شناسايي خاك‌هاي شور منطقه كاشان بر مبناي پردازش رقومي داده‌هاي ماهواره IRS-1D و مطالعات ميداني

Characterization of Soil Salinity in Arid Region of Kashan by Digital Processing of IRS_1D Data

شوري و شور شدن خاك يكي از مشكلات رو به افزايش در مناطق خشك و نيمه خشك است. در سال‌هاي اخير استفاده از روش‌هاي دورسنجي و سامانه‌هاي اطلاعات جغرافيايي (GIS) به‌منظور تفكيك خاك‌هاي شور مورد توجه بسياري از محققين قرار گرفته است؛ زيرا تصاوير دورسنجي داراي پوشش وسيع و يك‌پارچه با شرايط زماني يكسان از پديده‌ها، موجب صرفه‌جويي در زمان و هزينه‌هاي مطالعه مي‌شود. در اين تحقيــق تصاوير سنجنده LISS- III از ماهواره هندوستان (IRS) به‌كار گرفته شد. شاخص BI توانست ضمن تفكيك نواحي با شوري شديد از نواحي غيرشور، جدا كند. شاخص SI نسبت بهBI با كيفيت بالاتري نواحي با شوري شديد، خيلي شور و غيرشور را جدا نمود. نتايج طبقه‌بندي نظارت شده بدون تلفيق با مدل رقومي ارتفاع، داراي دقت كلي 76 درصد، دقت توليد كننده 78 درصد و دقت كاربر 82 در صد بود. در حالي‌كه طبقه‌بندي نظارت شده نوارهاي سنجنده و مدل رقومي ارتفاع داراي دقت كلي 98.1 درصد، دقت توليد كننده 98.28 درصد و دقت كاربر 98.4 درصد شد. علت دقت كم طبقه‌بندي، پيش از تركيب داده‌هاي سنجنده و مدل رقومي ارتفاع را مي‌توان به تداخل طيفي اراضي شور و شور و مرطوب با اراضي غير شور (اراضي با 25 تا 65 درصد سنگ‌ريزه در سطح) نسبت داد؛ اما اين دو نوع اراضي داراي موقعيت پستي و بلندي متفاوت بودند، به‌طوري‌كه اختلاف ارتفاع آن‌ها معادل 200 متر است. بنابراين با تركيب مدل رقومي ارتفاع، اين دو نوع اراضي و اراضي، كه وضعيت مشابهي داشتند، به‌خوبي از يك‌ديگر تفكيك شدند.

Soil salinity is one of the main increasing problems of the world. In the recent years application of remote sensing and GIS techniques in order to assess saline soils is used because they bring about vast uniform coverage of ground phenomena in a short time. The images of LISS III sensor of the Indian satellite (IRS) were used in this research. The Brightness index (BI) could discriminate highly saline soils from non –saline and the salinity index (SI) show high potential to separate very high, high and non- saline soils. Results of supervised classification without combination DEM and remote sensing data have overall accuracy of 76%, producer accuracy of 78% and userʹs accuracy of 82%. While in supervised classification combination of remotely sensed data and DEM have overall accuracy of 98.1% , producer accuracy of 98.28% and userʹs accuracy of 98.4% .The reason for low accuracy of the classification , before combination of remote sensing and topographic data , can be explained by highly moist saline soils spectral interference with non-saline soils (soil with 25 to 65% gravels) , but these two soils had different topographic condition with 200 meters elevation difference , thus , with combination of the DEM , this kind of area and other areas with similar conditions have been separated from each other .