Spatial analysis of biological soil crust based on Biological Soil Crust (BSCI) index
Subject Areas : Natural resources and environmental management
Leila Kashi Zenouzi
1
,
Seyed Hasan Kaboli
2
,
Kazem Khavazi
3
,
Mohammad Sohrabi
4
,
Mohammad Khosroshahi
5
1 - PhD Candidate in Combat to Desertification Department, Faculty of Desert Studies, University of Semnan, Iran
2 - Assistant Professor of Combat to Desertification Department, Faculty of Desert Studies, University of Semnan, Iran
3 - Professor, Department of Soil Biology Soil and Water Research Institute, Agricultural Research Education and Extension Organization (AREEO), Karaj, Iran
4 - Assistant Professor, Iranian Research Organization for Science and Technology, Tehran, Iran
5 - Associate Professor, Desert Research Division, Research Institute of Forests and Rangelands, Agricultural Research Education and Extension Organization (AREEO), Tehran, Iran
Keywords: soil line index, Sejzi plain, Cyanolichen,
Abstract :
Background and ObjectiveBiological soil crusts are a collection of lichens, mosses, fungi, cyanobacteria, etc. that are part of the soil ecosystem. Estimation of density and distribution of biological soil crusts in arid and semi-arid regions of Iran, which is the subject of soil erosion and wastage is very important. Methods based on remote sensing techniques are important in terms of cost and time less efficient methods to achieve this goal. Segzi plain is one of the critical points of wind erosion in Iran and identifying and determining the distribution of biological soil crusts as a soil modifier is an effective step in reducing wind erosion in the region. In this research, BSCI (Biological Soil Crust) index has been used to prepare the distribution map of lichen-dominated biological soil crusts. Materials and Methods The study area is part of the Sajzi Desert (Central Deserts of Iran) which is located in Isfahan province of Iran. The study area with an area of 199.5 hectares is spread between the eastern lengths of 51o52'32" to 52o27'41" and the northern widths of 32o33'31" to 32o55'01". The average slope of Segzi plain is 1.08 percent and its average height is 1680 meters. According to the statistics of the East Isfahan Meteorological Station (Shahid Beheshti Station), the average annual rainfall in the region is 106 mm. According to the Dumarten climatic classification, the climate of the region is dry and according to the Amberge classification it is cold. The BSCI index is a combination of the relationships used to estimate vegetation and bare soil surface, and its mathematical relationship is the slope of the soil line. To calculate the soil line in an area, one must first separate the pixels that have bare soil and no vegetation. In order to calculate the soil line equation, in four seasons of a year, images of Landsat OLI 8 satellite related to 2018 were downloaded from the site of the US Geological Survey and 20 to 30 pixels of pure bare soil were extracted by drawing the reflection values of these pixels in the red and infrared band. Red near soil line coefficients was calculated for each season in the Segzi Plain. Based on BSCI index, lichen-dominated biological soil crust are identified using at least VIS-NIR spectral reflection and the slope between the red and green bands compared to bare soil and dry vegetation. Using ENVI software, the distribution shells of biological shells with lichen dominance were prepared in four seasons since 2018 in Segzi plain. Then, the prepared maps were validated based on land points and the total accuracy and kappa index were calculated in all four seasons. The collected lichen samples were identified based on their morphological characteristics and using a stereomicroscope, conventional microscope and common color reagents such as potassium hydroxide (KOH). After applying the BSCI index on the Landsat OLI 8 satellite image, using ENVI software, spectral profiles related to 4 points of Segzi plain in four seasons of the year were prepared and the spectral reflection in four seasons of the year in different points were examined. Results and Discussion The slope of the soil line is lower in the rainy season, which coincides with the growth of herbaceous and annual plants, compared to the summer season, which has the least amount of rainfall, and the annual plants have dried up and become extinct. In May, the slope of the soil line was minimal (0.39) and in late summer it has its maximum value (0.78). In fact, the slope of the soil line has decreased from mid-August to May, and then has increased with the loss of annual vegetation and the increase of bare soil surface. The distribution maps of bio-shells in all four seasons of the year were validated during field visits and the year it was found that the highest accuracy of the map related to the map produced from Landsat 8 image is related to summer with 94% total accuracy and Kappa index equal to 0.7412. Interpretation of the spectral profiles of the BSCI index shows that the reflections of the spectra related to the zephyr and strain prepared on the lichen dispersion points are very close to each other and also the spectral profiles of the mid-autumn and early spring are quite consistent. Whereas in the faults, which did not cover the biological crust, the amount of reflection was higher and there was a slight difference between the reflection diagrams of autumn and spring. Although the reflectance values of a range of agricultural lands and the distribution points of biological crusts are very close to each other, the spectral diagrams of all four seasons are very different from each other. But in all seasons of the year and in all places, the least reflection has occurred at the beginning of winter and the most reflection has occurred in summer. The climate of Segzi plain is Mediterranean and precipitation occurs in the cold season of the year. Simultaneously with the increase of precipitation from the middle of autumn, annual plants and mosses at the base of shrubs begin to grow and reach their peak in early winter and again at the beginning of spring. Decreases in rainfall have reduced their density. If the winter spectrum has the least reflection in all places. While in late summer, when the annuals and mosses have dried up, it has had the greatest spectral reflection. Fasaran, which is a barren area and a landfill, it has shown its maximum reflection. Therefore, the BSCI index relative to the percentage of organic matter has a significant error in the detection of biological soil crust, and where the organic matter is high may not provide an accurate diagnosis of soil bioshells. Of course, since the BSCI index is defined for the detection of throat compounds in lichen tissues. The error rate for organic matter is reduced to a minimum. As it has been observed in the final map, there is no cover of biological soil crusts in Fasaran and only soil biological crusts are observed in the areas around Fasaran in the agricultural areas. In agricultural areas, due to human intervention and cultivation, the amount of annual plants is different from the field of natural resources in different seasons of a year have become. Conclusion Spectral similarity of the most important soil surface, including vegetation, the involvement of human factors in increasing or decreasing soil organic matter, bare soil, etc. limits the efficiency of the BSCI index and therefore in the time period of satellite images and regional conditions have a great impact on It has the accuracy of BSCI index.
Alipour H, Hasheminasab sH, Hatefi AH, Gholamnia A, Shahnavaz Y. 2014. Estimation of the potential of wind erosion and deposition using IRIFR method in Miandasht Esfarayen region. Journal of Spatial Analysis Environmental Hazards, 1(2): 77-92. https://jsaeh.khu.ac.ir/article-71-2455-en.html. (In Persian).
Alonso M, Rodríguez-Caballero E, Chamizo S, Escribano P, Cantón Y. 2014. Evaluación de los diferentes índices para cartografiar biocostras a partir de información espectral. Revista española de teledetección: 79-98. doi:https://doi.org/10.4995/raet.2014.2317.
Belnap J. 2006. The potential roles of biological soil crusts in dryland hydrologic cycles. Hydrological Processes: An International Journal, 20(15): 3159-3178. doi:https://doi.org/10.1002/hyp.6325.
Belnap J, Beau JW, Seth MM, Richard AG. 2014. Controls on sediment production in two U.S. deserts. Aeolian Research, 14: 15-24. doi:https://doi.org/10.1016/j.aeolia.2014.03.007.
Chamizo S, Cantón Y, Lázaro R, Solé-Benet A, Domingo F. 2012. Crust Composition and Disturbance Drive Infiltration Through Biological Soil Crusts in Semiarid Ecosystems. Ecosystems, 15(1): 148-161. doi:https://doi.org/10.1007/s10021-011-9499-6.
Chamizo S, Cantón Y, Rodríguez‐Caballero E, Domingo F. 2016. Biocrusts positively affect the soil water balance in semiarid ecosystems. Ecohydrology, 9(7): 1208-1221. doi:https://doi.org/10.1002/eco.1719.
Chen J, Yuan Zhang M, Wang L, Shimazaki H, Tamura M. 2005. A new index for mapping lichen-dominated biological soil crusts in desert areas. Remote Sensing of Environment, 96(2): 165-175. doi:https://doi.org/10.1016/j.rse.2005.02.011.
Esmali A, Ahmadi H, Tahmoures M. 2014. Quantity assessment of water erosion intensity using regional model of erosion and sediment yield (Case study: Nir watershed, Ardebil). Journal of Range and Watershed Managment, 67(3): 407-417. doi:https://doi.org/10.22059/JRWM.2014.52830.
Felde VJMNL, Peth S, Uteau-Puschmann D, Drahorad S, Felix-Henningsen P. 2014. Soil microstructure as an under-explored feature of biological soil crust hydrological properties: case study from the NW Negev Desert. Biodiversity and Conservation, 23(7): 1687-1708. doi:https://doi.org/10.1007/s10531-014-0693-7.
Gong P, Pu R, Biging GS, Larrieu MR. 2003. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 41(6): 1355-1362. doi:https://doi.org/10.1109/TGRS.2003.812910.
Huete A, Didan K, Miura T, Rodriguez EP, Gao X, Ferreira LG. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1): 195-213. doi:https://doi.org/10.1016/S0034-4257(02)00096-2.
Karnieli A. 1997. Development and implementation of spectral crust index over dune sands. International Journal of Remote Sensing, 18(6): 1207-1220. doi:https://doi.org/10.1080/014311697218368.
Kashi Zenouzi L, Ahmadi H, Nazari Samani A. 2016. Using Statistical Hydrogeomorphology Method for Estimating Sediment Yield of Watersheds (Case study: Zonouz Chay and Zilber Chay watersheds). Journal of Watershed Management Research, 6(12): 166-174. http://jwmr.sanru.ac.ir/article-161-567-en.html. (In Persian).
