ارزيابي مدل رگرسيون، روش كريجينگ و طبقه‌بندي نظارت‌شده داده‌هاي سنجنده LISS-III در برآورد شوري خاك (مطالعه موردي: دشت ارسنجان، استان فارس)

Evaluation of Regression Model, Kriging Method and Supervised Classification of LISS-III Sensor Data in Estimating Soil SalinityA Case Study: Arsanjan Plain, Fars Province

استفاده از پيشرفت‌هاي تكنيكي اخير در شناسايي و نقشه‌برداري شوري خاك‌ها، گامي به جلو در مديريت خاك‌هاي شور است. هدف پژوهش حاضر، استفاده و ارزيابي روش‌هاي گوناگون برآورد شوري خاك سطحي در عمق صفر تا پنج سانتي‌متر اطراف درياچه طشك و بختگان با وسعت 8062 هكتار است. شوري خاك در اين ناحيه عامل مهمي در عملكرد محصولات كشاورزي است. در پژوهش حاضر از سه روش متفاوت براي برآورد شوري خاك استفاده شد و نتايج اين سه روش با داده‌هاي شوري اندازه‌گيري‌شده روي زمين مورد ارزيابي قرار گرفت. بدين منظور، 143 نمونه برداشت شد و مقادير هدايت الكتريكي عصاره استخراج‌شده از گل اشباع يا ECe آنها تهيه شد. نمونه‌هاي مرتبط به‌صورت منظم روي شبكه‌اي 750متري براي ارزيابي مدل رگرسيون (RM) و روش كريجينگ معمولي (OK) جمع‌آوري شدند. براي روش سوم نيز طبقه‌بندي نظارت‌شده (Scl) تصاوير ماهواره‌اي مربوط به سنجنده LISS-III به كار گرفته شد. در اين پژوهش از مدل‌هاي رگرسيوني خطي، تواني و نمايي به منظور تخمين مقادير شوري استفاده شد و مقادير رقومي تصاوير ماهواره‌اي در آنها به‌عنوان متغير مستقل و مقادير Ece به‌عنوان متغير وابسته در نظر گرفته شدند. براي توليد نقشه تخمين شوري از روش كريجينگ استفاده شد. در مورد تصاوير ماهواره‌اي، پيكسل‌هاي آموزشي با الگوريتم حداكثر احتمال مشابهت، طبقه‌بندي و سپس نقشه پوشش زمين تهيه شدند. نتايج پژوهش نشان دادند كه مدل‌هاي رگرسيوني نمي‌توانند مقادير شوري را به‌خوبي تخمين بزنند و شاخص‌هاي پوشش گياهي همبستگي ضعيفي با مقادير شوري خاك سطحي دارند. در مكان‌هايي كه مقادير شوري بيشتر از 16 دسي‌زيمنس بر متر بود، درصدهاي شوري منتج از طبقه‌بندي نظارت‌شده و روش كريجينگ معمولي تقريباً مشابه بودند اما در ساير كلاس‌هاي شوري، مقادير به‌دست‌آمده از اين دو روش با يكديگر تفاوت داشتند. در طبقه‌بندي نظارت‌شده داده‌هاي سنجنده LISS-III، سطوح خاك باير با مقادير شوري بيش از 16 دسي‌زيمنس بر متر، با موفقيت شناسايي و تفكيك شدند. مدل رگرسيون، 100درصد محدوده مطالعه‌شده را شور برآورد كرد و روش كريجينگ، 6/87 درصد از خاك‌هاي منطقه را به‌عنوان خاك شور، < 4 دسي‌زيمنس‌برمتر، طبقه‌بندي كرد در حالي‌كه طبقه‌بندي نظارت‌شده داده‌هاي سنجنده LISS-III، 5/62 درصد از خاك‌هاي منطقه را شور تشخيص داد. هر كدام از اين روش‌ها محدوديت‌هايي دارند، از اين رو به‌منظور برآورد شوري خاك، تلفيق آنها پيشنهاد مي‌شود.

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.