بررسي روش هاي مختلف طبقه بندي در مطالعات شوري خاك با استفاده از سنجش از دور (RS) و سيستم اطلاعات جغرافيايي (GIS)

Evaluation of Different Methods for Soil Classifications by Using Geographic Information Systems and Remote Sensing

شوري خاك به عنوان يك عامل مهم، رشد گياه را محدود و توليد محصول را در مراحل مختلف كاهش مي دهد. فن آوري سنجش از دور و GIS پتانسيل بالايي براي پايش فرآيندهاي ديناميك مانند شوري را دارند. از اين رو در تحقيق حاضر كارايي فن آوري سنجش از دور و تلفيق آن با GIS جهت برآورد ميزان شوري خاك و هم چنين امكان طبقه بندي كلاسهاي شوري خاك با روشهاي مختلف در منطقه نيشابور مورد بررسي قرار گرفت. در اين مطالعه از تصاوير ماهواره اي سنجنده ETM+ ماهواره لندست سال 2002 در 6 باند انعكاسي استفاده شد. نتايج طبقه بندي حاصل از اعمال مدلهاي رياضي بر تصوير با نتايج طبقه بندي حاصل از تركيبات مختلف باندي مورد مقايسه قرار گرفت و سپس مساحت كلاس خاكهاي شور و غير شور در منطقه مورد مطالعه با استفاده از روشهاي فوق و هم چنين تلفيق اين دو روش تهيه گرديد. با توجه به نتايج حاصل از اين تحقيق بهترين راه ممكن استفاده از تركيب دو روش فوق و جداسازي خاكهاي شور در مرحله اول و سپس تفكيك خاكهاي غير شور بود. بنابراين با توجه به هم پوشاني زيادي كه ميان ارزش رقومي باندهاي تصاوير ماهواره اي در خاكهاي محدوده مورد مطالعه وجود دارد توانايي دادههاي رقومي سنجنده ETM+ ماهواره لندست براي طبقه بندي كلاس هاي مختلف شوري خاك در منطقه مورد مطالعه محدود ارزيابي مي گردد.

Soil salinity is an important factor that affects plant growth and reduces production of plantat different growth stages Remote sensing technology and GIS have a great potential for monitoring dynamic soil processes such as salinity. In the present study the efficiency of remote sensing technology and its integration with GIS was examined to estimate soil salinity for Neyshabour basin. Different classification methods for soil salinity were also investigated. We used 6 bands of LandSat ETM+ for this study. Classification results obtained from applying mathematical models for the images were compared with different band combinations results. The area of saline and non saline soil classes were identified in the study area based on the both methods and also based on the combination of the two methods. The results showed that the best method for soil classification was using of the two methods in the first stage to separate two classes of saline and non saline soils and then classifying the non saline soils in the second stage. As the variation in the numerical values of the image for different soil salinity in the study area was small, it was concluded that there is a limit potential of LandSat ETM+ images for identifying and classification of soil salinity in such an area.