Khodagholi M, Feyzi M, Jaberolansar Z, Shirani K, Alijan V. 2017. Plan for recognizing the ecological regions of the country, plant types of Isfahan province. Research Institute of Forests and Rangelands, Iran, 290 p.
Li Z, Jianmin X, Chaowen C, Lina Z, Zhengyan W, Lichao L, Dongqing C. 2020. Promoting desert biocrust formation using aquatic cyanobacteria with the aid of MOF-based nanocomposite. Science of The Total Environment, 708: 134824. doi:https://doi.org/10.1016/j.scitotenv.2019.134824.
Miralles I, Lázaro R, Sánchez-Marañón M, Soriano M, Ortega R. 2020. Biocrust cover and successional stages influence soil bacterial composition and diversity in semiarid ecosystems. Science of The Total Environment, 709: 134654. doi:https://doi.org/10.1016/j.scitotenv.2019.134654.
Miralles-Mellado I, Cantón Y, Solé-Benet A. 2011. Two‐dimensional porosity of crusted silty soils: Indicators of soil quality in semiarid rangelands? Soil Science Society of America Journal, 75(4): 1330-1342. doi:https://doi.org/10.2136/sssaj2010.0283.
Mojeddifar S, Fereydooni H. 2017. A directed matched filtering algorithm (DMF) for discriminating hydrothermal alteration zones using the ASTER remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 61: 1-13. doi:https://doi.org/10.1016/j.jag.2017.04.010.
Nazari Samani AA, Ehsani AH, Golivari A, Abdolshahnejad M. 2015. Comparing the results of RWEQ and IRIFR models for determining of land management effects on wind erosion. Desert Management, 3(6): 39-53. http://www.jdmal.ir/article_21671.html?lang=en. (In Persian).
Paruelo JM, Piñeiro G, Escribano P, Oyonarte C, Alcaraz D, Cabello J. 2005. Temporal and spatial patterns of ecosystem functioning in protected arid areas in southeastern Spain. Applied Vegetation Science, 8(1): 93-102. doi: https://doi.org/10.1111/j.1654-109X.2005.tb00633.x.
Peñuelas J, Pinol J, Ogaya R, Filella I. 1997. Estimation of plant water concentration by the reflectance water index WI (R900/R970). International Journal of Remote Sensing, 18(13): 2869-2875. doi:https://doi.org/10.1080/014311697217396.
Rodríguez-Caballero E, Cantón Y, Chamizo S, Lázaro R, Escudero A. 2013. Soil Loss and Runoff in Semiarid Ecosystems: A Complex Interaction Between Biological Soil Crusts, Micro-topography, and Hydrological Drivers. Ecosystems, 16(4): 529-546. doi:10.1007/s10021-012-9626-z.
Rodríguez-Caballero E, Escribano P, Olehowski C, Chamizo S, Hill J, Cantón Y, Weber B. 2017. Transferability of multi- and hyperspectral optical biocrust indices. ISPRS Journal of Photogrammetry and Remote Sensing, 126: 94-107. doi:https://doi.org/10.1016/j.isprsjprs.2017.02.007.
Rouse JW, Haas RH, Schell JA, Deering DW. 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication, 351(1974): 309-317. https://ntrs.nasa.gov/citations/19740022614.
Rozenstein O, Karnieli A. 2015. Identification and characterization of Biological Soil Crusts in a sand dune desert environment across Israel–Egypt border using LWIR emittance spectroscopy. Journal of Arid Environments, 112: 75-86. doi:https://doi.org/10.1016/j.jaridenv.2014.01.017.
Thomas A, Dougill A. 2007. Spatial and temporal distribution of cyanobacterial soil crusts in the Kalahari: Implications for soil surface properties. Geomorphology, 85(1): 17-29. doi:https://doi.org/10.1016/j.geomorph.2006.03.029.
Ustin LS, Phillip GV, Shawn CK, Maria JS, Jeff FZ, Stanley DS. 2009. Remote sensing of biological soil crust under simulated climate change manipulations in the Mojave Desert. Remote Sensing of Environment, 113(2): 317-328. doi:https://doi.org/10.1016/j.rse.2008.09.013.
Weber B, Hill J. 2016. Remote sensing of biological soil crusts at different scales. In: Biological soil crusts: an organizing principle in drylands. Springer, pp 215-234. https://doi.org/210.1007/1978-1003-1319-30214-30210_30212.
Weber B, Olehowski C, Knerr T, Hill J, Deutschewitz K, Wessels DCJ, Eitel B, Büdel B. 2008. A new approach for mapping of Biological Soil Crusts in semidesert areas with hyperspectral imagery. Remote Sensing of Environment, 112(5): 2187-2201. doi:https://doi.org/10.1016/j.rse.2007.09.014.
Zhao Y, Qin N, Weber B, Xu M. 2014. Response of biological soil crusts to raindrop erosivity and underlying influences in the hilly Loess Plateau region, China. Biodiversity and Conservation, 23(7): 1669-1686. doi:https://doi.org/10.1007/s10531-014-0680-z.
_||_Alipour H, Hasheminasab sH, Hatefi AH, Gholamnia A, Shahnavaz Y. 2014. Estimation of the potential of wind erosion and deposition using IRIFR method in Miandasht Esfarayen region. Journal of Spatial Analysis Environmental Hazards, 1(2): 77-92. https://jsaeh.khu.ac.ir/article-71-2455-en.html. (In Persian).
Alonso M, Rodríguez-Caballero E, Chamizo S, Escribano P, Cantón Y. 2014. Evaluación de los diferentes índices para cartografiar biocostras a partir de información espectral. Revista española de teledetección: 79-98. doi:https://doi.org/10.4995/raet.2014.2317.
Belnap J. 2006. The potential roles of biological soil crusts in dryland hydrologic cycles. Hydrological Processes: An International Journal, 20(15): 3159-3178. doi:https://doi.org/10.1002/hyp.6325.
Belnap J, Beau JW, Seth MM, Richard AG. 2014. Controls on sediment production in two U.S. deserts. Aeolian Research, 14: 15-24. doi:https://doi.org/10.1016/j.aeolia.2014.03.007.
Chamizo S, Cantón Y, Lázaro R, Solé-Benet A, Domingo F. 2012. Crust Composition and Disturbance Drive Infiltration Through Biological Soil Crusts in Semiarid Ecosystems. Ecosystems, 15(1): 148-161. doi:https://doi.org/10.1007/s10021-011-9499-6.
Chamizo S, Cantón Y, Rodríguez‐Caballero E, Domingo F. 2016. Biocrusts positively affect the soil water balance in semiarid ecosystems. Ecohydrology, 9(7): 1208-1221. doi:https://doi.org/10.1002/eco.1719.
Chen J, Yuan Zhang M, Wang L, Shimazaki H, Tamura M. 2005. A new index for mapping lichen-dominated biological soil crusts in desert areas. Remote Sensing of Environment, 96(2): 165-175. doi:https://doi.org/10.1016/j.rse.2005.02.011.
Esmali A, Ahmadi H, Tahmoures M. 2014. Quantity assessment of water erosion intensity using regional model of erosion and sediment yield (Case study: Nir watershed, Ardebil). Journal of Range and Watershed Managment, 67(3): 407-417. doi:https://doi.org/10.22059/JRWM.2014.52830.
Felde VJMNL, Peth S, Uteau-Puschmann D, Drahorad S, Felix-Henningsen P. 2014. Soil microstructure as an under-explored feature of biological soil crust hydrological properties: case study from the NW Negev Desert. Biodiversity and Conservation, 23(7): 1687-1708. doi:https://doi.org/10.1007/s10531-014-0693-7.
Gong P, Pu R, Biging GS, Larrieu MR. 2003. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 41(6): 1355-1362. doi:https://doi.org/10.1109/TGRS.2003.812910.
Huete A, Didan K, Miura T, Rodriguez EP, Gao X, Ferreira LG. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1): 195-213. doi:https://doi.org/10.1016/S0034-4257(02)00096-2.
Karnieli A. 1997. Development and implementation of spectral crust index over dune sands. International Journal of Remote Sensing, 18(6): 1207-1220. doi:https://doi.org/10.1080/014311697218368.
Kashi Zenouzi L, Ahmadi H, Nazari Samani A. 2016. Using Statistical Hydrogeomorphology Method for Estimating Sediment Yield of Watersheds (Case study: Zonouz Chay and Zilber Chay watersheds). Journal of Watershed Management Research, 6(12): 166-174. http://jwmr.sanru.ac.ir/article-161-567-en.html. (In Persian).
Khodagholi M, Feyzi M, Jaberolansar Z, Shirani K, Alijan V. 2017. Plan for recognizing the ecological regions of the country, plant types of Isfahan province. Research Institute of Forests and Rangelands, Iran, 290 p.
Li Z, Jianmin X, Chaowen C, Lina Z, Zhengyan W, Lichao L, Dongqing C. 2020. Promoting desert biocrust formation using aquatic cyanobacteria with the aid of MOF-based nanocomposite. Science of The Total Environment, 708: 134824. doi:https://doi.org/10.1016/j.scitotenv.2019.134824.
Miralles I, Lázaro R, Sánchez-Marañón M, Soriano M, Ortega R. 2020. Biocrust cover and successional stages influence soil bacterial composition and diversity in semiarid ecosystems. Science of The Total Environment, 709: 134654. doi:https://doi.org/10.1016/j.scitotenv.2019.134654.
