آموزش عالی میناب، دانشگاه هرمزگان)
علیرضا نفرزادگان ³ (استادیار گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان)

تاریخ دریافت : 1397/12/19 تاریخ پذیرش : 1398/01/22 تاریخ انتشار : 1398/02/01

کلید واژه: شاخص‌های شوری, خوشه بندی سلسله مراتبی, رگرسیون چندمتغیره, بهشت گمشده- فارس, تحلیل عاملی,

چکیده مقاله :

شوری خاک ازجمله مخاطرات محیطی بالقوه محسوب می شود. هدف از این تحقیق یافتن بهترین شاخص و مناسب ترین رابطه جهت برآورد شوری خاک و تهیه نقشه آن با استفاده از داده های دورسنجی است. بدین منظور ابتدا نمونه برداری تصادفی با استفاده از روش تور ماهی و اندازه گیری هدایت الکتریکی خاک سطحی (EC) انجام شد. سپس سطوح حد آستانه (92%، 95% و 98%) روی تصاویر خروجی هر شاخص اعمال شد. از روش‌های کمترین مربعات رگرسیون شده (LS-fit) و آنالیز مؤلفه اصلی (PCA) برای کانی‌های هالیت و ژیپس، همبستگی بین خروجی شاخص ها و داده های زمینی، خوشه بندی و تحلیل عاملی بین مقادیر EC و تصاویر خروجی استفاده شد. جهت انتخاب بهترین مدل حاصل از ترکیب باندهای لندست-8 و میزان شوری، از آزمون هم خطی، آزمون دوربین-واتسون و رگرسیون چندمتغیره پس‌رو استفاده شد. همچنین جهت ارزیابی رگرسیون چندمتغیره باندهای لندست8، از ضریب کاپای کوهن استفاده شد. کارایی شاخص‌ها براساس چهار معیار مجذور میانگین مربعات خطا (RMSE)، میانگین انحراف خطا (MBE) و میانگین خطای مطلق (MAE) و ضریب تعیین (R2) ارزیابی شد. نتایج تحلیل عاملی کمترین فاصله را بین EC، شاخص شوری (SI) و شاخص درجه روشنایی (BI) نشان داد. به‌ طوری‌ که شاخص SI با مقدار 0.89 بیشترین همبستگی پیرسون را با EC داشت. در نمودار دندروگرام، شاخص SI با EC در یک خوشه قرار گرفتند و مقدار RMSE، MBE، MAE و R2 برای شاخص SI به ترتیب 0.16، 0.11، 0.12 و 0.76برآورد شد. شاخص SI نسبت به بقیه شاخص ها و رگرسیون چند متغیره خطی (با ضریب توافق کاپای کوهن 60%)، نتایج بهتری ارائه کرده است.

چکیده انگلیسی:

Soil salinity is considered as one of the potential environmental hazards. The purpose of this study was to find the best index and the most suitable relationship for estimating soil salinity and its mapping using remote sensing data. At the first step, random sampling was performed using fishnet method and surface soil electrical conductivity (EC) measurements. Then, the threshold levels (92%, 95%, and 98%) were applied to the output images of each indicator. The methodology included using the least squares fitting (LS-fit) technique and principal components analysis (PCA) for halite and gypsum minerals, determining the correlation between the output of indices and ground data, and performing clustering and factor analysis between EC and output images. In order to select the best model derived from Landsat-8 band combinations and the amount of salinity, collinearity test, Durbin-Watson test, and backward multivariate regression were employed. The Cohen‘s kappa coefficient was also applied to evaluate the multivariate regression formed by Landsat-8 bands. The performance of the indicators was evaluated based on four criteria of root mean square error (RMSE), mean bias error (MBE), mean absolute error (MAE) and R-squared (R2). The results of the factor analysis showed the smallest distance between the EC, salinity index (SI) and brightness index (BI). The SI with an amount of 0.89 had the highest Pearson correlation with EC. In the dendrogram diagram, SI index with EC was placed in a cluster, and the RMSE, MBE, MAE and R2 values of the SI index were estimated to be 0.16, 0.11, 0.12, and 0.76, respectively. Compared to the rest of the indicators and linear, multivariate regression (with Cohen‘s kappa coefficient of 60%,), the SI index has provided better outcomes.

