برآورد شوری خاک با استفاده از داده‌های دورسنجی و آمار مکانی در منطقه سبزوار

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه خوارزمی تهران

2 مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی

چکیده

شوری خاک یکی از عوامل محدودکننده رشد گیاهان و تخریب اراضی است. شناخت تغییرات مکانی و زمانی آن تأثیر به‌سزایی در مطالعات خاک‌شناسی، ژئومورفولوژی و هیدرولوژی دارد. برآورد شوری خاک با استفاده از داده‌های دورسنجی و آمار مکانی امکان تفکیک پارامترها را با دقت بالاتر فراهم نموده و شاخص‌ها با ضریب اطمینان بیشتری خود را نشان می‌دهند. هدف از این پژوهش، کاربردی ساختن و دسترسی به پایگاه‌های دور یا بیرون از دسترس شوری خاک در مناطق خشک و نیمه‌خشک با استفاده از تکنیک‌های سنجش‌ازدور است. منطقه سبزوار در غرب استان خراسان‌رضوی از لحاظ شرایط اقلیمی، خشک و نیمه‌خشک است و مسئله شور شدن خاک‌ها و تسریع روند آن در سال‌های اخیر یکی از چالش‌های اساسی این منطقه است؛ لذا شناخت شوری در این شرایط از اهمیت ویژه‌ای برخوردار است. در این پژوهش، 48 نمونه خاک منطبق با نقشه واحد کاری (ژئومورفولوژی) از منطقه برداشت شد، سپس به بررسی رابطه همبستگی بین مقادیر هدایت الکتریکی(EC) با متغیرهای بدست آمده از تصاویر ماهواره‌ای لندست شامل شاخص‌های شوری، شاخص‌های پوشش گیاه، شاخص روشنایی، باندهای تصویرسازهای TM,ETM+,OLI، شاخص مؤلفه‌های اصلی و شاخص انتقال طیفی، اقدام گردید. در محیط spss روش رگرسیون چند متغیره در قالب 5 روش رگرسیونی، رگرسیون چندگانه گام‌به‌گام، رگرسیون چندگانه پس حذف رو، رگرسیون چندگانه پیشرو، رگرسیون چندگانه وارد شونده، رگرسیون چندگانه عزل انجام گرفت. در محیط GIS10.2.2 ARC با استفاده از مدل‌های آمارمکانی، شاخص موران و خوشه‌بندی حداقل – حداکثر به بررسی رابطه همبستگی آن‌ها پرداخته شد. همبسته‌ترین متغیرها با محاسبه عامل تورم واریانس و ضریب پیرسون مشخص شدند. نتایج نشان می‌دهد الگوی همبستگی فضایی مثبت و مدل‌ها از ضریب همبستگی مناسبی برخوردارند. در این پژوهش روش‌های دورسنجی و مدل‌های پیش‌بینی کننده، توانایی مناسبی برای تخمین شوری سطحی خاک نشان دادند.

کلیدواژه‌ها


عنوان مقاله [English]

Estimating soil salinity by using of remote sensing data and spatial statistic in sabzevar region

نویسندگان [English]

  • Amir karam 1
  • Tayyebeh kiani
  • Abolghasem dadrasi sabzevar 2
  • zahra davarzani 1
چکیده [English]

Soil salinity is a limiting factor for plant growth and a serious cause of land degradation cognition change space and time every impressible in the study agrology, geomorphology, hydrology, Estimating soil salinity by using of remote sensing data and spatial statistic showed possible resolution parameter high accuracy obtain and indexes the every coefficient. goal of this research application program and access is base away and out access soil salinity in the arid and semi-arid zone by using of remote sensing techniques. sabzevar zone in the west khorasan Razavi have arid and semi-arid climate conditions and soil salinity problem and acceleration rend that is one of the greatest challenges of this zone in the resent years, so that recognizing salinity in this condition have specific important. In this research The 48 sample soil sampled which correspond with work unit map(geomorphology) the zone, After ward, acted to consider relation correlation between value electrical conductivity(EC) and variable obtain of Landsat satellite imagery included salinity indexes, vegetation indexes, brightness index, imagery bands TM, ETM+, OLI, Principal component analysis, Tasseled Cap Transformation. In SPSS, multivariate regression method was used in the form of five regression methods, step wise multiple regression, Back ward elimination, Forward multiple regression, Enter multiple regression, Stepwise multiple regression.In the Arc.GIS.10.2.2 by using spatial statistic models, Moran’s Index and High-Low clustering did consider related correlation. The most correlation determined by calculation variance Inflation factor and Pearson coefficient. The result showed pattern correlation is positive and models of have suitable correlation coefficient. In this research, remote sensing methods and anticipated models have suitable ability for estimating surface soil salinity.
 