Miralles-Mellado I, Cantón Y, Solé-Benet A. 2011. Two‐dimensional porosity of crusted silty soils: Indicators of soil quality in semiarid rangelands? Soil Science Society of America Journal, 75(4): 1330-1342. doi:https://doi.org/10.2136/sssaj2010.0283.
Mojeddifar S, Fereydooni H. 2017. A directed matched filtering algorithm (DMF) for discriminating hydrothermal alteration zones using the ASTER remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 61: 1-13. doi:https://doi.org/10.1016/j.jag.2017.04.010.
Nazari Samani AA, Ehsani AH, Golivari A, Abdolshahnejad M. 2015. Comparing the results of RWEQ and IRIFR models for determining of land management effects on wind erosion. Desert Management, 3(6): 39-53. http://www.jdmal.ir/article_21671.html?lang=en. (In Persian).
Paruelo JM, Piñeiro G, Escribano P, Oyonarte C, Alcaraz D, Cabello J. 2005. Temporal and spatial patterns of ecosystem functioning in protected arid areas in southeastern Spain. Applied Vegetation Science, 8(1): 93-102. doi: https://doi.org/10.1111/j.1654-109X.2005.tb00633.x.
Peñuelas J, Pinol J, Ogaya R, Filella I. 1997. Estimation of plant water concentration by the reflectance water index WI (R900/R970). International Journal of Remote Sensing, 18(13): 2869-2875. doi:https://doi.org/10.1080/014311697217396.
Rodríguez-Caballero E, Cantón Y, Chamizo S, Lázaro R, Escudero A. 2013. Soil Loss and Runoff in Semiarid Ecosystems: A Complex Interaction Between Biological Soil Crusts, Micro-topography, and Hydrological Drivers. Ecosystems, 16(4): 529-546. doi:10.1007/s10021-012-9626-z.
Rodríguez-Caballero E, Escribano P, Olehowski C, Chamizo S, Hill J, Cantón Y, Weber B. 2017. Transferability of multi- and hyperspectral optical biocrust indices. ISPRS Journal of Photogrammetry and Remote Sensing, 126: 94-107. doi:https://doi.org/10.1016/j.isprsjprs.2017.02.007.
Rouse JW, Haas RH, Schell JA, Deering DW. 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication, 351(1974): 309-317. https://ntrs.nasa.gov/citations/19740022614.
Rozenstein O, Karnieli A. 2015. Identification and characterization of Biological Soil Crusts in a sand dune desert environment across Israel–Egypt border using LWIR emittance spectroscopy. Journal of Arid Environments, 112: 75-86. doi:https://doi.org/10.1016/j.jaridenv.2014.01.017.
Thomas A, Dougill A. 2007. Spatial and temporal distribution of cyanobacterial soil crusts in the Kalahari: Implications for soil surface properties. Geomorphology, 85(1): 17-29. doi:https://doi.org/10.1016/j.geomorph.2006.03.029.
Ustin LS, Phillip GV, Shawn CK, Maria JS, Jeff FZ, Stanley DS. 2009. Remote sensing of biological soil crust under simulated climate change manipulations in the Mojave Desert. Remote Sensing of Environment, 113(2): 317-328. doi:https://doi.org/10.1016/j.rse.2008.09.013.
Weber B, Hill J. 2016. Remote sensing of biological soil crusts at different scales. In: Biological soil crusts: an organizing principle in drylands. Springer, pp 215-234. https://doi.org/210.1007/1978-1003-1319-30214-30210_30212.
Weber B, Olehowski C, Knerr T, Hill J, Deutschewitz K, Wessels DCJ, Eitel B, Büdel B. 2008. A new approach for mapping of Biological Soil Crusts in semidesert areas with hyperspectral imagery. Remote Sensing of Environment, 112(5): 2187-2201. doi:https://doi.org/10.1016/j.rse.2007.09.014.
Zhao Y, Qin N, Weber B, Xu M. 2014. Response of biological soil crusts to raindrop erosivity and underlying influences in the hilly Loess Plateau region, China. Biodiversity and Conservation, 23(7): 1669-1686. doi:https://doi.org/10.1007/s10531-014-0680-z.
تحلیل توزیع مکانی پوستههای زیستی خاک بر اساس شاخص BSCI
چکیده
پوستههای زیستی خاک بخشی از اکوسیستم خاک هستند که در اصلاح و بهبود خصوصیات فیزیکی و شیمایی خاک نقش بسیار مهمی ایفاء میکنند. توزیع مکانی و شناخت گونههای موجود در عرصه منابع طبیعی به ویژه اکوسیستمهای خشک و نیمهخشک اهمیت بسیار زیادی در اصلاح و احیاء خاکهای از دست رفته دارد. در این تحقیق به منظور تعیین گسترش مکانی و شناسایی پوستههای زیستی موجود در دشت سگزی، با استفاده از شاخص پوستههای زیستی خاک(BSCI:Biological Soil Crust Index) تصاویر ماهواره لندست OLI 8 پردازش شده و نقشه پراکنش پوستههای زیستی خاک با غالبیت گلسنگ در هر چهار فصل از سال تهیه شده و بر اساس روش آماری تصادفی طبقهبندی شده اعتبار سنجی شدند. در نهایت معلوم شد نقشه تهیه شده در فصل تابستان با شاخص کاپا 9312/0 و میزان صحت کل 94 درصد انطباق بیشتری با واقعیت زمینی دارد و در مجموع 32 گونه گلسنگ خاکزی از دشت سگزی جمعآوری شده و بر اساس خصوصیات مرفولوژیکی شناسایی شدند. اغلب آنها از نوع سیانوگلسنگها بوده و بخش فتوبیونت آنها مولد موکسها از نوع پلیساکارید هستند که باعث افزایش چسبندگی خاک و پایداری خاکدانه میشوند. بنابراین شناسایی و بکارگیری آنها در حفاظت و اصلاح خاک استراتژی موثری میباشد.
واژههای کلیدی: سیانوگلسنگ، شیب خط خاک، دشت سگزی.
مقدمه
پوستههای زیستی خاک مجموعهای از گلسنگها، خزهها، جلبکها، سیانوباکتریها و سایر میکروارگانیسمهای موجود در لایه چند میلیمتری سطح خاک هستند (29) که تاثیر بسزایی در اصلاح ساختمان خاک و افزایش تخلخل مفید (16و9)، افزایش پایداری خاک (30)، افزایش آب قابل دسترس برای گیاهان آوندی (6)، کنترل سیلاب (23) و افزایش چسبندگی خاک (26) و کنترل فرسایش بادی (5،4،30) دارند. بعبارتی حضور پوستههای زیستی بعنوان شاخص سلامت اکوسیستم تلقی میشود. این موضوع به خصوص در مناطق خشک و نیمهخشک که با محدودیتهای زیادی از قبیل کمبود منابع غذایی، رطوبت و اشعه فرابنفش و شوری خاک روبروست، از اهمیت ویژهای برخوردار است (3). شناسایی نقاط پراکنش پوستههای زیستی و همچنین شناسایی گونههای بومی و سازگار در مناطق خشک و بیابانی به منظور گسترش آنها در سطح منطقه و احیای خاک از دست رفته نقش موثری دارد. میتوان مکان پراکنش پوستههای زیستی در سطح خاک منطقه مطالعاتی،را بر اساس خصوصیات انعکاس طیفی از سطوح آنها تعیین نمود (26،29). همچنین برخی محققان بر اساس شاخصهای مختلف پوشش گیاهی از جمله شاخص نرمال شده تفاوت پوشش گیاهی (NDVI: Normalized Difference Vegetation Index) (24)، شاخص پیشرفته گیاهی (EVI: Enhanced Vegetation Index) (11)، یا شاخص آبی (WI: Water Index) (21)، بیومس و تولید اولیه (20) و شاخص سطح برگ (10) نقشههای پراکنش پوستههای زیستی تهیه نمودهاند. البته بر اساس مطالعات انجام شده پوستههای زیستی در دو ناحیه اصلی جذب طیفی 516 و 679 نانومتر که مربوط به ناحیه جذبی کلروفیل و کاروتنوییدها میباشد، قابل تشخیص هستند (28) و خصوصیات فنولوژیکی پوستههای زیستی در طول موج 5/0 تا 5/2 میکرومتر از طیف مادون قرمز نزدیک مشخص میشود (13). مناسبترین روش برای تعیین نقاط پراکنش پوستههای زیستی، استفاده از اختلاف انعکاسهای طیفی از پوشش گیاهی و سطح خاک لخت است (7، 13، 18). همانطور که شاخص پوسته خاک (CI: Crust Index) توسط کارنیلی و همکاران (13) و همچنین شاخص پوستههای زیستی خاک (BSCI: Biological Soil Crust Index) توسط چن و همکاران (7) با استفاده از انعکاس طیفی تصاویر ماهواره لندست ETM+ برای تعیین نقاط پوشیده شده از پوستههای زیستی در ماسهزارهای بیابانی بکار گرفته شده است. شاخص CI نشاندهنده مناطق تجمع فیکوبیلینها در پیکره سیانوباکتریهاست و در ناحیه باند آبی نمایان میشوند و شاخص BSCI با محاسبه اختلاف انعکاس باند قرمز و سیز تعیین کننده نقاط پراکنش گلسنکهاست. بکارگیری این شاخصها در مناطق بیابانی که ترکیب متنوعی از خاک لخت، ماسهزارها، ریگزارها و پوشش گیاهی تنک میباشد به خوبی نمایانگر پراکنش پوستههای زیستی است (28،29). برخی از محققان روشهایی برای کالیبراسیون الگوریتمهای مورد استفاده برای فرمول شاخصهای BSCI و CI پیشنهاد نمودهاند که شیب خط خاک از جملهآنهاست (2) و بر اساس اختلاف انعکاس طیفی از سطح پوشش گیاهی و سطح خاک لخت محاسبه میشود.