منابع و مأخذ:

آژیرابی، ر.، ب. کامکار و ا. عبدی. 1394. اثر مقایسه شاخص ­های مختلف استخراج‌شده از تصاویر ماهواره لندست برای پهنه ­بندی شوری خاک در مزرعه نمونه ارتش گرگان. مجله مدیریت خاک و تولید پایدار، (1)5: 173-186.

آلیانی، ف.، ث. دادفر و م. معانی جو. 1393. آشکارسازی زون­ های دگرسانی کانسار آهن حاجی‌آباد با استفاده از داده­ های  SWIR+VNIR سنجنده. ASTER نشریه علوم زمین، 24(94): 73-80.

ارسطو، ب. و ا. اخیانی. 1397. برآورد شوری خاک با استفاده از داده­ های سنجش‌ازدور چند طیفی در اراضی کشاورزی. مجله کاربرد سیستم اطلاعات جغرافیایی و سنجش‌ازدور در برنامه ­ریزی، 9(1): 37-51.

امینی، د.، م. توکلی و م. رستمی ­نیا. 1396. پهنه ­بندی و بررسی روند شوری خاک با استفاده از تکنیک­ های سنجش‌ازدور و آنالیزهای زمین ­آماری (مطالعه موردی: شادگان، خوزستان). پژوهش­ های فرسایش محیطی، 7(4): 24-43.

پیشنماز احمدی،م.، م. ح. رضایی­مقدم و ب. فیضی­زاده. 1396. بررسی شاخص ­ها و تهیه نقشه شوری خاک با استفاده از داده­های سنجش‌ازدور (مطالعه موردی: دلتای آجی­چای). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 8(1): 85-96.

حبشی، خ.، ح. ر. کریم زاده و س. پورمنافی. 1396. ارزیابی شوری خاک در شرق اصفهان بر پایه داده‌های سنجنده OLI و تجزیه‌ وتحلیل عوارض توپوگرافی. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 8(1): 36-51.

حسنوند، ن.، ا. لندی، ح. ر. متین­فر و م. ح. طاهرزاده. 1393. تهیه نقشه شوری خاک با استفاده از داده ­های رقومی ماهواره لندست ⁺ETM در منطقه ­ای در جنوب اهواز. مهندسی زراعی، 37(1): 23-33.

خادمی، ف.، ح. پیرخراطی و س. شاه­کرمی. 1393. مطالعه روند افزایش خاک ­های شور اطراف دریاچه ارومیه با استفاده از GIS و RS، زمین ­شناسی مهندسی و محیط‌زیست، 24(94): 93-98.

خیامی، ف.، ح. خادمی، ب. اسـتنبرگ و ی. ویترلینـد. .1394 قابلیت روش طیـف ­سـنجی مرئـی- مادون‌قرمز نزدیـک در پیش­ بینی چند ویژگی شیمیایی خاک ­های استان اصفهان. مجله علوم و فنون کشاورزی و منابع طبیعی (علـوم آب‌وخاک)، 19(72): 81-92.

دائم­پناه، ر.، غ. ح حق­نیا، ا. علیزاده و ع. کریمی کارویه. 1390. تهیه نقشه شوری و سدیمی خاک سطحی با روش­های دورسـنجی و زمین­آماری در جنوب شهرستان مه­ولات. نشریه آب‌وخاک (علوم و صنایع کشاورزی)، 25(3): 508-498-508.

