واكاوي مكاني رطوبت خاك پس از بارش هاي بيش ازحد نرمال سال آبي 97-98 با مدل سازي خطي متغيرهاي محيطي و تصاوير ماهواره اي

Spatial Analysis of Soil Moisture after Excessive Normal Precipitation of 1997-98 with Linear Modeling of Environmental Variables and Satellite Images

درك رفتار پديده ها نيازمند توجه به همه ابعاد آن است و يكي از راه هاي درك پيچيدگي هاي آن ها مدل سازي است. رطوبت سطحي خاك، متغير كليدي براي توصيف خشك سالي، تبادلات آب و انرژي بين زمين و هوا كره و همچنين ارزيابي شرايط محصولات كشاورزي است. رطوبت خاك هم از متغيرهاي محيطي تاثير مي پذيرد و هم بر بسياري از متغيرهاي محيطي ازجمله رواناب، فرسايش خاك و توليد محصولات تاثير مي گذارد اما به دليل ثابت نبودن شرايط مكاني و زماني پارامترهاي محيطي به شدت تغييرپذير است. هدف از اين مقاله واكاوي و استخراج مدل مكاني پراكندگي رطوبت خاك پس از بارش هاي بيش از نرمال سال آبي97-98 در استان كردستان است. در اين راستا پس از واكاوي نقشه پراكندگي رطوبت خاك در بازه زماني موردمطالعه مستخرج از سامانه گوگل ارث اينجين به عنوان متغير وابسته و لايه هاي بارش، آب معادل برف، شاخص پوشش گياهي مستخرج از سامانه گوگل ارث انجين و همچنين شاخص رطوبت توپوگرافي و به عنوان متغيرهاي مستقل انتخاب گرديد و سپس با استفاده از مدل رگرسيون كلي (OLS) و رگرسيون موزون جغرافيايي (GWR) به مدل سازي مكاني اقدام شد. بر اساس معيارهاي ارزيابي، نتايج نشان داد مدل GWR با=0.74 R^2 قدرت تبيين و برآورد بهتري نسبت به مدل رگرسيون كلي باR^2=0.68 دارد. بر اساس رگرسيون كلي، عوامل مكاني بارش و رطوبت توپوگرافي بيش ترين اثر مثبت و تبخير و تعرق اثر منفي بر رطوبت خاك در محدوده موردمطالعه دارد. بر اساس نتايج مدل GWR ، متغير آب معادل برف در نواحي كوهستاني شمال استان، بيش ترين تاثير و تبخير و تعرق كم ترين اثر را بر رطوبت خاك داشته اند. با استفاده از مدل مكاني به دست آمده مي توان مناطق كم يا پر رطوبت خاك را در راستاي شناسايي پتانسيل ها محيطي و بهبود فرآيند تصميم گيري، تخصيص و توزيع مكاني ارايه خدمات كشاورزي شناسايي كرد.

Understanding the behavior of phenomena requires attention to all its dimensions, and one way to understand their complexities is modeling. Soil surface moisture is a key variable for describing drought, water, and energy exchanges between Korea and the air, as well as assessing crop conditions. Soil moisture is affected by both environmental variables and many environmental variables such as runoff, soil erosion, and crop production, but is highly variable due to unstable spatial and temporal conditions. The purpose of this paper is to investigate, extract and evaluate the spatial model of soil moisture dispersal after more than normal rainfall in 1979-98 in Kurdistan province. In this regard, after analyzing soil moisture dispersion as dependent variable and precipitation variables, snow water equivalent, topographic moisture index and vegetation index were selected as independent variables. Then, using a general regression model (OLS) and geographically weighted regression (GWR), spatial modeling was performed. Based on the evaluation criteria, the results showed that the GWR model with R2 = 0.74 has better explanatory power and better estimation than the general regression model with R2 = 0.68. According to the results of the GWR model, snow water equivalent variable in the northern mountainous regions had the highest effect on evapotranspiration and the least effect on soil moisture. The obtained spatial model can identify low or moist soil areas in order to identify environmental potentials and improve decision making, allocation and spatial distribution of agricultural services.