این تحقیق با هدف تعیین نقاط پراکنش پوستههای زیستی خاک با غالبیت گلسنگ، در بخشی از بیابان دشت سگزی اصفهان که از نقاط بحرانی کشور بوده و روند بیابانزایی در آن رو به گسترش میباشد، انجام یافته است تا در مراحل بعد، با تهیه نقشه پراکنش پوستههای زیستی و شناسایی گونههای موجود راهکاری برای کنترل روند بیابانزایی ارائه شود.
روش تحقیق
منطقه مورد مطالعه
محدوده مورد مطالعه بخشی از بیابان سجزی (بیابانهای مرکزی ایران) است که در استان اصفهان از کشور ایران واقع شده است. محدوده مورد مطالعه با مساحت 5/199 هکتار بین طولهای شرقی "32'52°51 تا "41'27°52 و عرضهای شمالی "31'33°32 تا "01'55°32 گسترده شده است (شکل 1). شیبمتوسط دشت سگزی 08/1 درصد و ارتفاع متوسط آن 1680 متر است. بر اساس آمار ایستگاه هواشناسی شرق اصفهان (ایستگاه شهید بهشتی) متوسط بارش سالیانه منطقه 106 میلیمتر است. بر اساس طبقهبندی اقلیمی دومارتن، اقلیم منطقه از نوع خشک و براساس طبقهبندی آمبرژه از نوع خشک سرد است. تیپ رویشی غالب منطقه Artemisia siberi-Noea mucronata-Scariola orientalis و Salsola tomentosa-Artemisia siberi و Alhagi persarum-tamarix sp-Anabasis haussknechtii است (14).
شکل1- موقعیت منطقه مطالعاتی در ایران و استان اصفهان به همراه نقاط نمونه برداری
Fig 1-Location of case study in Iran and Isfahan province with sampling pionts
محاسبه شیب خط خاک
شاخص BSCI شاخصی ترکیبی از روابط مورد استفاده برای برآورد پوشش گیاهی و سطح خاک لخت است و رابطه ریاضی آن شیب خط خاک لحاظ شده است. برای محاسبه خط خاک در یک منطقه، نخست باید پیکسلهایی که دارای خاک لخت بوده و هیچ پوشش گیاهی ندارند جدا شوند. سپس ارزش پیکسلهای جدا شده در باند قرمز و مادون قرمز استخراج و معادله رگرسیونی بین ارزش پیکسلها در این دو باند محاسبه میشود. ضرایب معادله رگرسیون بیانکننده ضرایب خط خاک و شیب خط ترسیمی همان شیب خط خاک است. به منظور محاسبه معادله خط خاک، در چهار فصل سال تصاویر ماهواره Landsat OLI 8 مربوط به سال 1397ز سایت سازمان زمین شناسی آمریکا دانلود شده و تعداد 20 الی 30 پیکسل خالص خاک لخت استخراج و با ترسیم مقادیر بازتاب این پیکسلها در محدوده باند قرمز و مادون قرمز نزدیک ضرایب خط خاک برای هر یک از فصلهای سال در دشت سگزی محاسبه شد.
تهیه نقشه پراکنش پوستههای زیستی
برای استخراج پراکنش پوستههای زیستی در سطح خاک بیابان سگزی از شاخص BSCI (Biological Soil Crust Index) استفاده شده است. شاخص BSCI از اختلاف باندهای قرمز و سبز و انعکاس طیفی باند مادون قرمز نزدیک (باند 5-NIR) و نور مرئی (باند 3-سبز، باند 4-قرمز و باند 2- آبی) بدست میآید. بر اساس این شاخص، شناسایی پوستههای زیستی با غالبیت گلسنگ، با استفاده از انعکاس طیفی حداقل VIS-NIR و شیب بین باند قرمز و سبز در مقایسه با خاک لخت و پوشش گیاهی خشک صورت میگیرد (23). رابطه ریاضی آن به صورت ذیل (فرمول 1) در نرم افزار EVVI 5.1 اجرا شده و نقاط پراکنش پوستههای زیستی تعیین شدند (شکل 1).
[1] BSCI=
در این فرمول BSCI: شاخص پوستههای زیستی با غالبیت گلسنگ، LX: شیب خط خاک، Rred: میانگین انعکاس طیفی از باند قرمز، Rgreen: میانگین انعکاس طیفی از باند سبز و RgreenredNIR: میانگین انعکاس طیفی از هر سه باند سبز، قرمز و مادون قرمز نزدیک است.
بدین ترتیب تقشه پراکنش پوستههای زیستی با غالبیت گلسنک در چهار فصل از سال 1397 در دشت سگزی تهیه شدند.
بازدید میدانی و اعتبارسنجی نقشه پراکنش پوستههای زیستی
پس از تهیه نقشه پراکنش پوستههای زیستی در هر یک از فصول سال از منطقه مطالعاتی بازدید به عمل آمده و مناطق بدون پوستههای زیستی و دارای پوستههای زیستی طبق نقشه تهیه شده بر اساس شاخص BSCI به روش تصادفی طبقهبندی شده (Stratified Random Sampling) برداشت شدند. سپس نقشه تهیه شده براساس نقاط زمینی اعتبارسنجی شده و میزان صحت کل و شاخص کاپا در هر چهار فصل محاسبه شدند.
شناسایی گونههای گلسنگ
نمونههای جمعآوری شده طی دو سال متوالی (2019-2018) شمارهگذاری شده و در پاکتهای کاغذی قرار داده شدند. شناسایی نمونههای گلسنگ بر اساس خصوصیات مرفولوژیکی آنها و با استفاده از استریومیکروسکوپ، میکروسکوپ معمولی و معرفهای رنگی متداول از قبیل هیدروکسید پتاسیم (KOH) انجام یافته است. نمونههای جمعآوری شده در موزه گلسنگشناسی در سازمان پژوهشهای علمی و صنعتی ایران نگهداری میشوند.
تجریه و تحلیل پروفیل طیفی حاصل از شاخص BSCI
پس از اعمال شاخص BSCI بر روی تصویر ماهواره لندست 8، با استفاده از نرمافزار ENVI5.1 پروفیل طیفی مربوط به 4 نقطه از دشت سگزی در چهار فصل از سال تهیه شد و میزان بازتابش طیفی در چهار فصل از سال در نقاط مخلف بررسی شدند.
نتایج
نقشه پراکنش پوستههای زیستی
بر اساس فرمول شاخص BSCI شیب خط خاک در چهار فصل محاسبه شد. همانطور که در شکل 2 نشان داده شده است شیب خط خاک در فصل بارش که همزمان با رشد گیاهان علفی و یکساله است در مقایسه با فصل تابستان که حداقل میزان بارش را داشته و همچنین گیاهان یکساله خشک شده و از بین رفتهاند، کمتر است. در اردیبهشت ماه شیب خط خاک حداقل بوده (39/.0) و در اواخر تابستان حداکثر مقدار خود را دارد (78/0). در حقیقت شیب خط خاک از اسفتد ماه تا اردیبهشت رو به کاهش نهاده و سپس با از بین رقتن پوشش گیاهی یکساله و افزایش سطح خاک لخت بیشتر شده است.
|
|
|
|
شکل 2- منحنی شیب خط خاک تهیه شده از تصاویر ماهواره لندست OLI 8 در چهار فصل از سال
Fig2-Soil line index provided using Landsat OLI 8 for all seasons in a year
نقشه پراکنش پراکنش پوستههای زیستی در هر چهار فصل از سال طی بازدید میدانی اعتبار سنجی شده و میزان صحت و شاخص کاپا در هر یک از آنها محاسبه شدند. طی بازدید میدانی معلوم شد برخی از نقاط در نقشه تهیه شده بر اساس شاخص BSCI اراضی کشاورزی هستند که در نهرها و جویهای آبیاری انها جلبکهای سبز پراکنده شدهاند. همچنین مردابهایی در پهنه دشت سگزی به مخزنی از جلبکهای سبز تبدیل شده بودند نیز ایجاد خطا نموده و دقت و صحت نقشه تهیه شده را کاهش دادند(شکل 3).
شکل 3-نقاظ برداشت زمینی در عرصه مطالعاتی -A: ایستگاه منابع طبیعی دشت سگزی، B: فشارک، C: ورتون، D: زفره، E: فساران، F: مرداب اطراف روستای علی آباد
Fig3-Sampling points in the field-A: Natural resources station, B: Fesharak, C: Vartoon, D:Zefreh, E: Fesaran, F: Aliabad village
البته در بسیاری از نقاط برداشت شده پوشش پوستههای زیستی مورد تایید قرار گرفت و بیشترین میزان صحت نقشه مربوط به نقشه تولید شده از تصویر لندست 8 مربوط به فصل تابستان با میزان صحت کل 94 درصد و شاخص کاپا برابر با 7412/0 بود (جدول 1). همانطور که در جدول 1 آمده است در نقاط فاقد پوستههای زیستی همه نقاط برداشت شده کاملا صحیح بودند لیکن در نقاط دارای پوستههای زیستی با توجه به نوع پوستههای زیستی، برخی نقاط برداشت شده نقاط با پراکنش گلسنگ نبودند.