Introduction
Soil salinization and its development in arid and semi-arid zone are one of the environmental hazards that have been take into consideration in recent years and the range is creasing day by day. The main objective of this study is: To understand the spectral reflectance characteristics of saline soil in sabzevar plain, to explore the potential of Landsat satellite imagery to detect and map the soil salinity and to analysis the correlation between field and Landsat imagery. The finally, produce the soil salinity.
 
Methodology
 In analysis, Landsat satellite imagery in three different dates (3 April1995, 27 June 2006, 19 November2017) are used as a first step. Landsat satellite imagery TM, ETM+, OLI, provided by the United States Geological survey. Acquired from Atmospheric and radiometer correction was applied images and the flat field method, which is a relative correction method, was used for atmospheric correction of images. In the next stage, spectral indexes were used. These indices include three vegetation indices(SAVI,EVI,NDVI),four salinity indices (EC,SI1,SI2,SI3),a one brightness index(BI),three main Principal component analysis(PCA1-PCA2-PCA3),Tasseled Cap Transformation(Tasseled cap1-2-3),coincide transferred 48soil sample to soil laboratory. Finally, salinity data of the soil horizons in the ArcGIS environment, on individual variables, overlapping and cutting off given. The descriptive tables resulting from the previous step in the Excel environment were then transferred SPSS and analyzed. In the spatial spatial method were used moran’s index and High-Low clustering.
 
Results and discussion
One the methods for extracting information, analyzing and evaluating satellite imagery is to create a regression between the desired land parcel and its corresponding image. In all correlation models, R (Pearson correlation coefficient) is strong. The resulting (sig) value is less than 0.05. All models are meaningful and their correlation is positive. Moran’s index and High-Low clustering, validate spatial correlation and clustering of data, In addition, maps and charts show increased salinity from1995to2017.In 1995, more than 70percent of the area of the salinity area was low, while the land area would reach less than 10 percent 2017.
 
Conclusion
All models have acceptable calibration and the accuracy of the extracted function, Back ward elimination regression method is more than the order models. The use of spatial statistics, in addition to having the proper accuracy due to the presentation of the distribution map of the points, the error map and the lack of the need for information exchange between the soft different is superior to the classical statistical models. Landsat satellite imagery useful in detecting and monitoring the saline soil. Identify areas at risk for soil salinity is very important in the shortest possible time and with high precision for proper management practices

کلیدواژه‌ها [English]

