پهنه‌بندی شوری خاک با استفاده از شاخص‌های طیفی و داده‌های ماهواره‌ای لندست در مناطق خشک

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

2 عضو هیئت علمی، مرکز تحقیقات کشاورزی و منابع طبیعی کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمان، ایران

3 عضو هیئت علمی، مرکز تحقیقات کشاورزی و منابع طبیعی هرمزگان، سازمان تحقیقات، آموزش و ترویج کشاورزی، بندرعباس، ایران

4 عضو هیئت علمی، مرکز تحقیقات کشاورزی و منابع طبیعی سمنان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سمنان، ایران

چکیده

این پژوهش به‌منظور ارائه مدلی برای تهیه نقشه شوری با استفاده از چند شاخص طیفی و داده‌های ماهواره‌ای لندست پنج در مناطق خشک بوشهر، سمنان، فارس، کرمان و هرمزگان انجام شد. ابتدا نمونه‌برداری از افق شناسایی سطحی (0-30 سانتی‌متری) خاک به تفکیک هر منطقه در استان به تعداد 50 تا 100 نمونه برداشت و به آزمایشگاه ارسال شد. سپس به‌منظور شناسایی و ارزیابی شوری خاک، از تلفیق تصاویر ماهواره‌ای لندست پنج و پاره‌ای از شاخص‌های طیفی حاصل از آن شامل شاخص شوری نرمال شده خاک، رطوبت نرمال، پوشش‌گیاهی نرمال، پوشش‌گیاهی اصلاح شده خاک، انتقال طیفی و مدل‌های آماری استفاده شد. پس از ارزیابی دقت روابط آماری ارائه شده با استفاده از نقاط آزمون، بهترین رابطه برای منطقه مطالعاتی انتخاب گردید و نقشه شوری تهیه شد. نتایج نشان داد که به‌طورکلی بین EC خاک با شاخص‌های طیفی مشتق شده از تصاویر، رابطه معنا‌داری وجود دارد. در مناطق مورد مطالعه‌ استان فارس شاخص شوری نرمال شده بالاترین همبستگی با هدایت الکتریکی خاک را با ضریب رگرسیون 66% داشت که میزان آماره‌های صحت‌سنجی RMSE و MBE برای این رابطه به‌ترتیب 58/2 و 66/0 می‌باشد. در مناطق مورد مطالعه استان کرمان، شاخص انتقال طیفی (رطوبتی) بیشترین همبستگی را با هدایت الکتریکی با ضریب تبیین 652% داشت که مقادیر آماره‌های صحت‌سنجی RMSE و MBE برای این روش به‌ترتیب 10/3 و 51/0 می‌باشد. در مناطق مورد مطالعه استان هرمزگان نتایج همبستگی بالای شوری خاک را با شاخص شوری (SI2) در سطح 72 درصد با ضریب تبیین 518/0 برای این استان انتخاب شد که میزان آماره‌های RMSE و MBE نیز به‌ترتیب 5/2 و 35/0- گزارش شده است. همچنین در منطقه مورد مطالعه استان سمنان بیشترین همبستگی را باند 5 و 7 ماهواره لندست پنج با هدایت الکتریکی خاک داشتند (به‌ترتیب 65/0 و 75/0) و ضریب تبیین 6/0 بدست آمده است که مقادیر آماره‌های صحت‌سنجی RMSE و MBE نیز به‌ترتیب 8/2 و 81/0- گزارش شده است. با توجه به روابط حاصل از این پژوهش با داده‌های ماهواره‌ای و شاخص‌های مستخرج از آنها، نشان می‌دهد که در هریک از مناطق مورد بررسی شاخص‌های مختلفی قادر به تشخیص پهنه‌های شوری خاک می‌باشند.

کلیدواژه‌ها


عنوان مقاله [English]

Soil salinity mapping using spectral index and Landsat 8 in arid zones

نویسندگان [English]

  • ali akbar noroozi 1
  • Alijan Abkar 2
  • Mah,oud Damizadeh 3
  • Behrouz Arastoo 4
1 Associate Professor, Soil Conservation and Watershed Management Research Institute, Range Research Division, Research Institute of Forests and Rangelands, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran
2 Academic Member, Kerman Agricultural and Natural Resources Research and Education Center, AREEO, Kerman, Iran
3 - Academic Member, Hormozgan Agricultural and Natural Resources Research and Education Center, AREEO, Bandarabbas, Iran
4 Academic Member, Semnan Agricultural and Natural Resources Research and Education Center, AREEO, Semnan, Iran
چکیده [English]

