تهیة نقشه شوری خاک با استفاده از تحلیل طیفی داده‌های سنجنده OLI و داده های میدانی (مطالعة موردی: جنوب دشت ملایر)

محورهای موضوعی : توسعه سیستم های مکانی

داود اخضری ¹ , احمد اسدی می آبادی ²

1 - استادیار دانشکده منابع طبیعی و محیط زیست، دانشگاه ملایر
2 - دانشجوی کارشناسی ارشد مرتعداری، دانشگاه ملایر

تاریخ دریافت : 1394/03/31 تاریخ پذیرش : 1394/12/20 تاریخ انتشار : 1395/06/01

کلید واژه: شاخص‌های شوری, رگرسیون فضایی, درون‌یابی, سنجنده OLI, دشت ملایر,

چکیده مقاله :

شوری یکی از عوامل مهم محدودیت کاربری اراضی در مناطق خشک و نیمه‌خشک است که می‌تواند با تغییر نوع تاج پوشش و زیست‌توده گیاهی، باعث کاهش تولیدات منابع طبیعی شود. در این پژوهش برای انتخاب بهترین شاخص ماهواره‌ای شوری از تصاویر ماهواره‌ای لندست (سال 2014) استفاده شد. نمونه‌برداری از عرصه در شهریورماه سال 1393 انجام شد. به این منظور ابتدا با استفاده از 77 نقطه اندازه‌گیری، نقشه‌های پراکنش سدیم، منیزیم، پتاسیم، کلسیم، هدایت الکتریکی و اسیدیته به روش درون‌یابی کریجینگ در نرم‌افزار ArcGIS®9.3 تهیه گردید. سپس با استفاده از روش رگرسیون فضایی، همبستگی بین نقشه‌های تولید شده با 10 شاخص به دست آمده از تصاویر ماهواره‌ای لندست مورد بررسی قرار گرفت. همچنین نقشه‌های پراکنش سدیم، پتاسیم، منیزیم، کلسیم، هدایت الکتریکی، اسیدتیه، شوری و قلیائیت تهیه و مدل‌های رگرسیونی مناسب ارائه گردید. نتایج نشان می‌دهد که برای آشکارسازی پراکنش هدایت الکتریکی و سدیم، با توجه به ضریب همبستگی شاخص‌های شوری و شاخص شوری ملایر مناسب است. همچنین جهت آشکارسازی پراکنش منیزیم، کلسیم و پتاسیم در منطقه مورد مطالعه به دلیل بالا بودن ضریب همبستگی به میزان 88/0 می‌توان از شاخص شوری استاندارد شده استفاده کرد. نتایج نشان می‌دهد که به دلیل معنادار نبودن رگرسیون فضایی مربوط به مطالعه قلیائیت خاک، امکان استفاده از این معادله‌ها وجود ندارد. همچنین نتایج نشان می‌دهد که به طور کلی برای بررسی عناصر اندازه‌گیری شده، می‌توان از شاخص شوری استاندارد شده استفاده کرد. با توجه به رابطه رگرسیونی بین شاخص‌های استخراج شده و نقشه‌های تهیه شده در مطالعات میدانی، مدل‌های بهینه برای تهیه نقشه‌های شوری منطقه مورد مطالعه، تعیین و کالیبره شدند. بر اساس اطلاعات ماهواره‌ای مدل‌های به دست آمده در این مطالعه برآورد مناسبی از عناصر مورد مطالعه داشتتند زیرا ضریب همبستگی آن‌ها قابل قبول است. با تکمیل، گسترش و بسط یافته‌های این تحقیق می‌توان به پهنه‌بندی اراضی با استفاده از تصاویر ماهواره‌ای و بدون نیاز به نمونه‌برداری پرداخت. این فن ضمن فراهم آوردن دقت بیشتر می‌تواند هزینه‌های نمونه‌برداری را نیز به حداقل برساند.

چکیده انگلیسی:

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.

منابع و مأخذ:

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.