بررسی توزیع مکانی خصوصیات خاک در منطقه ورزنه اصفهان به کمک روش‌های پردازش تصویر

آب و خاک

مقاله 11، دوره 29، شماره 4، مهر 1394، صفحه 1004-1017   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.22782

نویسندگان

فرید محمودی؛ رضا جعفری^* ؛ حمید رضا کریم زاده؛ نفیسه رمضانی

دانشگاه صنعتی اصفهان

چکیده

نقشه‌های خاک نقش کلیدی در مدیریت کشاورزی و منابع طبیعی دارند. در این مطالعه تکنیک‌های پردازش تصویر شامل ترکیبات باندی، آنالیزهای مؤلفه اصلی و طبقه‌بندی بر تصویر سنجنده TM بمنظور تهیه نقشه خصوصیات فیزیکی و شیمیایی خاک منطقه ورزنه اصفهان اعمال شد. جهت برقراری ارتباط بین تصاویر حاصله و داده‌های میدانی با استفاده از روش نمونه‌برداری تصادفی-سیستماتیک، 53 نمونه خاک بکمک سامانه GPS برداشت و سپس نقشه‌های پیوسته هر خصوصیت خاک با استفاده از آنالیز رگرسیونی ساده و چند متغیره خطی با میانگین‌گیری از 9 پیکسل اطراف نقاط نمونه‌برداری تهیه شد. نتایج رگرسیون چند متغیره نشان داد که قوی‌ترین رابطه بین خاک شنی و باندهای 1، 2، 3، 4 و 5 سنجنده TM وجود دارد و مدل مربوطه بیش از 83% تغییرات این ویژگی را توجیه می‌کند. ضعیف‌ترین مدل رگرسیونی بین خصوصیت کربنات کلسیم خاک و باندهای 3، 5 و 7 مشاهده شد. در برخی موارد مدل های رگرسیونی چند متغیره پیش بینی کننده‌های مناسبی از ویژگیهای خاک نبودند، در نتیجه باند TM یا مولفه اصلی که بیشترین همبستگی را با داده‌های زمینی بر مبنای آنالیز رگرسیونی ساده نشان داد (سطح اطمینان 99%)، جهت طبقه‌بندی نظارت شده با الگوریتم حداکثر احتمال، انتخاب گردید. با توجه به نتایج ماتریس خطا، صحت کلی نقشه‌ها بین 85 تا 93% به ترتیب برای کلر و سیلت خاک بدست آمد. همانطوری مشخص است نقشه‌های طبقه‌بندی شده صحت بالاتری را نسبت به مدل‌های رگرسیونی نشان دادند. بنابراین بمنظور داشتن یک دید کلی از خصوصیات خاک منطقه می‌توان گفت تکنیک‌های طبقه‌بندی کاربردی تر از مدل‌های رگرسیونی می‌باشند.

کلیدواژه‌ها

خصوصیات خاک؛ رگرسیون خطی چند متغیره؛ سنجش از دور؛ طبقه ‌بندی تصویر

مراجع

Alavi Panah K. 2003. Application of remote sensing in geosciences, Tehran University, Tehran (In Persian).

2- Ali R.R., and Kotb M.M. 2010. Use of satellite data and GIS for soil mapping and capability assessment. Nature and Science, 8 (8): 104-115.

3- Ali R.R., and Moghanm F.S. 2013. Variation of soil properties over the landforms around Idku Lake, Egypt. The Egyptian Journal of Remote Sensing and Space Science, 16 (1): 91-101.

4- Eldeiry A., Garcia L.A., and Reich R.M. 2005. Estimating soil salinity from remote sensing data in Corn fields. Hydrology Days, 49: 31-42.

5- Emadi, M., Baghernejad M., Emadi M., and Maftoun M. 2008. Assessment of some soil properties by spatial variability in saline and sodic soils in Arsanjan plain, Southern Iran. Pakistan Journal of Biological Sciences, 11 (2): 238-243.

6- Farifteh J. 2007. Imaging spectroscopy of salt-affected soils: Model-based integrated method, in ITC dissertation, Utrecht University: the Netherlands.

7- Farifteh J., Farshad A., and George R. 2006. Assessing salt-affected soils using remote sensing, solute modelling and geophysics, Geoderma 130: 191-206.

8- Fernandez-Bucesa N., Siebea C., Cramb S., and Palacio J.L. 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: 644–667.

