مقايسه روش هاي مختلف رگرسيون دو متغيره در شناسايي رخساره هاي كويري بر اساس روابط مولّفه هاي خاك با داده هاي ماهواره اي مورد شناسي: پلاياي ابركوه- استان يزد

A comparison between various two-variable regression methods in order to estimate soil components using satellite data Case study: Abarkooh playa, Yazd

بررسي روابط بين پارامترهاي مختلف خاك با داده هاي ماهواره اي گامي موثر در شناسايي و تفكيك رخساره هاي كويري است. در همين راستا، تحقيق حاضر با هدف بررسي روش هاي مختلف رگرسيون دو متغيره بر اساس روابط بين مولفه هاي مختلف خاك با داده هاي ماهواره اي سنجنده ASTER در شناسايي رخساره هاي پلاياي ابركوه مورد بررسي قرار گرفت. بدين منظور ابتدا از خاك سطحي30 پروفيل در منطقه مطالعاتي برداشت و در آزمايشگاه مقادير EC، PH، درصد رطوبت اشباع و مقاديركاتيون ها و آنيون هاي مربوط به هر نمونه اندازه گيري گرديد. پس از انجام پردازش هاي لازم بر روي تصاوير ماهواره اي، با تعيين نقاط زميني بر روي تصاوير، ارزش پيكسل-هاي نظير نقاط زميني در باندهاي مختلف استخراج گرديد. سپس رابطه بين داده هاي ماهواره اي و نتايج حاصل از آزمايش هاي خاك منطقه با استفاده از روش هاي مختلف رگرسيون دو متغيره خطي مورد ارزيابي قرار گرفت و دقت مدل ها با استفاده از فاكتورهايي نظير خطاي تخمين و تاييد، مجذور ميانگين مربعات خطا، ضريب همبستگي و ضريب كارايي مورد ارزيابي قرار گرفت. يافته هاي پژوهش بيانگر دست يابي به مدل هايي با ضريب همبستگي كمينه 45 درصد، خطاي نسبي تخمين و تاييد بيشينه به ترتيب4/247 و 7/2489 ، مجموع ميانگين مربعات خطاي كمتر و ضريب كارايي كمينه 19 درصد مي باشد. همچنين نتايج اين تحقيق نشان داد كه هيچ گونه رابطه معني داري بين ميزان قليايي بودن و درصد رطوبت اشباع با داده هاي ماهواره اي در منطقه مطالعاتي وجود ندارد.

The study of relationship between various soil parameters and satellite data is an effective step in the identification and separation of desert facies. To do so, this study aim to study two-variable regression methods based on different relationships between the various soil components data and ASTER satellite data in order to detect Abarkoo playa facies. To achieve this purpose, at first, 30 topsoil samples were collected from the study area and analyzed in laboratory. Various pedological components (Anion, Cations, Soil moisture, Texture and PH) were also measured. After performing the necessary processing on the satellite images, the value of pixels in each band were extracted by overlaying ground points over satellite image. In the next step, the correlation between satellite data and laboratory values were evaluated by using various two-variable regression methods. The accuracy of the models was assessed using Relative Error, Root Mean Square Error, and Correlation Coefficient of Efficiency. Results indicated that the minimum correlation coefficient is 45%, the maximum relative error of estimation and confirmed are respectively 247.4 and 2489.7 percent, root mean square error is low and the minimum Coefficient of Efficiency is 19 percent. Furthermore, the results of this study showed that there is no significant relationship between PH and soil moisture and satellite data in the study area.