ارزیابی مدل رگرسیون، روش کریجینگ و طبقه‌بندی نظارت‌شدة داده‌های سنجندة LISS-III در برآورد شوری خاک (مطالعة موردی: دشت ارسنجان، استان فارس)

نوع مقاله : مروری

نویسندگان

چکیده

 استفاده از پیشرفت‌های تکنیکی اخیر در شناسایی و نقشه‌برداری شوری خاک‌ها، گامی به جلو در مدیریت خاک‌های شور است. هدف پژوهش حاضر، استفاده و ارزیابی روش‌های گوناگون برآورد شوری خاک سطحی در عمق صفر تا پنج سانتی‌متر اطراف دریاچه طشک و بختگان با وسعت 8062 هکتار است. شوری خاک در این ناحیه عامل مهمی در عملکرد محصولات کشاورزی است. در پژوهش حاضر از سه روش متفاوت برای برآورد شوری خاک استفاده شد و نتایج این سه روش با داده‌های شوری اندازه‌گیری‌شده روی زمین مورد ارزیابی قرار گرفت. بدین منظور، 143 نمونه برداشت شد و مقادیر هدایت الکتریکی عصارة استخراج‌شده از گل اشباع یا ECe آنها تهیه شد. نمونه‌های مرتبط به‌صورت منظم روی شبکه‌ای 750متری برای ارزیابی مدل رگرسیون (RM) و روش کریجینگ معمولی (OK) جمع‌آوری شدند. برای روش سوم نیز طبقه‌بندی نظارت‌شدة (Scl) تصاویر ماهواره‌ای مربوط به سنجندة LISS-III به کار گرفته شد. در این پژوهش از مدل‌های رگرسیونی خطی، توانی و نمایی به منظور تخمین مقادیر شوری استفاده شد و مقادیر رقومی تصاویر ماهواره‌ای در آنها به‌عنوان متغیر مستقل و مقادیر Ece به‌عنوان متغیر وابسته در نظر گرفته شدند. برای تولید نقشة تخمین شوری از روش کریجینگ استفاده شد. در مورد تصاویر ماهواره‌ای، پیکسل‌های آموزشی با الگوریتم حداکثر احتمال مشابهت، طبقه‌بندی و سپس نقشة پوشش زمین تهیه شدند. نتایج پژوهش نشان دادند که مدل‌های رگرسیونی نمی‌توانند مقادیر شوری را به‌خوبی تخمین بزنند و شاخص‌های پوشش گیاهی همبستگی ضعیفی با مقادیر شوری خاک سطحی دارند. در مکان‌هایی که مقادیر شوری بیشتر از 16 دسی‌زیمنس بر متر بود، درصدهای شوری منتج از طبقه‌بندی نظارت‌شده و روش کریجینگ معمولی تقریباً مشابه بودند اما در سایر کلاس‌های شوری، مقادیر به‌دست‌آمده از این دو روش با یکدیگر تفاوت داشتند. در طبقه‌بندی نظارت‌شدة داده‌های سنجندة LISS-III، سطوح خاک بایر با مقادیر شوری بیش از 16 دسی‌زیمنس بر متر، با موفقیت شناسایی و تفکیک شدند. مدل رگرسیون، 100درصد محدودة مطالعه‌شده را شور برآورد کرد و روش کریجینگ، 6/87 درصد از خاک‌های منطقه را به‌عنوان خاک شور، <4 دسی‌زیمنس‌برمتر، طبقه‌بندی کرد در حالی‌که طبقه‌بندی نظارت‌شدة داده‌های سنجندة LISS-III، 5/62 درصد از خاک‌های منطقه را شور تشخیص داد. هر کدام از این روش‌ها محدودیت‌هایی دارند، از این رو به‌منظور برآورد شوری خاک، تلفیق آنها پیشنهاد می‌شود. 

عنوان مقاله [English]

Evaluation of Regression Model, Kriging Method and Supervised Classification of LISS-III Sensor Data in Estimating Soil Salinity

چکیده [English]

Employing recent technological advances in surveying and mapping soil salinity is a step forward in controlling saline soils. The aim of this study was to map the topsoil salinity, the depth of 0-5 cm, using different methods within the environmental context of the area around Tashk & Bakhtegan Lake, with the area of 8062 ha, that in this region soil salinity appears to be a major threat to agriculture production. We used three different methods to produce soil salinity map and then compared the results with the soil salinity data that were measured on the ground. A set of 143 soil salinity sample, electrical conductivity of the water extracted from saturated past (ECe), was systematically sampled on a 750-m grid and was used to assess two mapping methods; regression models (RM) and ordinary kriging (OK). As a third method, supervised classification (Scl) of LISS-III sensor satellite images was employed. We used linear, power and exponential regression models for estimating of salinity values. In these regression models, digital numbers of the satellite images were set as independent variables and ECe values as dependent variable. In order to provide a prediction map of the soil, the salinity data were interpolated using the ordinary kriging method. In case of the satellite images, we classified the training pixels with maximum likelihood algorithm and then the land cover map was prepared. Our results revealed that regression models could not appropriately predict the salinity values and the vegetation indexes had poor correlation with the topsoil salinity values. The salinity percentages obtained from OK and Scl were nearly similar where the salinity was high (≥16dS/m), but differed in other salinity classes. Therefore, in the supervised classification of LISS-III sensor data the bare soil surfaces with high salinity (≥16dS/m) were successfully identified and separated from the rest of the soils. The regression model estimated 100 % of the study area as saline soil. The kriging method predicted 87.6 % of the area to be classified as saline soils (> 4dS/m), while supervised classification predicted that to be 62.5 %. Each of these methods has constrains. Therefore, we recommend the integration of these methods for estimating of soil salinity. Keywords: Ordinary Kriging, Regression Models, Supervised Classification, Topsoil Salinity.