    This study was implemented to prepare a model for soil salinity mapping using Landsat5 images in several provinces including Bushehr, Semnan, Fars, Kerman and Hormozgan. At the beginning, 50-100 samples from soil surface were taken and sent to the Laboratory. Then in order to evaluate and identify soil salinity, TM Landsat satellite images and statistical models combined with satellite`s spectral indices were used. After evaluating the accuracy of statistical models using test points, the best model for the study area was selected and the salinity maps were developed based on the regression model. The results showed a significant relationship between soil salinity and spectral index. In Fars province, NDSI salinity index had the highest correlation with soil electrical conductivity (0.35) with a regression coefficient of 66% and RMSE and MBE statistics of 2.58 and 0.66, respectively. In Kerman province, the tasseled cap three index had the highest correlation with soil electrical conductivity (0.47) with a regression method coefficient of 65%, and RMSE and MBE of 10.3 and 0.51, respectively. In Hormozgan province, the results showed high correlation with soil salinity indicators SI2 level of 72 percent. Stepwise method with R-square of 0.518 was selected for the Hormozgan province whre the RMSE and MBE were reported to be 2.5 and -0.35, respectively. Also in Semnan province, 5 and 7 bands of Landsat showed the highest correlation with soil electrical conductivity (respectively 0.65 and 0.75). By using stepwise regression, the linear relation with R-square of 0.6 was obtained, and RMSE and MBE values were reported to be 2.83 and -0.81, respectively.

کلیدواژه‌ها [English]

  • Landsat
  • Soil salinity prediction
  • Spatial Statistical Mode. Spectral indexes

-  Alavi Panah, S. K., 2000. Investigation and evaluation of the use of the soil salinity map. Journal of Desert, 5:1-15.

-  Alavi Panah, S. K., Zehtabian, G. R., 2002. A data base approach for soil salinity mapping and generalization form remotely sensed data and geographic information system. FIGXXII. International Congress, Washington, D.C. USA.

-  Barzegar, A., 2000. Sodic & saline soils. Chamran university Publication, Iran, 237p.

-  Bouaziz, M., Matschullat, J. and Gloaguen, R., 2011. Improved remote sensing detection of soil salinity from a semi-arid climate in Northeast Brazil. Comptes Rendus Geoscience,343(11), 795-803.

-  Darvish sefat, M., Damavandi, A. A., Jafari, M. and Zehtabian, Gh., 2000. Study of Saline Soil Classification using Landsat TM. Desert Journal, 5(2):30-42.

-  Dashtekian, K., Pakparvar, M., and Abdollahi, J., 2008. Study of soil salinity preparing methods by using landsat images in Marvast. Iranian journal of Range and Desert Reseach, 15(2), 139-157.

-  Dwivedi, R. S. and Rao, B. R. M., 1992. The selection of the best possible Landsat TM band combination for delineating salt-affected soils. International Journal of Remote Sensing, 13(11), 2051-2058.

-  Eldeiry, A. A. and Garcia, L. A., 2008. Detecting soil salinity in alfalfa fields using spatial modeling and remote sensing. Soil Science Society of America Journal, 72(1), 201-211.

-  Homaee, M. and Schmidhalter, U., 2008. Water integration by plants root under non-uniform soil salinity.Journal of Irrigation Science, 27:83-95.

-  Homaiy, M., 2002. Response of Plants to Salinity. Draining and Irrigation National Committee. Tehran, Iran, p. 98.

-  Homaiy, M., 2010. Modeling Function in soil Physic, Lecture of soil science, Division in Tarbiat Modarres, Agriculture Collage.

-  Judkins, G. and Myint, S., 2012. Spatial variation of soil salinity in the Mexicali valley, Mexico: Application of a practical method for agricultural monitoring.Journal of Environmental management, 50(3), 478-489.

-  Karavanova, E. I., 2000. Application of remote sensing techniques for the study of soil salinity in semi-arid Uzbekistan.

-  Metternicht, G. I. and. Zinck, J. A., 2003. Remote sensing of soil salinity potentials and constraints. Journal of Remote Sensing of Environment, 85:1-20.

-  Mitsuchi, M., Wichaidit, P. and Jeungnijnirund, S., 1989. Soils of the northeast plateau, Thailand. Technical Bulletin of the Tropical Agriculture Research Center, 25-55.

-  Noroozi, A. A., 2011. A new model for predicting soil salinization based on integrated multi temporal-spatial satellite imagery. A Thesis Present for Degree of Ph.D. Division in Tarbiat Modarres, Agriculture Collage.

-  Rahmatizadeh, A., Jafari, M. and Karimian Eghbal, M., 2014. Identifying saline lands and halophytes of Qom province, Iranian journal of Range and Desert Reseach, 21(4), 580-590.

-  Soil Conservation and Watershed Management Research Institute, 2008. National Atlas of Iran Watershed.

-  Zarei, G., Homaee, M., Liaghat, A. M. and Hoorfar, A. H., 2010. A model for soil surface evaporation based on Campbell's retention curve. Journal of hydrology, 380:356-361.

-  Zarei, G., Homaee ,M. and Liaghat, A. M., 2009. Modeling transient evaporation from descending shallow groundwater table based on brooks–corey retention function. Water Resources Management, 23:2867-2876.

-  Zehtabian, Gh., Tayeb, M. and Souri, M., 2006. Studying the salinization factors in kerman province (case study: kabootarkhan plain). Iranian Journal of Range and Desert Research, 13(4): 318-384.