مقایسه پهنه‌بندی شوری خاک با استفاده از روش‌های دورسنجی و زمین آمار در اراضی دشت آبرفتی رودخانه دجله عراق

جغرافیا و مخاطرات محیطی

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 09 آبان 1404   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2025.93856.1579

نویسندگان

مروان الرفاهی¹؛ علیرضا کریمی²؛ ابراهیم محمودآبادی^{* 3}؛ مرتضی اکبری⁴

¹دانش آموخته کارشناسی ارشد گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

²استاد گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

³استادیار گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد، مشهد، ایران

⁴دانشیار گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و محیط زیست دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

این پژوهش با هدف بررسی دقت نقشه شوری خاک با استفاده از روش‌های سنجش از دور و روش زمین‌آمار در اراضی آبرفتی رودخانه دجله عراق انجام شد. تعداد 100نمونه از سطح خاک در محدوده‌ای به وسعت 10000هکتار برداشت شد و مقدار هدایت الکتریکی در عصاره اشباع اندازه‌گیری شد. باندها و شاخصهای طیفی تصاویر ماهواره‌ استر و لندست، در سه حالت طیفی DN، تابش و بازتاب تهیه شد. سپس با استفاده از رگرسیون گام‌به‌گام، معادله بین شاخصهای بدست آمده در هر حالت طیفی و مقدار شوری بدست آمد، همچنین با استفاده از روش کریجینگ نیز نقشه شوری خاک ترسیم گردید. نتایج مقایسه حالت‌های طیفی radiance، reflectance و DN برای مدلسازی شوری بیانگر آن بود که در ماهواره لندست، حالت طیفی radiance و در ماهواره استر حالت طیفی reflectance بیشترین دقت را در مدلسازی شوری خاک داشت. مقایسه روش‌های سنجش از دور و زمین‌آمار نشان داد که روش زمین‌آمار بدلیل استفاده از داده‌های اندازه‌گیری شده دارای دقت بالاتری نسبت به روش‌های سنجش از دوری بود اما همچنان نقشه‌های بدست آمده از روش سنجش از دور نیز دقت قابل قبول را دارا بودند و نقشه‌ شوری بدست آمده از این روش با نقشه پراکنش شوری خاک حاصل از روش زمین‌آمار همخوانی زیادی داشت.

کلیدواژه‌ها

تصاویر ماهوارهای؛ هدایت الکتریکی؛ سنجنده ها؛ عراق

مراجع

Abbas, A. H. (2010). Units of North Kut Project and Prediction of Some Soil Physical Properties by Using GIS and Remote Sensing. (PhD Thesis), College of Agriculture at University of Baghdad.

Abdulraheem, M. I., Zhang, W., Li, S., Moshayedi, A. J., Farooque, A. A., & Hu, J. (2023). Advancement of remote sensing for soil measurements and applications: A comprehensive review. Sustainability, 15(21), 15444. https://doi.org/10.3390/su152115444

Alavi Panah, S. K. (2006). Application of remote sensing in earth sciences. Tehran: Tehran University Press. [in Persian]

Alavipanah, S. K., Matinfar, H. R., Sarmasti, N., Jafarbeglou, M., & Goodarzimehr, S. (2011). Evaluation of ASTER and LISS III data in identification of saline soils, case study: regions of Iran. Geocomputation, London, UK, 20-22.

Alfalahi, A. A., Qureshi, A. S., & Wu, W. (2015). Understanding the linkages between groundwater table depth, groundwater quality, soil salinity and crop production in Al-Musaib and Al-Dujaila Project areas of Iraq. https://hdl.handle.net/20.500.11766/8844

Al-Jeboory, S. R. J. (1987). Effect of soil management practice on chemical and physical properties of soil from Great Musaib projects. (PhD Thesis). University of Baghdad, College of Agriculture.