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

رنجبر، ر.، ح. ر. اولیایی، ح. رنجبر و ا. ادهمی. 1397. پایش تغییرات شوری خاک با استفاده از سنجش‌ازدور در منطقه زاهد شهر- استان فارس. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 9(3): 128-115.

زارع چاهوکی، م. ع. 1389. روش­ های تحلیل چند متغیره در نرم­افزار SPSS، جزوه درسی، دانشگاه تهران، 35 صفحه.

زینالی، م.، ع. ا. جعفرزاده، ف. شهبازی و خ. ولی­زاده کامران. 1395. ارزیابی شوری خاک سطحی با روش پیکسل مبنا و بر اساس داده ­های سنجنده TM (مطالعه موردی: اراضی شرق شهرستان خوی). اطلاعات جغرافیایی، 25(99): 127-140.

شریفی­کیا، م. و ع. افضلی. 1391. پایش و تحلیل روند افزایش شوری خاک در مخروط افکنه دامغان با استفاده از داده­ های ماهواره­ای و پیمایشی. جغرافیا و مخاطرات محیطی، 3(3): 73-86.

صالحی ص. و ح. اکبری. 1396. تبیین جامعه‌شناختی حفاظت از محیط‌زیست در مناطق روستایی. پژوهشنامه توسعه فرهنگی اجتماعی، 2(1): 9-24.

ماهوش محمدی، ن.، ا. هزارخانی و ع. مقصودی. 1397. به­ کارگیری روش­ های مختلف پردازش تصاویر ماهواره­ای به‌منظور شناسایی و تفکیک بخش­ های دگرسانی منطقه خونی و کالکافی (استان اصفهان). پژوهش­ های دانش زمین، 9(33): 152-137.

ممبنی، م.، ص. آرخی و س. ع. ا. آرامی. 1394. تغییران روند شوری با استفاده از سنجش‌ازدور و GIS. مهندسی اکوسیستم بیابان، 4(6): 27-34.

مومی­پور، م. 1397. بررسی تغییرات زمانی و مکانی شوری خاک شهرستان آبادان در بازه 24 ساله با تصاویر ماهواره­ای. جغرافیا و پایداری محیط، 8(27): 47-58.

ناروئی­راد، م. ر.، م. فرزانجو، ح. ر. فنـایی، ع. ر. ارجمنـدی نـژاد، ا. قاسمی و م. ر. پل شکن پهلوان. 1385. بررسی تنوع ژنتیکـی و تجزیه به عامل­ها برای صفات مورفولوژیـک تـوده‌هـای بـومی گندم سیستان و بلوچستان. پژوهش و سازندگی در زراعت و باغبانی، 19(4): 50-57.

نوحه­گر، ا.، م. بداغی، م. کاظمی و ع. ر. کمالی. 1392. مقایسه روش­ های پیکسل مبنا و زیرپیکسل مبنا در شناسایی و استخراج زون­ های دگرسانی با استفاده از داده­ های ASTER. پژوهش­ های دانش زمین، 4(16): 1-13.

هاتفی اردکانی، ا. ح.،  م. کریمی احمدآباد، م. ر. اختصاصی و ع. پایدار اردکانی. 1395. ارزیابی روش­های مدل­ سازی و طبقه ­بندی نظارت‌شده در تهیه نقشه شوری خاک با استفاده تز تصاویر ASTER و⁺ ETM. پژوهش ­های حفاظت آب‌ وخاک، 23(5): 123-140.

هشیارمنش، ح.، م. فرهادی، ع. هشیارمنش و ن. جعفریان. 1392. خوشه ­بندی سلسله مراتبی و K-میانگین در نرم­افزار R، SAS و MATLAB. بررسی­ های آمار رسمی ایران، 24(2): 227-240.

Akramkhanov A, Martius C, Park S, Hendrickx J. 2011. Environmental factors of spatial distribution of soil salinity on flat irrigated terrain. Geoderma, 163(1-2): 55-62.