  • Soil salinity
  • Remote Sensing
  • spectral indexes
  • spatial statistic
  • اخضری، داود؛ می‌آبادی اسدی، احمد، 1395، تهیه نقشه شوری خاک با استفاده از تحلیل طیفی داده‌های سنجنده OLI ودادهای میدانی مطالعه موردی جنوب دشت ملایر، مجله سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال هفتم، شماره 2، صص. 87-100.
  • اژیرابی، رحیم؛ کامکار، بهنام؛ عبدی، امید، 1394، اثر شاخص‌های مختلف استخراج‌شده از تصاویر ماهواره‌ای لندست برای پهنه‌بندی شوری خاک در مزرعه نمونه ارتش گرگان، نشریه مدیریت خاک و توسعه پایدار، شماره 1، صص. 175-180.
  • اسفندیاری، فریبا؛ سرمستی، نادر؛ علوی‌پناه، کاظم، 1394، پایش نمک‌زارهای مناطق خشک با پردازش داده‌های ماهواره‌ای، نشریه تحقیقات کاربردی علوم جغرافیایی، شماره 40، صص. 151-177.
  • تامس لیسلند، مترجم مالمیریان، حمید،1391، اصول و مبانی سنجش‌ازدور و تفسیر تصاویر هوایی و ماهواره‌ای، سازمان جغرافیایی نیروهای مسلح، تهران.
  • رومیانی، مهدیه؛ کاظمی، آزاده؛ هادی‌پور، مهرداد؛ احمدی، حسن، 1396، بررسی شاخص‌های طیفی جهت مطالعه شوری خاک، کنفرانس ملی پژوهش‌های نوین در مهندسی کشاورزی، محیط‌زیست و منابع طبیعی، صص.1-15.
  • سلمان‌پور، آناهید، صالحی، محمدحسن؛ محمدی، جهانگرد، نادری، مهدی، 1395، کاربرد داده‌های ماهواره‌ای لندست در بررسی روند گسترش شوری اراضی کشاورزی حاشیه دریاچه بختگان استان فارس، نشریه مدیریت خاک و تولید پایدار، جلد 6، شماره 1، صص. 177-190.
  • شورابه نادی زاده، سامان؛ کاکرودی عبداللهی، عطااله؛ سامانی، نجمه؛ مرادی‌پور، فاطمه،1397، تحلیل تاثیر تغییرات دوره ای خطوط ساحلی در گسترش نمکزارهای حاشیه دریاچه ارومیه با استفاده از تصاویر ماهواره لندست، مجله پژو هش های ژئومور فولوژی کمی، شماره 1 صص.13-29
  • عسگری، علی،1390، تحلیل‌های آمار فضایی با ArcGIS، چاپ اول، انتشارات سازمان فناوری اطلاعات و ارتباطات شهرداری تهران.
  • علوی‌پناه، سیدکاظم، 1394، اصول سنجش‌ازدور نوین و تفسیر تصاویر ماهواره‌ای و عکس‌های هوایی چاپ سوم، انتشارات دانشگاه تهران.
  • محمودآبادی، ابراهیم؛ کریمی، علیرضا؛ حق‌نیا، غلامحسین؛ عادل، سپهر، 1396، ارزیابی عملکرد رگرسیون چند متغیره، شبکه عصبی مصنوعی و برنامه‌ریزی ژن در تخمین برخی خصوصیات خاک، نشریه پژوهش‌های حفاظت آب‌وخاک، شماره 2، صص.23-44.
  • مرادیان، شیرین، نبی‌اللهی، کمال؛ مهرجردی تقی زاده، روح‌الله، 1396، پیش‌بینی شوری خاک با استفاده از رگرسیون درختی و شبکه عصبی مصنوعی در منطقه قروه استان کردستان، نشریه مدیریت خاک و تولید پایدار، جلد 7، شماره 4، صص. 115-129.
  • نادیان، مرضیه؛ میرزایی، روح اله، سلطانی محمدی، سعید، 1397، کاربرد شاخص خودهمبستگی فضایی موران در تحلیل فضایی – زمانی آلاینده‌ی (PM2.5) مطالعه موردی شهر تهران، مجله مهندسی بهداشت محیط، سال پنجم، شماره 3، صص.197-212.

 

 

 

 