جدول 1-نتایج اعتبارسنجی نقشههای تولید شده بر اساس روش آماری Stratified random sampling
Table 1-The results of stratified random sampling method used in order to validate produced maps
فصل Season | Class Name نام طبقه | Characteristics مشخصات | Producers Accuracy دقت مولد نقشه | Users Accuracy دقت کاربر |
Spring بهار | کلاس1-Class 1 | Without Biocrust-بدون پوستههای زیستی | 100% | 100% |
کلاس 2 Class 2- | Biocrust Covered-با پوشش پوستههای زیستی | 94/81% | 42/73% | |
79%= Overall Classification Accuracy -دقت کل طبقات | ||||
7412/0= Overall Kappa Statistics -شاخص کاپای کل | ||||
Summer تابستان | کلاس1-Class 1 | Without Biocrust-بدون پوستههای زیستی | 100% | 100% |
کلاس 2 Class 2- | Biocrust Covered-با پوشش پوستههای زیستی | 65/95% | 88% | |
94%=Overall Classification Accuracy -دقت کل طبقات | ||||
9312/0= Overall Kappa Statistics -شاخص کاپای کل | ||||
Fall پاییز | کلاس1-Class 1 | Without Biocrust-بدون پوستههای زیستی | 100% | 100% |
کلاس 2 Class 2- | Biocrust Covered-با پوشش پوستههای زیستی | 48/86% | 91/81 | |
84%= Overall Classification Accuracy -دقت کل طبقات | ||||
8217/0= Overall Kappa Statistics -شاخص کاپای کل | ||||
Winter زمستان | کلاس1-Class 1 | Without Biocrust-بدون پوستههای زیستی | 100% | 100% |
کلاس 2 Class 2- | Biocrust Covered-با پوشش پوستههای زیستی | 36/87% | 11/77% | |
85%= Overall Classification Accuracy -دقت کل طبقات | ||||
8137/0= Overall Kappa Statistics -شاخص کاپای کل | ||||
در نهایت نقشه مر بوط به تابستان بعنوان نقشه نهایی پراکنش پوستههای زیستی در دشت سگزی انتخاب گردید (شکل 4).
شکل 4- نقشه پراکنش پوستههای زیستی در دشت سگزی
Fig4-The maps of distribution of Biological soil crust in Sejzi plain
گونههای گلسنگ دشت سگزی
پس از جمعآوری گونههای گلسنگهای خاکزی از دشت سگزی بر اساس خصوصیات مرفولوژی آنها تعداد 32 گونه شناسایی شدند (جدول 2). برخی از گونهها که بیشترین فراوانی در عرصه مطالعاتی داشتند در شکل 5 نشان داده شدهاند. اغلب گونههای گلسنگی از دسته سیانوگلسنگها و کلروگلسنگها بودند. از مهمترین گونههای سیانوگلسنگ میتوان به Collema tenax, Collema cocophorum, Peccania torricola و از گونههای کلروگلسنگ نیز Candelariella sp اشاره نمود.
شکل5-برخی از گونههای گلسنگ شناسایی شده در دشت سگزی –A: Circinaria mansouri، B: Caloplaca raesaenenii، C: Candelariella sp، D: Collema tenax، E: Peccania terricola، F: Placidium squamulosum
Fig 5-Some of indentified lichen species in Sejzi plain- A: Circinaria mansouri، B: Caloplaca raesaenenii، C: Candelariella sp، D: Collema tenax، E: Peccania terricola، F: Placidium squamulosum
جدول2-لیست اسامی گلسنگهای خاکزی شناسایی شده در دشت سگزی
Table2- The list of teresterial identified lichensin Sejzi plain
Num-ردیف | کد آزمایشگاه-Code | طول جغرافیایی-X LL | عرض جغرافیایی-YLL | نام گلسنگ-Lichen |
|---|---|---|---|---|
1 | 562 | 522019 | 5/325418 | Moss, Algae |
2 | 563 | 1/52943 | 8/32555 | Moss, Algae Collema coccophorum |
3 | 564 | 8/52183 | 4/325243 | Moss, Algae Collema coccophorum |
4 | 565 | 6/52943 | 4/32555 | Peccania arizonica |
5 | 566 | 1/521853 | 8/325344 | Moss |
6 | 567 | 3/521915 | 8/325231 | Moss, Collema coccophorum |
7 | 568 | 7/522019 | 9/325417 | Moss |
8 | 569 | 3/52118 | 7/32558 | Collema tenax, Moss |
9 | 570 | 7/521853 | 2/325342 | Collema tenax, Endocarpon pocilum, Candelariella sp, Moss |
10 | 571 | 9/521641 | 8/325481 | Candelariella sp, Caloplaca roselans, Megaspora rimisorediata, Caloplaca raesaenenii, Moss |
11 | 572 | 1/52943 | 9/32555 | Endocarpon pocilum |
12 | 573 | 5/52118 | 1/32558 | Collema coccophorum, Circinaria mansourii, Placidium squamulosum, Moss |
13 | 574 | 6/521914 | 1/325229 | Collema tenax, Collema coccophorum, Placidium squamulosum |
14 | 575 | 3/521643 | 8/325421 | Peccania terricola, Collema tenax, Collema coccophorum |
15 | 576 | 8/521947 | 6/32544 | Moss, Collema coccophorum |
16 | 577 | 522019 | 4/325418 | Moss, Collema coccophorum |
17 | 578 | 5/521947 | 2/32545 | Moss, Collema coccophorum, Collema tenax |
18 | 579 | 4/52194 | 1/32545 | Collema coccophorum, Peccania terricola |
19 | 580 | 5/521853 | 1/325341 | Candelariella sp |
20 | 581 | 2/521642 | 7/325451 | Circinaria mansourii, Circinaria elmorei, Collema tenax, Candelariella sp |
انعکاس طیفی در فصول مختلف سال
پس از اعمال رابطه ریاضی شاخص BSCI و استخراج الگوی توزیع پوستههای زیستی با غالبیت گلسنگ در محدوده مورد مطالعه پروفیل طیفی در تصویر پردازش شده در چهار فصل از سال تهیه شد. در حوالی روستای زفره و فشارک پراکنش گلسنگهای خاکزی غالبیت بیشتری داشت. در سایر نقاط دشت سگزی از جمله اراضی کشاورزی نیز شاخص BSCI پراکنش پوستههای زیستی را نمایان کرد که طی بازدیدهای میدانی این نقاط بعنوان نقاط خطای پردازش کنار گذاشته شدند.
در شکل 6 مشاهده میشود که پروفیل طیفی مربوط به زفره (شکل6-A) و فشارک (شکل6-B) که بر روی نقاط با پراکنش گلسنگها تهیه شده است بسیار نزدیک بهم بوده و همچنین پروفیل طیف مربوط به اوسط پاییز و اوایل بهار کاملا منطبق بر هم میباشد. در حالیکه در فساران (شکل 6-C) که فاقد پوشش پوستههای زیستی بود مقدار بازتابش بیشتر است و اختلافی جزیی بین نمودار بازتابش پاییز و بهار وجود داشت. هر چند مقادیر بازتابش طیفی از اراضی کشاورزی (شکل 6-D) و نقاط پراکنش پوستههای زیستی بسیار نزدیک بهم است لیکن نمودار طیفی هر چهار فصل اختلاف زیادی با یکدیگر دارند. لیکن در همه فصول از سال و در همه نقاط کمترین بازتابش در اول زمستان و بیشترین بازتابش در فصل تابستان اتفاق افتاده است.
|
|
|
|
شکل6- انعکاس طیفی شاخص BSCI در فصول مختلف سال-A: زفره، B: فشارک، C: فساران، D: روستای علیآباد
Fig 6-Spectral profile of BSCI in all seasons in a year-A: Zefreh, B: Fesharak, C: Fesaran, D: Aliabad village
بحث و نتیجهگیری
نتایج نشان داد که شاخص پوستههای زیستی (BSCI: Biological Soil Crust Index) با نقشههای قابل اطمینانی از توزیع پوستههای زیستی خاک به ویژه در مناطق خشک و نیمهخشک که موضوع فرسایش و هدررفت خاک از اهم مسایل است ارائه میدهد. زیرا در مناطق خشک با توجه به محدودیتهای موجود از قبیل تنش خشکی، تابش شدید اشعه فرابنفش، عوامل انسانی از قبیل تغییر کاربری اراضی و احداث جادهها و ... شدت فرسایش و هدررفت خاک بسیار زیاد است و مکانیابی و شناسایی پوستههای زیستی خاک برای طراحی و اجرای اقدامات لازم گامی بسیار با ارزش در جهت احیاء و اصلاح خاکهای از دست رفته میباشد (23). البته در کشور آمار و ارقام دقیقی از میزان فرسایش آبی و بادی در دست نیست. لیکن طبق برآوردهای انجام شده بر اساس مدلهای تجربی تخمینهایی از فرسایش آبی (8 و12) و بادی (1و19) اغلب در قالب پایان نامههای دانشجویی انجام گرفته است. طبق نقشه تهیه شده و بازدیدهای میدانی در بیابان سگزی 32 گونه گلسنگ خاکزی شناسایی شد که اغلب آنها از دسته سیانوگلسنکها بودند. در حقیقت بخش فتوبیونت گلسنگ یک اتوتروف بوده و مولد موکوسها از نوع ترکیبات پلیساکارید هستند که به نوبه خود در افزایش چسبندگی خاک و تشکیل خاکدانه تاثیر بسزایی داشته و تخلخل مفید خاک را افزایش میدهند (15). بنابراین جداسازی بخش فتوبیونت سیانوگسنگها، تکثیر و استقرار آنها در سطح خاک اقدامی موثر در جهت تثبیت خاک و کنترل فرسایش بادی است.
