ارزيابي ميزان شوري خاك با استفاده از تلفيق تصاوير ماهواره اي و روش-هاي آماري (مطالعه موردي: منطقه چاه افضل اردكان)

Evaluation of soil salinity by using satellite images and statistical methods: A case study of Chah-Afzal area, Ardakan

شور شدن خاك از جمله معضلات اراضي واقع در مناطق خشك و نيمه خشك است كه مهار آن نيازمند اتخاذ تدابير مديريتي صحيح است. بهره گيري از اطلاعات به هنگام خاك و فن آوري هاي دورسنجي راهكار ي مناسب در ارزيابي شوري خاك مناطق مختلف است. در اين پژوهش با هدف ارزيابي ميزان شوري خاك منطقه چاه افضل يزد، تلاش گرديد تا با تلفيق روش هاي دورسنجي و آماري، نقشه اي كلي از طبقات مختلف شوري منطقه ارائه شود. بدين منظور، در ابتدا 50 نمونه خاك از منطقه مورد مطالعه به روش تصادفي برداشت و ميزان هدايت الكتريكي آن اندازه گيري شد. سپس، تصوير ماهواره اي لندست 7 همزمان با تاريخ برداشت صحرايي در مرداد 1386 تهيه و با انجام مراحل پيش پردازش، مورد عمليات بارزسازي با استفاده از شاخص هاي شوري قرار گرفت. از 14 متغير شامل 6 شاخص مختلف شوري خاك و 8 باند تصوير ماهواره اي جهت تهيه بهترين معادله بيان كننده شوري خاك بهره گيري شد. به منظور كاهش تعداد متغيرها در ارائه بهترين معادله برآورد شوري، از روش تحليل عاملي و روش رگرسيون پس رو بهره گيري و سه معادله ي نشان دهنده شوري خاك منطقه معرفي گرديد. نتايج نقشه هاي شوري خاك و صحت يابي نقشه هاي توليدي شاخص شوري NDSI با بيشترين ضريب همبستگي تعديل شده به ميزان 0/6 را، بهترين مدل ارائه كننده شوري خاك نشان داد. منطقه مطالعاتي به 5 كلاس شوري خاك طبقه بندي شد كه نقشه ها نشان داد حدود 90 درصد از منطقه داراي شوري بيش از 50 دسي زيمنس بر متر است. برطبق نتايج، تهيه نقشه شوري خاك با تلفيق تكنيك هاي دورسنجي و روش هاي آماري، ضمن افزايش دقت و سرعت انجام مطالعات، صرفه جويي در زمان و هزينه را نيز به همراه خواهد داشت.

Soil salinization is one of the problems in arid and semi-arid areas, and its control requires the adoption of proper management. Using up-to-date soil data and remote sensing technologies is a good way to evaluate soil salinity in different regions. In this research, with the aim of evaluating soil salinity in Chah-Afzal area of Yazd, a comprehensive map of different salinity levels was proposed by combining remote sensing and statistical methods. For this purpose, at first, 50 soil samples from the study area were taken randomly, and their electrical conductivity was measured. Then, Landsat 7 satellite images were prepared at the same time as the field harvest date in August 2007. The pre-processing steps were performed for visualization using salinity indicators. From the 14 variables, six different soil salinity indices and eight satellite image bands were used to obtain the best equation for soil salinity. In order to reduce the number of variables in providing the best salinity estimation equation, factor analysis and backward regression analysis were done, and three equations were introduced to indicate soil salinity. On the basis of the results obtained from the soil salinity maps and the verification of the maps, NDSI salinity indices with the highest correlation coefficient of 0.6 could serve as the best soil salinity model. The study area was classified into five soil salinity classes, which showed that about 90% of the area had a salinity of more than 50 dSm-1. According to the results, preparation of soil salinity maps by combining remote sensing techniques and statistical methods save time and costs and increases the accuracy and speed of studies.