Al-Senafy, M., & Abraham, J. (2004). Vulnerability of groundwater resources from agricultural activities in southern Kuwait. Agricultural Water Management, 64(1), 1-15. https://doi.org/10.1016/S0378-3774(03)00195-1

Anderson, G. L., & Hanson, J. D. (1992). Evaluating hand‐held radiometer derived vegetation indices for estimating above ground biomass. Geocarto International, 7(1), 71-78. https://doi.org/10.1080/10106049209354354

Balasim, H., Al-Azzawi, M., & Rabee, A. (2013). Assessment of pollution with some heavy metals in water, sediments and Barbus xanthopterus fish of the Tigris River–Iraq. Iraqi Journal of Science, 54(4), 813-822. https://ijs.uobaghdad.edu.iq/index.php/eijs/article/view/12332

Deschamps, P. Y., Herman, M., & Tanre, D. (1983). Definitions of atmospheric radiance and transmittances in remote sensing. Remote Sensing of Environment, 13(1), 89-92.https://doi.org/10.1016/0034-4257(83)90029-9

Eldeiry, A. A., & Garcia, L. A. (2010). Comparison of ordinary kriging, regression kriging, and cokriging techniques to estimate soil salinity using LANDSAT images. Journal of Irrigation and Drainage Engineering, 136(6), 355-364. https://doi.org/10.1061/(ASCE)IR.1943-4774.0000208

El-Harti, A., Lhissou, R., Chokmani, K., Ouzemou, J. E., Hassouna, M., Bachaoui, E. M., & El Ghmari, A. (2016). Spatiotemporal monitoring of soil salinization in irrigated Tadla Plain (Morocco) using satellite spectral indices. International Journal of Applied Earth Observation and Geoinformation, 50, 64-73. https://doi.org/10.1016/j.jag.2016.03.008

Frenken, K. (2009). Irrigation in the Middle East region in figures AQUASTAT Survey-2008. Water Reports.

Gao, J. A. (1996). Modified soil adjusted vegetation index. Remote Sensing of Environment, 82, 303-310.

Hajizadeh, A., Nezam Mahalleh, M. A., Farzane, S., Rastegar, A., & Sydrzayy, H. (2013). Intoduction to microwave remote sensing. Satelite Publications. [in Persian]

Hammam, A. A., & Mohamed, E. S. (2020). Mapping soil salinity in the East Nile Delta using several methodological approaches of salinity assessment. The Egyptian Journal of Remote Sensing and Space Science, 23(2), 125-131.  https://doi.org/10.1016/j.ejrs.2018.11.002

Iraq, F. A. O. (2012). Agriculture Sector Note. FAO: Rome, Italy.

Jabbar, M. T., & Zhou, J. (2012). Assessment of soil salinity risk on the agricultural area in Basrah Province, Iraq: Using remote sensing and GIS techniques. Journal of Earth Science, 23(6), 881-891. https://doi.org/10.1007/s12583-012-0299-5

 Kotenko, M. E., & Zubkova, T. A. (2008). The effect of the microrelief on salinization of semidesert soils. Eurasian Soil Science, 41, 1033-1040. https://doi.org/10.1134/S1064229308100049

Mahmoudabadi, E., & Karimi, K. A. (2015). Mapping of calcium carbonate equivalent and clay content of surface soil using geostatistical methods (Case study: Chitgar park, Tehran). Journal of RS and GIS for Natural Resource, 3(6), 73-85. [in Persian] https://sanad.iau.ir/journal/girs/Article/516799?jid=516799&lang=en

Mahmoodabadi, E., Karimi, A. R., Haghnia, G. H., & Sepehr, A. (2017a). Assessing Performance of Multivariate Linear Regression (MLR), artificial neural network (ANN) and Gene Expression Programming (GEP) in estimating soil. Journal of Water and Soil Conservation, 24(2), 23-44. [in Persian] https://doi.org/10.22069/jwfst.2017.11811.2633

Mahmoudabadi, E., Karimi, A., Haghnia, G. H., & Sepehr, A. (2017b). Digital soil mapping using remote sensing indices, terrain attributes, and vegetation features in the rangelands of northeastern Iran. Environmental Monitoring and Assessment, 189, 1-20. https://doi.org/10.1007/s10661-017-6197-7

