شناسايي خاك‌هاي شور با تحليل طيفي داده‌هاي سنجنده LISS-III و داده‌هاي ميداني مطالعه موردي: استان فارس (درياچه طشك و بختگان)

Surveying of saline soils with spectral analysis of LISS III sensor and field data case study: Fars Province (Tashk & Bakhtegan Lake)

با توجه به گسترش وسيع خاك‌هاي شور در ايران و تاثير شوري آن بر عملكرد محصولات كشاورزي، شناسايي اين زمين ها از اهميت زيادي برخوردار است. به منظور شناسايي و تحليل طيفي طبقات مختلف شوري خاك هاي اطراف درياچه طشك و بختگان، از تصاوير سنجنده LISS-III استفاده گرديد. پس از انجام تصحيحات لازم بر روي تصاوير، نمونه هاي آموزشي و كنترل زميني انتخاب و نمونه هاي خاك از عمق 5-0 سانتي متري، جمع آوري و جهت انجام تجزيه هاي لازم به آزمايشگاه ارسال گرديد. سپس به منظور تهيه نقشه پوشش اراضي و شوري، طبقه بندي پيكسل هاي تصوير با انتخاب رويكردهاي مختلف و با الگوريتم حداكثر مشابهت انجام شد. تحليل نمودارهاي دوبعدي و طيفي نشان داد؛ پوسته هاي نمكي سفيدرنگ در بالاترين بخش خط خاك و پوسته هاي نمكي تيره رنگ در بخش هاي پايين تر اين خط قرار دارند. زبري، ناهمواري و همچنين حضور رطوبت از عوامل موثر در كاهش بازتاب پوسته هاي نمكي منطقه مورد مطالعه شناخته شد و در خاك هاي غير شور نيز زبري حاصل از كلوخه هاي ناشي از عمليات خاكورزي، از عوامل تاثير گذار در كاهش انعكاس بود. وجود پوشش گياهي و كاه و كلش برجاي مانده از محصولات، در تشخيص خاك هاي شور منطقه مورد مطالعه ايجاد خطا نمود. ارزيابي نتايج دقت طبقه بندي رويكردهاي تصويري مختلف، حاكي از آن بود؛ زماني كه از تمام باندهاي سنجنده استفاده گرديد صحت كل، كاربر و توليدكننده افزايش يافت. در اين تحقيق خاك هاي با شوري بيش از 16 دسي زيمنس-بر متر از دقت هاي بالاتري برخوردار بودند و وجود تداخل طيفي در خاك هاي با شوري 8-4 و 16-8 دسي-زيمنس بر متر منجر به كاهش دقت در اين طبقه ها شد. ارزيابي نقشه شوري نشان داد كه خاك هاي با شوري بيش از 16 دسي زيمنس بر متر، در نزديكي درياچه و عمدتاً در قسمت جنوب، جنوب غرب و جنوب شرق منطقه مورد مطالعه وجود داشت. در شمال منطقه نيز شوري هاي 8 تا 16 دسي زيمنس بر متر در زمين هاي كشاورزي، نتيجه شد.

In this research, the data of LISS-III sensor used for mapping saline soils on the vicinity of Tashk and Bakhtegan Lake, Fars Province. After the corrections of the imagery, the training and control pixels selected and the soil samples (depth of 5 cm) prepared. Then pixels of the imagery classified in different approaches by maximum likelihood algorithm. Analysis of spectral graphs of classes indicated that the most reflectance of saline soils was in vis¬ible spectral. The highest correlation coefficient between salinity values and digital num¬bers of bands (0.45) observed in band 2. Investigation of feature space graphs indicated, almost single clusters formed in all of the classes except in low and moderate saline soils. The white salt crusts lied in the highest portion of soil line and black salt crusts in lower parts. The roughness and moisture were the main factors in reflectance decreasing of salt crusts in studied region. In non-saline soils, the roughness are produced by large clods in ploughed areas was the effective factor of reflectance decreasing. Presence of plant cover and residual of the straw are the reasons for error in identifying of saline soils. Results of classification of different approaches indicated the highest accuracy of procedure, user, overall and kappa index was observed in integration of all bands. In all of approaches, soils with low and moderate salinity had low accuracy. The produced map of LISS-III sensor indicated that when the salinity values is above 16 dS/m, this is on the soils at the vicinity of the lake and as move further, it is decreased and in the central parts of the plain and in agriculture lands, it is increased again