لیکن با توجه به دادههای مندرج در جدول 1 و همچنین نمودارهای طیفی در چهار فصل از سال (شکل 6) شاخص BSCI در فصل تابستان نقشه پوستههای زیستی خاک را دقیقتر ارائه نموده است. طی بازدیدهای میدانی معلوم شد صحت کل نقشه تولید شده در تابستان 94 درصد و شاخص کاپا 9312/0 میباشد که در مقایسه با سایر نقشههای تولید شده بالاترین میزان دقت و شاخص کاپا را دارد. با توجه به تفسیر طیفی و انطباق طیف استخراج شده در زفره و فشارک در پاییز و بهار میتوان گفت خطای شاخص BSCI به دلیل تداخل آن با رویش گیاهان یکساله علفی در منطقه بوده است. اقلیم دشت سگزی مدیترانهای بوده و بارش در فصل سرد سال انجام میشود همزمان با افزایش بارشها از اواسط پاییز گیاهان یکساله و خزهها در پای بوتهها شروع به رشد نموده و در اوایل زمستان به اوج خود رسیدهاند و دوباره در آغاز بهار همزمان با کاهش بارندگیها تراکم آنها کاهش یافته است. چنانچه طیف مربوط به زمستان در همه نقاط کمترین بازتابش را داشته است. در حالیکه در اواخر فصل تابستان که گیاهان یکساله و خزهها خشک شدهاند بیشترین بازتابش طیفی را داشته است. در فساران که منطقهای لم یزرع و محل دپوی زبالههاست (شکل 6-D) حداکثر میزان بازتابش را نشان داده است. بنابراین شاخص BSCI نسبت به درصد ماده آلی خطای فاحشی در تشخیص پوستههای زیستی خاک دارد و در جایی که ماده آلی بالا باشد ممکن است تشخیص درستی از پوستههای زیستی خاک ارائه ندهد. البته از آنجا که شاخص BSCI برای تشخیص ترکیبات گلوگان در بافتهای گلسنگ تعریف شده است (17و25) میزان خطا در خصوص ماده آلی به حداقل کاهش مییابد. همانطور که مشاهده شده است در نقشه نهایی در فساران پوشش پوستههای زیستی وجود ندارد و تنها در نواحی اطراف فساران در مناطق زراعی پوستههای زیستی خاک مشاهده میشوند. در مناطق زراعی با توجه به دخالت انسان و کشت و زرع میزان گیاهان یکساله متفاوت با عرصه منابع طبیعی در فصول مختلف سال است و به همین دلیل با اینکه بازتابش طیفی تقریبا نزدیک به زفره و فشارک است لیکن نمودار طیفی پاییز و زمستان کاملا از یکدیگر تفکیک شده اند.
بنابراین شباهت طیفی مهمترین پوشش سطحی خاک از جمله پوشش گیاهی، دخالت عوامل انسانی در افزایش یا کاهش ماده آلی خاک، خاک لخت و ... میزان کارایی شاخص BSCI را محدود میکند (19 و 22) و از اینرو در بازه زمانی تصاویر ماهوارهای و شرایط منطقهای تاثیر زیادی در میزان دقت شاخص BSCI دارد و طبق نتایج تحقیق بهترین و موثرترین زمان آن اواخر تابستان بوده و در عرصه منابع طبیعی بالاترین کارایی را دارد.
منابع مورد استفاده
1-Alipour, H., Hasheminasab, N., Hatefi Ardakani, A. H., Gholamnia, A. and Shahnavaz, Y., 2013. Estimation of wind erosion potential and sedimentation using IRIFR method in Miandasht Esfarayen region. Journal of Spatial Analysis of Environmental Hazards, 1(2): 77-92. (In Persian). https://jsaeh.khu.ac.ir/article-1-2455-fa.html.
2-Alonso, M., Rodríguez-Caballero, E., Chamizo, S., Escribano, P., Cantón, Y., 2014. Evaluación de los diferentes índices para cartografiar biocostras a partir de información espectral. Revista española de teledetección 42, 63–82. DOI:
3-Belnap, 2006. The potential roles of biological soil crust in dry land hydrologic cycles. Hydrology Process, 20: 3159-3178. https://onlinelibrary.wiley.com/doi/10.1002/hyp.6325
4-Belnap, J., Walker, B.J., Munson, S.M., Gill, R. A., 2014. Controls on sediment production in two U.S. deserts. Aeolian Res. 14, 15–24. https://doi.org/10.1016/j.aeolia.2014.03.007
5-Chamizo, S., Cantón, Y., Lázaro, R., Solé-Benet, A., Domingo, F., 2012a. Crust composition and disturbance drive infiltration through biological soil crusts in semiarid ecosystems. Ecosystems 15, 148–161.
6-Chamizo, S., Cantón, Y., Rodríguez-Caballero, E., Domingo, F., 2016. Biocrusts positively affect the soil water balance in semiarid ecosystems. Ecohydrology. http://dx.doi.org/10.1002/eco.1719.
7- Chen, J., Ming, Y.Z., Wang, L., Shimazaki, H., Tamura, M., 2005. A new index for mapping lichen-dominated biological soil crusts in desert areas. Remote Sens. Environ. 96, 165–175.DOI: 10.1016/j.rse.2005.02.011
8-Esmali, A., Ahmadi, H., Tahmours, M., 2015. Quantity assessment of water erosion intensity using regional model of erosion and sediment yield (Case study: Nir watershed, Ardebil). Journal of Rangeland Management, 67(3): 407-417. DOI: 10.22059/jrwm.2014.52830
9- Felde, V.J.M.N.L., Peth, S., Uteau-Puschmann, D., Drahorad, S., Felix-Henningsen, P., 2014. Soil microstructure as an under-explored feature of biological soil crust hydrological properties: case study from the NW negev desert. Biodivers.Conserv. 23, 1687–1708. DOI 10.1007/s10531-014-0693-7.
10-Gong, P., Pu, R., Biging, G. S., Larrieu,M. R., 2003. Estimation of forest leaf area index using vegetation indics derived from hyperion hyperspectral data.IEEE Transactions on Geoscience and Remote Sensing, 41(6): 1355-1362. DOI: 10.1109/TGRS.2003.812910
11-Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., Ferreira, L.G., 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1-2): 195-213. https://doi.org/10.1016/S0034-4257(02)00096-2.
12-Kashi Zenouzi, L., Ahmadi, H., Nazari Samani, A. A., 2015. Using statistical hydrogeomorphology method for estimating sediment yield of watershed (Case study: Zonouz Chay and Zilber Chay watershed). Journal of Watershed Management Research, 6(12): 166-174. http://jwmr.sanru.ac.ir/browse.php?a_id=567&sid=1&slc_lang=en.
13-Karnieli, A., 1997. Development and implementation of spectral crust index over dune sands. International Journal of Remote Sensing, 18: 1207–1220. https://doi.org/10.1080/014311697218368.
14-Khodagholi, M., Feyzi, M. T., Jaberolansar, Z., Shirani, K., Alijan, V., 2017. Plan for recognizing the ecological regions of the country, plant types of Isfahan province. 1, Research Institute of Forests and Rangelands, Iran, 290pp.
15-Li, Zh., Xiao, J., Chen, Ch., Zhao, L., Wu, Zh., Liu, L., Cai, D., 2020. Promoting desert biocrust formation using aquatic cyanobacteria with the aid of MOF-based nanocomposite. Science of The Total Environment, 708: 1-11. DOI: 10.1016/j.scitotenv.2019.134824.
16-Miralles-Mellado, I., Cantón, Y., Solé-Benet, A., 2011. Two-dimensional porosity of crusted silty soils: Indicators of soil quality in semiarid rangelands? Soil Sci. Soc. Am. J. 75, 1330–1342. https://doi.org/10.2136/sssaj2010.0283
17-Miralles,-Mellado, I., Lazaro, R., Sanchez-Maranonm, M., Soriano, M. and Ortega, R., 2020. Biocrust cover and successional stages influence soil bacterial composition and diversity in semiarid ecosystems. Science of The Total Environment, 709: 1-13. DOI: 10.1016/j.scitotenv.2019.134654.
18- Mojeddifar, S., Fereydooni, S., 2017. A directed matched filtering algorithm (MF) for discriminating hydrothermal alteration zones using the ASTER remote sensing data. International Journal of Applied Earth Observation Geoinformation, 61: 1-13. DOI: 10.1016/j.jag.2017.04.010.
19-Nazari Samani, A. A., Ehsani, A. H., Gilvari, A., Abdolshahnejad, M., 2016. Comparing the Results of RWEQ and IRIFR Models for Determining of Land Management Effects on Wind Erosion. Desert Management, 6:39-53. http://www.jdmal.ir/article_21671.html?lang=en.
20-Paruleu, J. M., Pineiro, G., Oyonarte, C., Alcaraz, D., Caballero, J., Escribano, P., 2005. Temporal and spatial patterns of ecosystem functioning in protected arid areas in southestern Spain. Applied Vegetation Science, 8: 93-102. https://doi.org/10.1111/j.1654-109X.2005.tb00633.x.
21-Penuelas, J., Pinol, J., Ogaya, R., Filella, I., 1997. Estimation of plant water concentration by the reflectance Water Index WI (R900/R970). International Journal of Remote Sensing, 18(3): 2869-2875. DOI: 10.1080/014311697217396.