Allbed A, Kumar L, Aldakheel YY. 2014. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region. Geoderma, 230: 1-8.

Blanco-Canqui H, Lal R. 2008. Principles of soil conservation and management. Springer Science & Business Media, 617 p.

Crosta A, De Souza Filho C, Azevedo F, Brodie C. 2003. Targeting key alteration minerals in epithermal deposits in Patagonia, Argentina, using ASTER imagery and principal component analysis. International Journal of Remote Sensing, 24(21): 4233-4240.

Crosta AP. 1989. Enhancement of Landsat Thematic Mapper imagery for residual soil mapping in SW Minais Gerais State, Brazil: a prospecting case history in Greenstone belt terrain. In: Proceedings of the Seventh Thematic Conference on Remote Sensing for Exploration Geology, 2-6 October, Calgary, Canada, 1989. ERIM, pp 1173-1187.

Deza MM, Deza E. 2009. Encyclopedia of distances. In:  Encyclopedia of distances. Springer, pp 1-583.

Ding J-L, Wu M-C, Tiyip T. 2011. Study on soil salinization information in arid region using remote sensing technique. Agricultural Sciences in China, 10(3): 404-411.

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.

Ghrefat HA, Goodell PC, Hubbard BE, Langford RP, Aldouri RE. 2007. Modeling grain size variations of aeolian gypsum deposits at White Sands, New Mexico, using AVIRIS imagery. Geomorphology, 88(1-2): 57-68.

Hunt GR, Ashley RP. 1979. Spectra of altered rocks in the visible and near infrared. Economic Geology, 74(7): 1613-1629.

Jabbar MT, Zhou J. 2012. Assessment of soil salinity risk on the agricultural area in Basrah Province, Iraq: Using remote sensing and GIS techniques. Journal of Earth Science, 23(6): 881-891.

Khan NM, Rastoskuev VV, Sato Y, Shiozawa S. 2005. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agricultural Water Management, 77(1-3): 96-109.

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. In: 22nd Asian Conference on Remote Sensing, 5-9 November 2001, Singapore, 1-5.

Major D, Baret F, Guyot G. 1990. A ratio vegetation index adjusted for soil brightness. International Journal of Remote Sensing, 11(5): 727-740.

Matinfar HR, Panah SKA, Zand F, Khodaei K. 2013. Detection of soil salinity changes and mapping land cover types based upon remotely sensed data. Arabian Journal of Geosciences, 6(3): 913-919.

Metternicht G, Zinck J. 2003. Remote sensing of soil salinity: potentials and constraints. Remote sensing of Environment, 85(1): 1-20.

Mougenot B, Pouget M, Epema G. 1993. Remote sensing of salt affected soils. Remote Sensing Reviews, 7(3-4): 241-259.

Nawar S, Buddenbaum H, Hill J. 2015. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: a case study from Egypt. Arabian Journal of Geosciences, 8(7): 5127-5140.

O’Mara AJ. 2008. Methodological and substantive applications of meta-analysis: Multilevel modelling, simulation, and the construct validation of self-concept. Unpublished doctoral dissertation) Oxford University: 453 p.

Soe M, Kyaw TA, Takashima I. 2005. Application of remote sensing techniques on iron oxide detection from ASTER and Landsat images of Tanintharyi coastal area, Myanmar, Akita University, Japan, 21-28.

Vincent RK. 1997. Fundamentals of geological and environmental remote sensing. Prentice Hall Upper Saddle River, NJ, 366 pp.

Wiegand C, Richardson A, Escobar D, Gerbermann A. 1991. Vegetation indices in crop assessments. Remote Sensing of Environment, 35(2-3): 105-119.

Yu H, Liu M, Du B, Wang Z, Hu L, Zhang B. 2018. Mapping Soil Salinity/Sodicity by using Landsat OLI Imagery and PLSR Algorithm over Semiarid West Jilin Province, China. Sensors, 18(4): 1048, 1043-1017.