Soil salinity map preparation using spectral analysis of OLI sensor and field data (Case study: Southern parts of Malayer plain)

Subject Areas : Geospatial systems development

Davoud Akhzari ¹ (Assis. Prof. College of Natural Resources and Environment, Malayer University)
Ahmad Asadi Meyabadi ² (MSc. Student of Rangeland Sciences, Malayer University)

Received: 2015-06-21 Accepted : 2016-03-10 Published : 2016-08-22

Keywords: interpolation, OLI Sensor, Salinity index, Malayer plain, Spatial regression,

Abstract :

Soil salinity in arid and semi-arid lands is one of the most important limiting factors which changes vegetation types and biomass due to natural resources production reduction. The Landsat 8 satellite images (2014) were used in this research to select the best satellite indices for soil salinity evaluation. All soil samples were conducted in September 2014. Based on 77 points of measurement the distribution maps of sodium, magnesium, potassium, calcium, electrical conductivity and soil acidity were prepared by Kriging interpolation method which was developed in ArcGIS®9.3 software. After that, the correlations between the produced maps and ten remote sensing indices have been investigated by use of spatial regression. Maps of the distribution of sodium, potassium, magnesium, calcium, soil conductivity, acidity, salinity and alkalinity also prepared and proper regression models were presented. The results show that for the detection of distribution of electrical conductivity and sodium, according to correlation coefficient, the Salinity Index and Malayer Salinity Index were suitable indices. In order to detect the distribution of magnesium, calcium and potassium in the study area due to the high correlation coefficient (0.88), the normalized difference salinity index can be used. Due to the not significant difference of spatial regression of soil alkality, it could not be used. The results showed that the normalized difference salinity index can be used  for general measurement of all soil elements. According to the regression equation derived between indices and prepared maps of field studies, the optimal models for soil salinity mapping of the study area were determined and calibrated. Based on satellite data, obtained models of this study have suitable estimates of study elements because their coefficient of correlation is acceptable. With the completion, expansion and development of findings of this study, zonation lands without the need for sampling could be done. This method, while providing greater precision can also minimize the sample costs.

References:

1. امینی، م. 1387. بررسی زمین آماری شوری و قلیائیت خاک در خاک­های انتخاب شده از منطقه رودشت. پایان­نامه کارشناسی ارشد خاکشناسی، دانشکده کشاورزی، دانشگاه صنعتی اصفهان. 119 صفحه.

2. چیت­ساز، و. 1378. بررسی امکان تهیه نقشه شوری و قلیائیت خاک در منطقه شرق اصفهان با استفاده از داده­های رقومی TM. پایان­نامه کارشناسی ارشد، دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان. 112 صفحه.

3. 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 (مجله علمی کشاورزی)، 37(1): 23-33.

4. خدادادی، م.، م. ص. عسکری، ف. سرمدیان، ا. حیدری، ح. ع. رفاهی، ع. ا. نوروزی و ح. ر. متین­فر. 1387. تهیه نقشه خاک­های تحت تأثیر شوری و قلیایت با استفاده از داده­های سنجنده ETM⁺ در بخشی از دشت قزوین. پژوهش و سازندگی (در زراعت و باغبانی)، 80: 77-90.

5. 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.

6. خواجه­الدین، س. ج. 1375. استفاده از داده­های ماهواره Landsut MSS 5 در بررسی جوامع گیاهی و تعیین اراضی شور منطقه جازموریان. دومین همایش ملی بیابان­زایی و روش­های مختلف بیابان­زدایی. کرمان، معاونت آموزش و تحقیقات وزارت جهاد سازندگی، موسسه تحقیقات جنگل­ها و مراتع. 1 الی 2 شهریورماه.

7. درویش­صفت، ع. ا. 1381. ادغام داده­های ماهواره­ای. همایش ملی ژئوماتیک. تهران، سازمان نقشه­برداری کشور. 1 الی 2 اردیبهشت ماه.