  • Allbed,A., kumar,L.,Sinha,P., 2014. Mapping and modelling spatial variation in soil salinity in the Al Hassa oasis based one remote sensing indication and regressio techniques n.11374-11574.
  • Anselin, L.,Syabri Kho,Y., 2009. GeoDa:an introduction to spatial data analysis.Geographical Analysis ISSN.0016-7363,united state.
  • Asfaw,E.and Suryabhagavan,K.v.,Argaw,M.,2016.Soil salinity modeling and mapping using remote sensing and GIS:the case of Wonji suger cane irrigation farm,Ethiopia,Jounal of the saudi society of agricultural sciences,pp.1-22.
  • Azabdaftari,A.and Sunar,f.,2016.Soil salinity mapping multitemporal land sat data,The International Archives of the potogrammetry,Remote sensing and spatial imnformation sciences,volume xl-B7,PP.809-813.
  • Elhag, Mohamed., 2016. Evaluation of different soil salinity mapping using remote sensing techniques in arid ecosystem saudi Arabia,J, Sens.101155/2016/7596175,pp.1-8.
  • ELHarti, Abderrazak. and Lhissou, Rachid., Chokmani, Karem., Ouzemou, Jamal., Hassouna, Mohamed., Bachaoui, ELMostafa., Ghmari, Abderrahmene., 2016.Spatiotempral monitoring of soil salinization in irrigated Tadla plain (Morrocco)using satellite spectral indices, International journal of Applied earth –Observation and geoinformation, volume 50.PP. 64-73.
  • Getis,A.,and Ord.J.K., 1992. The analysis of spatial association by use of distance statistics,geographical analysis voL:24,Issue3,pp.189-206.
  • Gorji,Taha., and Sertel Elif., Tanik, Aysegul., 2017. Monitoring soil salinity via remote sensing technology under data scarce conditions a case study from Turkey, Ecological indicators, volume 74,pp. 384-391.
  • Huo, X.N., and Lui, H., Sun. Dd.f., Zhou,L., Dand Li, B,G., 2012. Combination geostatostics with Moran’s Ianalysis for mapping soil heavy metals in Beiging, China, International Journal of environmental research and public health, volume 9, Issue3, PP.995-1017.
  • Illian,J. and Penttinen Astoyan,H., Stoyan,D., 2008.Statistical analysis and modelling of spatial point patter John wiley and sons,chichester.journal of Tropical Pediatrics. volume55, Issue1,Oxford university.pp.1-69
  • Jin, Pingbin. and Li, Ping heng.,Wang, Quan., Pu, Zhi., 2015, Developing and applying novel spectral feature parameters for classifying soil salt types in arid land, Ecological Indicators, volume 54,pp.116-123.
  • Metternich, G.and Zinck,A., 2013. Remote sensing of soil salinity:potentials and constraints.jurnal Remote sensing of enviroment,volume85,pp.1-20.
  • Periasamy, S. and Shanmugam, RS., 2017. Multispectral and microwave remote sensing models to survey soil moisture and salinity. Land Degrad, 28, pp.1412-1425.
  • Mitchell,A., 2005.The ESRIguide toGISanalysis.vol2,spatial measurements and statistics.ESRI:Red lands(CA),Amazon.
  • Ping,Jie.and Biswas,Asim.,Qingsong, Jiang.,Ruiying, Zhao.,Jie,Hu.,Bifeng, Hu.,Zhou,Shi., 2018. Estimating soil salinity from remote sensing and terrain data in southern Xinjiang province china,Geoderma.PP.8-22.
  • Rogerson, peter. 2009. Statistical detection and surveillance of geographic clusters. C.Rcpress, United state.
  • Scudiero, Elia. and Skagges, ToddH.,CorwinDennis,L.,2018.Regional–Scale soil salinity assessment using Land sat ETM+ canopy reflectance, journal remote sensing Environment, volume 169,pp.335-343.
  • Shoba, P. and krishnan, Rama., 2016.Modeling the contributing factors of desertification and evaluating their relationships to the soil degradation process through geometric techniques, soil Earth,7,PP. 341-354.
  • Wheeler, Dand. and Paez,A., 2009. Geographically weighted regression in fischer MM,Getis A(Eds)hand book of applied spatial analysis. heidelberg and NewYork. springer. Berlin, pp.461-486.
  • Whitney, Kristen. and Scudiero, Elia., El-Askary, Hesham., SkaggsTodd, H., Allali, Mohamed., Corwin Dennis, L., 2018.Validating the use of MODIS time series fore salinity assessment over agricultural soils in California, USA, Ecological indicators, volume93, PP.889-898.
  • Wu, Weicheng. And Mhaimeed, AhmadS., AlShafie Waleed, M., Ziadat, Feras, Dhehibi, Boubaker., Nangia, Vinay., pau, Eddy., 2014. Mapping soil salinity changes using remote sensing in central Iraq.j geoderma Regional, volume 2-3, PP.21-31.
  • Yu,H, Liu, M,DuB. Wang Z, HuL, Zhang B, 2018. Mapping soil salinity /sodicity by using land sat OLI imagery and PLSR algorithm over semi arid west Jilin province China, vloume 18(4).j sensore (Basel) pp.1-17
  • Yu, R.T. and Liu,Y., Xu,c., Zhu,Q., Zhang, Z.Qu., 2010.Analysis of salinization dynamics by remote sessing in Hetao irrigation district of north china. Journal of Agricultural water management 97,pp.1952-1960.