پهنه‌بندي شوري خاك‌هاي منطقه جنوب ‌شرق استان اصفهان با‌ استفاده از داده‌هاي زميني و سنجنده TM ماهواره‌اي

Soil Salinity Mapping Using Satellite TM and Field Data in Southeastern Isfahan

هدف تحقيق حاضر ارزيابي قابليت داده هاي ماهواره اي لندست TM مربوطه به شهريور ماه 1388 در شناسايي و تفكيك اراضي شور منطقه ورزنه واقع در جنوب شرقي استان اصفهان مي باشد. داده هاي زمينيEC با استفاده از روش نمونه برداري تصادفي از 53 سايت نمونه برداري با سطحي حدود 8100 متر مربع (9 پيكسل تصوير) جمع آوري گرديد. شاخص هاي طيفي مانند باندهاي TM، BI، 1SI، 2SI، و 3SI، مؤلفه هاي 1PC، 2PC، 3PC و همچنين مدل سازي رگرسيون چند متغيره خطي و روش طبقه بندي نظارت شده بر تصوير زمين مرجع شده اعمال شد. نتايج آناليز رگرسيوني نشان داد كه باند 4TM رابطه قوي با EC زميني دارد (0/48=2R). همچنين تصوير مدل سازي با استفاده از باند 3، 4 و 5 و 3PC در سطح 99% معني دار بود. ارزيابي صحت نقشه هاي طبقه بندي باند 4 و تصوير مدل سازي با 5 كلاس شوري شامل 4-0، 20-4، 60-20، 100-60 و بيشتر از 100 دسي زيمنس بر متر نشان داد كه به طور كلي بيش از 86% توافق بين نقشه ها و داده هاي زميني EC وجود دارد. بنابراين، با توجه به صحت بالاي تصاوير طبقه بندي شده نسبت به روش هاي رگرسيون در تفكيك خاك هاي پهناور شور مي توان از آنها به عنوان ابزار مناسب در جهت مديريت و مبارزه با شوره زايي استفاده نمود.

This study aimed to evaluate the performance of TM satellite data acquired in June 2009 to map soil salinity in southeast of Isfahan province. Ground salinity data (EC) was collected within 9 pixels, covering an area of approximately 8100 m2 using stratified random sling technique at 53 sle sites. Spectral indices including TM bands, BI, SI1, SI2 and SI3, PC1, PC2, PC3 and also multiple linear regression modeling and maximum likelihood classification techniques were applied to the geometrically corrected image. Results of regression analysis showed that the TM band 4 had the strongest relationship with EC data (R2=0.48) and also the relationship of the modeling image using TM 3, TM 4, TM5 and PC3 was significant at the 99% confidence level. The accuracy assessment of the stratified TM4 and modeling image into five classes including 04, 420, 2060, 60100 and EC>100 ds/m indicated that there was more than 86% agreement with the field measurements of EC data. Therefore, it can be concluded that the discretely classified salinity maps have higher accuracy than regression methods for identifying broad areas of saline soils, and can be used as appropriate tools to manage and combat soil salinization.