 Moyel, M. S., & Hussain, N. A. (2015). Water quality assessment of the Shatt al-Arab river, Southern Iraq. Journal of Coastal Life Medicine, 3(6), 459-465. https://doi.org/10.12980/JCLM.3.2015J5-26

 Panagiotou, C. F., Kyriakidis, P., & Tziritis, E. (2022). Application of geostatistical methods to groundwater salinization problems: A review. Journal of Hydrology, 615, 128566. https://doi.org/10.1016/j.jhydrol.2022.128566

 Pansu, M. (2006). Handbook of soil analysis. Springer.

 Piekarczyk, J., Kaźmierowski, C., & Krolewicz, S. (2012). Relationships between soil properties of the abandoned fields and spectral data derived from the advanced spaceborne thermal emission and reflection radiometer (ASTER). Advances in Space Research, 49(2), 280-291. https://doi.org/10.1016/j.asr.2011.09.010

Qureshi, A. S., Ahmad, W., & Ahmad, A. F. A. (2013). Optimum groundwater table depth and irrigation schedules for controlling soil salinity in central Iraq. Irrigation and Drainage, 62(4), 414-424. https://doi.org/10.1002/ird.1746

 Srivastava, P. K., Srivastava, S., Singh, P., Gupta, A., & Dugesar, V. (2025). Soil chemical properties estimation using hyperspectral remote sensing: A review. Earth Observation for Monitoring and Modeling Land Use, 25-43. https://doi.org/10.1016/B978-0-323-95193-7.00008-7

Sayler, K., & Zanter, K. (2024). Landsat 7 Data Users Handbook. USGS Landsat User Serv. https://www.usgs.gov/landsat-missions/landsat-7-data-users-handbook

 Tajgardan, T., Ayoubi, S., Shataee, S., & Sahrawat, K. L. (2010). Soil surface salinity prediction using ASTER data: Comparing statistical and geostatistical models. Australian Journal of Basic and Applied Sciences, 4(3), 457-467. http://oar.icrisat.org/id/eprint/8342

USGS. (2024). https://www.usgs.gov/landsat-missions/using-usgs-landsat-level-1-data-product

Wallerman, J. (2003). Remote sensing aided spatial prediction of forest stem volume (No. 271). (PhD Thesis), Swedish University of Agricultural Sciences. https://pub.epsilon.slu.se/190/1/91-576-6505-2.fulltext.pdf

Webster, R., & Oliver, M. A. (2007). Geostatistics for environmental scientists. John Wiley & Sons. https://planninginsights.co.in/data/ebook/1622466729.pdf

Wiegand, C. L., Richardson, A. J., Escobar, D. E., & Gerbermann, A. H. (1991). Vegetation indices in crop assessments. Remote Sensing of Environment, 35(2-3), 105-119. https://doi.org/10.1016/0034-4257(91)90004-P

Yahiaoui, I., Douaoui, A., Zhang, Q., & Ziane, A. (2015). Soil salinity prediction in the Lower Cheliff plain (Algeria) based on remote sensing and topographic feature analysis. Journal of Arid Land, 7, 794-805. https://doi.org/10.1007/s40333-015-0053-9

 Yale Center. (2022). https://yceo.yale.edu/how-convert-landsat-dns-top-atmosphere-toa-reflectance

 Yüksel, A., Akay, A. E., & Gundogan, R. (2008). Using ASTER imagery in land use/cover classification of eastern Mediterranean landscapes according to CORINE land cover project. Sensors, 8(2), 1237-1251. https://doi.org/10.3390/s8021287

Zarco‐Tejada, P. J., Ustin, S. L., & Whiting, M. L. (2005). Temporal and spatial relationships between within‐field yield variability in cotton and high‐spatial hyperspectral remote sensing imagery. Agronomy Journal, 97(3), 641-653. https://doi.org/10.2134/agronj2003.0257