22- Rodríguez-Caballero, E., Cantón, Y., Chamizo, S., Lázaro, R., Escudero, A., 2013. Soil loss and runoff in semiarid ecosystems: a complex interaction between biological soil crusts, micro-topography, and hydrological drivers. Ecosystems,16 (4), 529–546. DOI: 10.1007/s10021-012-9626-z.
23-Rodriguez-Caballero, E., Escribano, P., Olehowski, C., Chamizo, S., Hill, J., Canton, Y., Weber, B., 2017. Transferability of multi- and hyperspectral optical biocrust indices. ISPRS Journal of Photogrammetry and Remote Sensing, 126:94-107. https://doi.org/10.1016/j.isprsjprs.2017.02.007.
24-Rouse, J.W., Haas, R, H., Schell, J. A., Deering, D. W., 1973. Monitoring vegetation system in the Great Plains with ERTS. Third ERTS Symposium, 1: 309-317. https://ntrs.nasa.gov/citations/19740022614.
25-Rozenstein, O., Karnieli, A., 2014. Identification and characterization of biological soil crust in a sand dune desert environment across Israel – Egypt border using LWIR emittance spectroscopy. Journal of Arid Environments, 112: 75-86. DOI: 10.1016/j.jaridenv.2014.01.017.
26-Thomas, A. D., Dougill, A.J., 2007. Spatial and temporal distribution of cyanobacterial soil crusts in the Kalahari: implications for soil surface properties. Geomorphology 85, 17–29. https://doi.org/10.1016/j.geomorph.2006.03.029.
27-Ustin, S. L., Valko, P. G., Kefauver, S. C., Santos, M. J., Zimpfer, J. F., Smith, S. D., 2009. Remote sensing of biological soil crust under simulated climate change manipulations in the Mojave Desert. Rem. Sens. Environ. 113, 317–328. http://dx.doi.org/10.1016/j.rse.2008.09.013.
28-Weber, B., Olehowski, C., Knerr, T., Hill, J., Deutschewitz, K., Wessels, D. C. J., Eitel, B., Büdel, B., 2008. A new approach for mapping of Biological Soil Crusts in semidesert areas with hyperspectral imagery. Rem. Sens. Environ. 112, 2187–2201. DOI: 10.1016/j.rse.2007.09.014.
29-Weber, B., Hill, J., 2016. Remote sensing of biological soil crust at different scales. In:Weber et al. (Eds.), Biological Soil Crust: An Organizing Principle in Drylands, vol. 226, Ecological Studies. Springer, Berlin, pp. 215–234. https://doi.org/10.3390/rs11242942.
30-Zhao, Y., Qin, N., Weber, B., Xu, M., 2014. Response of biological soil crust to raindrops erosivity and underlying influences in the hilly losses Plateau region, China. Biodiversity Conservation, 23:1669-1686. DOI 10.1007/s10531-014-0680-z.
Spatial analysis of biological soil crust based on BSCI index
Abstract
Soil biological crusts are part of the soil ecosystem that play a very important role in improving the physical and chemical properties of the soil. Spatial distribution and identification of species in the field of natural resources, especially arid and semi-arid ecosystems is very important in remediation and restoration of lost soils. In this study, in order to determine the spatial distribution and identify the biological crusts in Segzi plain, using the BSCI index, Landsat OLI 8 satellite images were processed and a distribution map of lichen-dominated soil biological crusts was prepared in all seasons of a year. Using stratified random sampling all the prepared maps were validated by field surveying. Finally, it was found that the map prepared in summer with a kappa index of 0.9312 and a total accuracy of 94% is more in line with terrestrial reality. A total of 32 species of soil lichens were collected from Segzi plain and identified based on their morphological characteristics. Most of them were cyanolichen and their photobionite part were cyanobacteria which produce a polysaccharide moccasin that increases soil adhesion and aggregate stability. Therefore, identifying and using them is an effective strategy in order to soil protection.
Keywords: Cyanolichen, soil line index, Sejzi plain.
تحلیل توزیع مکانی پوستههای زیستی خاک بر اساس شاخص BSCI
پیشینه و هدف
پوستههای زیستی خاک مجموعهای از گلسنگها، خزهها، قارچها، سیانوباکتریها و ... هستنند که بخش از اکوسیستم خاک را تشکیل دادهاند. پوستههای زیستی خاک ماده آلی خاک را افزایش داده و سبب بهبود خصوصیات شیمیایی خاک میشوند از طرفی دیگر با تولید انواع موکوس ازجمله ترکیبات پلیساکاریدی سبب افزایش چسبندگی و مقاومت برشی خاک، تشکیل و پایداری خاکدانه شده و فرسایش آبی و بادی را کاهش میدهند. برآورد تراکم و نحوه توزیع پوستههای زیستی خاک در مناطق خشک و نیمهخشک کشور ایران که موضوع فرسایش و هدر رفت خاک از اهم مسایل است اهمیت بسزایی دارد. روشهای مبتنی بر تکنیک سنجش از دور به لحاظ هزینه و زمان کمتر روشهایی کارآمد برای دستیابی به این هدف مهم میباشند. به دلیل تفاوت در بافتها و نوع ترکیبات شیمیایی آنها استفاده از شاخصهای پوشش گیاهی برای تشخیص پراکنش پوستههای زیستی مناسب نمیباشد و خطای زیادی در تشخیص نواحی پراکنش ایجاد میکند. برخی روابط ریاضی با ترکیبی از روابط مبتنی بر پوشش گیاهی و خاک لخت ابداع شده و در تولید نقشههای پوستههای زیستی خاک مورد استفاده قرار گرفتهاند. دشت سگزی یکی از نقاط بحرانی فرسایش بادی در ایران میباشد و شناسایی و تعیین نحوه توزیع پوستههای زیستی خاک بعنوان عامل اصلاح کننده خاک گامی موثر در کاهش فرسایش بادی منطقه است. در این تحقیق شاخص BSCI (Biological Soil Crust) برای تهیه نقشه پراکنش پوستههای زیستی خاک با غالبیت گلسنگ به کار گرفته شده است.
مواد و روشها
محدوده مورد مطالعه بخشی از بیابان سجزی (بیابانهای مرکزی ایران) است که در استان اصفهان از کشور ایران واقع شده است. محدوده مورد مطالعه با مساحت 5/199 هکتار بین طولهای شرقی "32'52°51 تا "41'27°52 و عرضهای شمالی "31'33°32 تا "01'55°32 گسترده شده است. شیبمتوسط دشت سگزی 08/1 درصد و ارتفاع متوسط آن 1680 متر است. بر اساس آمار ایستگاه هواشناسی شرق اصفهان (ایستگاه شهید بهشتی) متوسط بارش سالیانه منطقه 106 میلیمتر است. بر اساس طبقهبندی اقلیمی دومارتن، اقلیم منطقه از نوع خشک و براساس طبقهبندی آمبرژه از نوع خشک سرد است. شاخص BSCI شاخصی ترکیبی از روابط مورد استفاده برای برآورد پوشش گیاهی و سطح خاک لخت است و رابطه ریاضی آن شیب خط خاک لحاظ شده است. برای محاسبه خط خاک در یک منطقه، نخست باید پیکسلهایی که دارای خاک لخت بوده و هیچ پوشش گیاهی ندارند جدا شوند. به منظور محاسبه معادله خط خاک، در چهار فصل سال تصاویر ماهواره Landsat OLI 8 مربوط به سال 1397ز سایت سازمان زمین شناسی آمریکا دانلود شده و تعداد 20 الی 30 پیکسل خالص خاک لخت استخراج و با ترسیم مقادیر بازتاب این پیکسلها در محدوده باند قرمز و مادون قرمز نزدیک ضرایب خط خاک برای هر یک از فصلهای سال در دشت سگزی محاسبه شد. بر اساس این شاخص، شناسایی پوستههای زیستی با غالبیت گلسنگ، با استفاده از انعکاس طیفی حداقل VIS-NIR و شیب بین باند قرمز و سبز در مقایسه با خاک لخت و پوشش گیاهی خشک صورت میگیرد. با استفاده از نرم افزاز ENVI5.1 تقشه پراکنش پوستههای زیستی با غالبیت گلسنک در چهار فصل از سال 1397 در دشت سگزی تهیه شدند. سپس نقشههای تهیه شده براساس نقاط زمینی اعتبارسنجی شده و میزان صحت کل و شاخص کاپا در هر چهار فصل محاسبه شدند. نمونههای گلسنگ جمعآوری شده بر اساس خصوصیات مرفولوژیکی آنها و با استفاده از استریومیکروسکوپ، میکروسکوپ معمولی و معرفهای رنگی متداول از قبیل هیدروکسید پتاسیم (KOH) شناسایی شدند.
پس از اعمال شاخص BSCI بر روی تصویر ماهواره لندست 8، با استفاده از نرمافزار ENVI5.1 پروفیل طیفی مربوط به 4 نقطه از دشت سگزی در چهار فصل از سال تهیه شد و میزان بازتابش طیفی در چهار فصل از سال در نقاط مخلف بررسی شدند.