9- Forest range waterdshed organization Isfahan province, 1994, Segzi plain dedesertification project, frw organization (In Persian).

10- Fox G.A., and Metla R. 2005. Soil property analysis using principal components analysis, soil Line, and regression models. Soil Science Society of America Journal, 69: 1782–1788.

11- Jafari Haghighi, M. 2003. Methods of soil analysis sampling and important physical & chemical analysis, Neda Zoha, Tehran (In Persian).

12- Howari F., Goodell P., and Miyamoto S. 2002. Spectral properties of salt crusts formed on saline soils. Journal of Environmental Quality, 31: 1453-1461.

13- Kappa M., Shawan A., and Erasmi S. 2005. Remote sensing based classification of salt affected soils as an indicator for landscape degradation in the south of Aleppo, Syria, in UN convention to combat desertification, Trier, Germany.

14- Keshavarzi A., and Sarmadian F. 2012. Mapping of spatial distribution of soil salinity and alkalinity in a semi-arid region. Annals of Warsaw University of Life Sciences-SGGW. Land Reclamation, 44 (1): 3-14.

15- Khajeddine S.J.A. 1995. Survey of the plant communities of Jazmorian Iran using landsat Mss Data, in Department of Botany, PhD thesis, University of Reading.

16- Mahmoodi F. 2011. Investigating the Potential of Remote Sensing Data in Producing Soil Salinity and Alkalinity Map in Southeastern Isfahan, MSc. Thesis, Isfahan University of Technology (In Persian with English abstract).

17- Martınez-Montoya J.F., Herrero J., and Casterad M.A. 2010. Mapping categories of gypseous lands in Mexico and Spain using Landsat imagery. Journal of Arid Environments, 74 (8): 978-986.

18- Melendez-Pastor I., Navarro-Pedreño J., Gomez I., and Koch M. 2008. Identifying optimal spectral bands to assess soil properties with VNIR radiometry in semi-arid soils. Geoderma: 147 (3-4): 126-132.

19- Metternicht G., and Zinck J.A. 2008. PART I: Soil Salinity and Remote Sensing: The Object and the Tool, Chapter 1: Soil Salinity and Salinization Hazard, in Remote sensing of soil salinization impact on land management, G. Metternicht and J.A. Zinck, Editors. 2008, CRC Press: London, New York.

20- Metternicht G., and Zinck J.A. 2008. PART I: Soil Salinity and Remote Sensing: The Object and the Tool, Chapter 2: Soil Salinity and Salinization Hazard, in Remote sensing of soil salinization impact on land management, G. Metternicht and J.A. Zinck, Editors. 2008, CRC Press: London, New York.

21- Metternicht G.I., and Zinck J.A. 1996. Modelling salinity–alkalinity classes for mapping salt-affected topsoils in the semi-arid valleys of Cochabamba (Bolivia). Interdenominational Theological Center Journal, 2: 125-135.

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

23- Moreau S.S. 1996. Application of remote sensing and GIS to the mapping of saline/sodic soils and evaluation of villarroel, central Altiplano, Boivia. In The 4th international symposium on High Mountain remote sensing cartography, Karlstad, Kiruna.

24- Mougenot B., Epema G., and Pouget M. 1993. Remote sensing of salt affected soils. Remote Sensing Reviews, 7: 241-259.

25- Mulders M., 1987. Remote Sensing in Soil Science. Elsevier.

26- Naiej Noori, R. 2002. Feasibility study of analysis of saline and chalky lands in Kashan plain using TM data. MSc. Thesis, Isfahan University of Technology (In Persian with English abstract).

27- Robbins M.A. and Wiegard C.L. 1990. Field and laboratory measurements. In, Tanji K.K. (Ed). Agricultural Salinity Assesment and Manegement, American Society of civil Engineers: New York.

28- Salisbury J.W., and Aria D.N. 1992. Infrared (8-14µm) remote sensing of soil particle size. Remote Sensing of Environment, 42:157-165.

29- Schott J.R. 1997. Remote sensing: The image chain approach. Oxford University.

30- Tutorial. 2010. Fundamentals of Remote Sensing Satellites and Sensors Spatial Resolution, Pixel Size, and Scale, Internet, Available at http://www.ccrs.nrcan.gc.ca. (Visited 27 October 2010).

31- Ziaie D. 2008. Investigating soil proprties using remote sensing in Isfahan, MSc. Thesis, Isfahan Universty of Technology (In Persian with English abstract).