8. دشتکیان، ک.، م. پاک­پرور و ج. عبدالهی. 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. عبدی­نام، ع. 1383. بررسی تهیه نقشه شوری خاک با استفاده از ایجاد همبستگی بین داده­های ماهواره­ای با مقادیر عددی شوری خاک در دشت قزوین. پژوهش و سازندگی (در زراعت و باغبانی)، 17(3): 33-38.

10. 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): 111-121.

11. کبیری، ک. 1380. بررسی اثرات خشک‌سالی بر پوشش گیاهی ایران در دهه 90 میلادی با استفاده از تصاویر ماهواره‌ای NOAA. پایان‌نامه کارشناسی ارشد، دانشکده عمران، دانشگاه خواجه نصیرالدین طوسی. 120 صفحه.

12. متکان، ع. ا.، ا. نوحه­گر، ب. میرباقری و ن. ترک­چین. 1393. تحلیل نقش کاربری اراضی در شکل­گیری جزایر حرارتی با استفاده از داده­های چند زمانة سنجندة ASTER (مطالعة موردی: شهر بندرعباس). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(4): 1-14.

13. محمدزاده، م. 1391. آمار فضایی و کاربردهای آن. انتشارات دانشگاه تربیت مدرس. 426 صفحه.

14. Bell D, Menges C, Ahmad W, Van Zyl J. 2001. The application of dielectric retrieval algorithms for mapping soil salinity in a tropical coastal environment using airborne polarimetric SAR. Remote Sensing of Environment, 75(3): 375-384.

15. Dwivedi R. 1996. Monitoring of salt-affected soils of the Indo-Gangetic alluvial plains using principal component analysis. International Journal of Remote Sensing, 17(10): 1907-1914.

16. Elhaddad A, Garcia L. 2006. Detecting soil salinity levels in agricultural lands using satellite imagery. In: Proceedings of the American Society for Photogrammetry and Remote Sensing Annual Conference.

17. Farifteh J, Farshad A. 2002. Remote sensing and modeling of top soil properties, a clue for assessing land degrading. 17^th World Congress of Soil Science, Bangkok, Thailand,14-20 August.

18. 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.

19. Goldshleger N, Ben-Dor E, Benyamini Y, Agassi M. 2004. Soil reflectance as a tool for assessing physical crust arrangement of four typical soils in Israel. Soil Science, 169(10): 677-687.

20. Khan N, Rastoskuev V, Shalina E, Sato Y. 2001. Mapping salt-affected soils using remote sensing indicators-A simple approach with the use of GIS IDRISI. 22^nd Asian Congress on Remote Sensing, 5-9 November, Singapore.

21. Menenti M, Bastiaanssen W, Van Eick D. 1989. Determination of surface hemispherical reflectance with Thematic Mapper data. Remote Sensing of Environment, 28: 327-337.

22. Metternicht G, Zinck J. 2009. Remote sensing of soil salinization: Impact on land management. CRC Press, Taylor & Francis Group, LLC. 272 p.

23. Rao B, Sharma R, Ravi Sankar T, Das S, Dwivedi R, Thammappa S, Venkataratnam L. 1995. Spectral behaviour of salt-affected soils. International Journal of Remote Sensing, 16(12): 2125-2136.

24. Rivero R, Grunwald S, Bruland G. 2007. Incorporation of spectral data into multivariate geostatistical models to map soil phosphorus variability in a Florida wetland. Geoderma, 140(4): 428-443.

25. Tripathi N, Rai BK, Dwivedi P. 1997. Spatial modeling of soil alkalinity in GIS environment using IRS data. In: The 18th Asian Conference on Remote Sensing, Kualalampur, Malaysia, 20-25 October.

26. Wood G, Loveland P, Kibblewhite M. 2004. The use of remote sensing to deliver soil monitoring. National Soil Resources Institute Cranfield University, Silsoe.