نتایج و بحث
شیب خط خاک در فصل بارش که همزمان با رشد گیاهان علفی و یکساله است در مقایسه با فصل تابستان که حداقل میزان بارش را داشته و همچنین گیاهان یکساله خشک شده و از بین رفتهاند، کمتر است. در اردیبهشت ماه شیب خط خاک حداقل بوده (39/.0) و در اواخر تابستان حداکثر مقدار خود را دارد (78/0). در حقیقت شیب خط خاک از اسفتد ماه تا اردیبهشت رو به کاهش نهاده و سپس با از بین رقتن پوشش گیاهی یکساله و افزایش سطح خاک لخت بیشتر شده است. نقشههای پراکنش پوستههای زیستی در هر چهار فصل سال طی بازدیدهای میدانی اعتبار سنجی شدند و سال معلوم شد که بیشترین میزان صحت نقشه مربوط به نقشه تولید شده از تصویر لندست 8 مربوط به فصل تابستان با میزان صحت کل 94 درصد و شاخص کاپا برابر با 7412/0 بوده است. تفسیر پروفیل طیفی شاخص BSCI نشان دادن که بازتابش طیف مربوط به زفره و فشارک که بر روی نقاط با پراکنش گلسنگها تهیه شده است بسیار نزدیک بهم بوده و همچنین پروفیل طیف مربوط به اوسط پاییز و اوایل بهار کاملا منطبق بر هم میباشد. در حالیکه در فساران که فاقد پوشش پوستههای زیستی بود مقدار بازتابش بیشتر است و اختلافی جزیی بین نمودار بازتابش پاییز و بهار وجود داشت. هر چند مقادیر بازتابش طیفی از اراضی کشاورزی و نقاط پراکنش پوستههای زیستی بسیار نزدیک بهم است لیکن نمودار طیفی هر چهار فصل اختلاف زیادی با یکدیگر دارند. لیکن در همه فصول از سال و در همه نقاط کمترین بازتابش در اول زمستان و بیشترین بازتابش در فصل تابستان اتفاق افتاده است.
اقلیم دشت سگزی مدیترانه ای بوده و بارش در فصل سرد سال انجام می شود همزمان با افزایش بارش ها از اواسط پاییز گیاهان یکساله و خزهها در پای بوتهها شروع به رشد نموده و در اوایل زمستان به اوج خود رسیده اند و دوباره در آغاز بهار همزمان با کاهش بارندگیها رو تراکم آنها کاهش یافته است. چنانچه طیف مربوط به زمستان در همه نقاط کمترین بازتابش را داشته است. در حالیکه در اواخر فصل تابستان که گیاهان یکساله و خزهها خشک شدهاند بیشترین بازتابش طیفی را داشته است. در فساران که منطقهای لم یزرع و محل دپوی زبالههاست، حداکثر میزان بازتابش را نشان داده است. بنابراین شاخص BSCI نسبت به درصد ماده آلی خطای فاحشی در تشخیص پوستههای زیستی خاک دارد و در جایی که ماده آلی بالا باشد ممکن است تشخیص درستی از پوستههای زیستی خاک ارائه ندهد. البته از آنجا که شاخص BSCI برای تشخیص ترکیبات گلوگان در بافتهای گلسنگ تعریف شده است. میزان خطای در خصوص ماده آلی به حداقل کاهش مییابد. همانطور که مشاهده شده است در نقشه نهایی در فساران پوشش پوستههای زیستی وجود ندارد و تنها در نواحی اطراف فساران در مناطق زراعی پوستههای زیستی خاک مشاهده میشوند. در مناطق زراعی با توجه به دخالت انسان و کشت و زرع میزان گیاهان یکساله متفاوت با عرصه منابع طبیعی در فصول مختلف سال است و به همین دلیل با اینکه بازتابش طیفی تقریبا نزدیک به زفره و فشارک است لیکن نمودار طیفی پاییز و زمستان کاملا از یکدیگر تفکیک شده اند.
نتیجه گیری
شباهت طیفی مهمترین پوشش سطحی خاک از جمله پوشش گیاهی، دخالت عوامل انسانی در افزایش یا کاهش ماده آلی خاک، خاک لخت و ... میزان کارایی شاخص BSCI را محدود میکند و از اینرو در بازه زمانی تصاویر ماهوارهای و شرایط منطقهای تاثیر زیادی در میزان دقت شاخص BSCI دارد و طبق نتایج تحقیق بهترین و موثرترین زمان آن اواخر تابستان بوده و در عرصه منابع طبیعی بالاترین کارایی را دارد.
Spatial analysis of biological soil crust based on BSCI index
Background and objective
Biological soil crusts are a collection of lichens, mosses, fungi, cyanobacteria, etc. that are part of the soil ecosystem. Soil biological crusts increase soil organic matter and improve soil chemical properties. On the other hand, by producing various types of mucus, including polysaccharide compounds, they increase soil adhesion and shear strength, aggregate formation and stability, and reduce water and wind erosion. Estimation of density and distribution of biological soil crusts in arid and semi-arid regions of Iran, which is the subject of soil erosion and wastage is very important. Methods based on remote sensing techniques are important in terms of cost and time less efficient methods to achieve this goal. Due to the differences in tissues and the type of their chemical composition, the use of vegetation indices to detect the distribution of biological soil crust is not appropriate and causes a lot of errors in identifying areas of distribution. Some mathematical relations have been developed with a combination of vegetation-bare soil relations and have been used in the production of biological soil crust maps. Segzi plain is one of the critical points of wind erosion in Iran and identifying and determining the distribution of biological soil crusts as a soil modifier is an effective step in reducing wind erosion in the region. In this research, BSCI (Biological Soil Crust) index has been used to prepare the distribution map of lichen-dominated biological soil crusts.
Methods and materials
The study area is part of the Sajzi Desert (Central Deserts of Iran) which is located in Isfahan province of Iran. The study area with an area of 199.5 hectares is spread between the eastern lengths of 515232 to 522741 and the northern widths of 323331to" 325501The average slope of Segzi plain is 1.08 percent and its average height is 1680 meters. According to the statistics of East Isfahan Meteorological Station (Shahid Beheshti Station), the average annual rainfall in the region is 106 mm. According to the Dumarten climatic classification, the climate of the region is dry and according to the Amberge classification it is cold. The BSCI index is a combination of the relationships used to estimate vegetation and bare soil surface, and its mathematical relationship is the slope of the soil line. To calculate the soil line in an area, one must first separate the pixels that have bare soil and no vegetation. In order to calculate the soil line equation, in four seasons of a year, images of Landsat OLI 8 satellite related to 1397 were downloaded from the site of the US Geological Survey and 20 to 30 pixels of pure bare soil were extracted by drawing the reflection values of these pixels in the red and infrared band. Red near soil line coefficients were calculated for each season in the Segzi Plain. Based on BSCI index, lichen-dominated biological soil crust are identified using at least VIS-NIR spectral reflection and the slope between the red and green bands compared to bare soil and dry vegetation. Using ENVI5.1 software, the distribution shells of biological shells with lichen dominance were prepared in four seasons since 2018 in Segzi plain. Then, the prepared maps were validated based on land points and the total accuracy and kappa index were calculated in all four seasons. The collected lichen samples were identified based on their morphological characteristics and using a stereomicroscope, conventional microscope and common color reagents such as potassium hydroxide (KOH).
After applying the BSCI index on the Landsat OLI 8 satellite image, using ENVI5.1 software, spectral profiles related to 4 points of Segzi plain in four seasons of the year were prepared and the spectral reflection in four seasons of the year in different points were examined.
Result and discussion
The slope of the soil line is lower in the rainy season, which coincides with the growth of herbaceous and annual plants, compared to the summer season, which has the least amount of rainfall, and the annual plants have dried up and become extinct. In May, the slope of the soil line was minimal (0.39) and in late summer it has its maximum value (0.78). In fact, the slope of the soil line has decreased from mid-August to May, and then has increased with the loss of annual vegetation and the increase of bare soil surface. The distribution maps of bio-shells in all four seasons of the year were validated during field visits and the year it was found that the highest accuracy of the map related to the map produced from Landsat 8 image is related to summer with 94% total accuracy and Kappa index equal to 0.7412. Interpretation of the spectral profiles of the BSCI index shows that the reflections of the spectra related to the zephyr and strain prepared on the lichen dispersion points are very close to each other and also the spectral profiles of the mid-autumn and early spring are quite consistent. Whereas in the faults, which did not cover the biological crust, the amount of reflection was higher and there was a slight difference between the reflection diagrams of autumn and spring. Although the reflectance values of a range of agricultural lands and the distribution points of biological crusts are very close to each other, the spectral diagrams of all four seasons are very different from each other. But in all seasons of the year and in all places, the least reflection has occurred in the beginning of winter and the most reflection has occurred in summer.
The climate of Segzi plain is Mediterranean and precipitation occurs in the cold season of the year. Simultaneously with the increase of precipitation from the middle of autumn, annual plants and mosses at the base of shrubs begin to grow and reach their peak in early winter and again at the beginning of spring. Decreases in rainfall have reduced their density. If the winter spectrum has the least reflection in all places. While in late summer, when the annuals and mosses have dried up, it has had the greatest spectral reflection. In Fasaran, which is a barren area and a landfill, it has shown its maximum reflection. Therefore, the BSCI index relative to the percentage of organic matter has a significant error in the detection of biological soil crust and where the organic matter is high may not provide accurate diagnosis of soil bioshells. Of course, since the BSCI index is defined for the detection of throat compounds in lichen tissues. The error rate for organic matter is reduced to a minimum. As it has been observed in the final map, there is no cover of biological soil crusts in Fasaran and only soil biological crusts are observed in the areas around Fasaran in the agricultural areas. In agricultural areas, due to human intervention and cultivation, the amount of annual plants is different from the field of natural resources in different seasons of a year have became.
Conclusion
Spectral similarity of the most important soil surface, including vegetation, the involvement of human factors in increasing or decreasing soil organic matter, bare soil, etc. limits the efficiency of the BSCI index and therefore in the time period of satellite images and regional conditions have a great impact on It has the accuracy of BSCI index and according to the research results, its best and most effective time is late summer and it has the highest efficiency in the field.